Glossaire
Affinage
L'affinage (fine-tuning) est un entraînement supplémentaire qui adapte un modèle IA existant à une tâche ou un style précis grâce à vos propres exemples. Il modifie le modèle lui-même, contrairement aux prompts ou au RAG, qui changent uniquement ce qu'on lui soumet.
Un modèle IA de base ressemble à un chef cuisinier fraîchement sorti d’une grande école : technique irréprochable, mille recettes maîtrisées. L’affinage, c’est les six mois que ce chef passe ensuite dans votre restaurant à apprendre vos plats, vos portions, vos habitués. Après ça, inutile de lui réexpliquer la recette à chaque service : il l’a dans les mains.
Techniquement, on reprend l’entraînement du modèle sur un ensemble ciblé d’exemples : des milliers de tickets de support accompagnés de leurs réponses idéales, ou des documents écrits dans le ton exact de votre entreprise. Le résultat est un modèle qui accomplit cette tâche précise de manière plus fiable, sans instructions interminables à chaque fois.
Pour être honnête avec la plupart des utilisateurs : vous utiliserez des modèles affinés bien plus souvent que vous n’en créerez. L’affinage demande des données soigneusement préparées et un budget non négligeable ; pour « réponds en t’appuyant sur mes documents », le RAG est généralement la solution plus simple et moins coûteuse, et de bonnes instructions personnalisées couvrent la majorité des besoins courants.
Où vous rencontrerez ce terme
Dans les descriptions produits (« affiné pour les textes médicaux », « optimisé pour le droit français »), sur les plateformes développeurs d’OpenAI et de Mistral (qui proposent l’affinage comme service), et autour des modèles open-weights, que chacun peut affiner sur son propre matériel. En France, si vous traitez des données personnelles pour constituer votre jeu d’entraînement, la CNIL encadre cette pratique au titre du RGPD ; le Règlement européen sur l’IA (AI Act) impose par ailleurs des obligations de documentation pour les modèles affinés déployés dans des contextes à risque.