Ce que veut dire « entraîner une IA sur nos données »
« On voudrait une IA entraînée sur nos données. » Derrière la phrase, le besoin est presque toujours le même : que l’IA connaisse l’entreprise. Ses clients, ses prix, ses procédures, sa façon de répondre.
Il existe plusieurs façons d’y arriver, et une seule modifie vraiment le modèle. Les confondre coûte cher : on se lance dans un entraînement alors qu’il suffisait d’écrire des règles, ou on attend d’un modèle entraîné qu’il connaisse des tarifs qui ont changé depuis.
Pour comprendre, une image suffit. Un modèle de langage, c’est un employé très cultivé qui a lu une grande partie d’Internet, mais qui n’a jamais mis les pieds chez vous. Vous pouvez soit changer ses réflexes, soit lui donner les bons documents à lire, soit lui écrire des consignes. Ce sont trois choses différentes.
Le fine-tuning et LoRA, expliqués simplement
Le fine-tuning est un entraînement supplémentaire. On montre au modèle beaucoup d’exemples « demande, bonne réponse », et on ajuste ses réglages internes, qu’on appelle ses poids, pour qu’il reproduise ce comportement. On peut aussi lui montrer des paires de réponses en lui indiquant laquelle est meilleure.
Le fine-tuning complet modifie tous les poids, soit des milliards de nombres. Il demande beaucoup de puissance de calcul. LoRA, une méthode publiée par des chercheurs de Microsoft, fait plus léger : on gèle le modèle et on entraîne seulement de petites surcouches ajoutées à côté. L’image la plus juste est celle de post-it collés sur un manuel, au lieu de réécrire le manuel. C’est aujourd’hui la façon la plus courante d’adapter un modèle ouvert.
Ce que le fine-tuning apprend bien : un format de sortie, un ton, une façon de classer des demandes. La documentation d’OpenAI le présente ainsi, et recommande de commencer par de bonnes consignes et des tests avant d’envisager un entraînement. Ce qu’il apprend mal : des faits précis. Des chercheurs ont comparé les deux approches pour apporter de nouvelles connaissances à un modèle, et la recherche dans les documents l’emporte nettement.
Le RAG : donner à lire au moment de la question
Le RAG ne touche pas au modèle. Quand une question arrive, un programme cherche les passages utiles dans vos documents, les met sous les yeux du modèle, et celui-ci répond à partir de ce qu’il vient de lire. Si votre tarif change demain, vous remplacez le document, et la réponse change aussitôt.
C’est la bonne méthode pour une connaissance à jour tirée de documents. Elle a ses propres exigences, que nous détaillons dans notre article sur le RAG : une recherche qui trouve les codes exacts, des droits d’accès, des sources citées.
Les consignes, la mémoire d’entreprise et vos données
Les consignes sont le texte que le modèle reçoit avant chaque tâche : son rôle, ce qu’il doit faire, ce qu’il ne doit jamais faire, quoi faire quand il ne sait pas. Bien écrites, elles suffisent à régler la plupart des problèmes de ton et de format, sans aucun entraînement.
La mémoire d’entreprise va un cran plus loin. Nous écrivons avec vous vos règles de prix, vos remises par client, vos délais réels, vos process, sous une forme claire et rangée. L’agent la relit avant d’agir. Ce n’est pas de l’entraînement : c’est de la lecture, et tout reste visible et modifiable.
Reste ce qui change tous les jours : clients, tarifs en vigueur, historique, stocks, planning. Ces données vivent dans les bases de vos logiciels. Plutôt que de les recopier dans des documents, nous les faisons lire à la source par des requêtes SQL contrôlées, avec des accès en lecture seule ou limités, une validation humaine pour toute action et un journal. Le chiffre lu est celui du jour, pas celui d’un ancien export.
Ce que chaque méthode apprend à l’IA
Le tableau compare les approches. Regardez la colonne « ce qu’elle apprend bien » : vos tarifs n’apparaissent pas sur la ligne du fine-tuning. Un modèle entraîné imite une forme, il n’est pas fiable pour retrouver un chiffre.
| Méthode | Modifie le modèle ? | Ce qu’elle apprend bien | Mise à jour | Ce qu’il faut fournir |
|---|---|---|---|---|
| Consignes | Non | Le rôle, le ton, le format, les interdits | Immédiate : on réécrit le texte | Quelques heures de rédaction |
| Mémoire d’entreprise | Non | Vos règles de prix, vos process, vos exceptions | Immédiate : on corrige la règle | Une personne qui connaît les règles, et vos cas récents pour tester |
| Données de vos logiciels (requêtes contrôlées) | Non | Les chiffres exacts : clients, tarifs, historique, stocks | En temps réel : la donnée est lue à la source | Un accès limité à vos logiciels et des requêtes vérifiées |
| RAG | Non | Une connaissance à jour tirée de vos documents | Dès que le document change | Des documents à jour et une recherche bien réglée |
| Fine-tuning (dont LoRA) | Oui | Un style, un format, une façon de classer, répétés à grand volume | Lente : il faut réentraîner | Beaucoup d’exemples propres, de la puissance de calcul, des tests |
Pourquoi presque aucune PME n’a besoin de fine-tuning
- Votre besoin principal est la connaissance de l’entreprise, et c’est justement ce que le fine-tuning apprend mal.
- Vos informations changent : prix, stocks, clients, délais. Chaque changement demanderait un nouvel entraînement.
- Il faut des exemples nombreux et propres. Rassembler et nettoyer ces exemples est souvent plus long que d’écrire les règles.
- Les meilleurs modèles du marché ne sont pas tous ouverts à l’entraînement par leurs clients. Et quand une nouvelle version sort, il faut souvent tout refaire.
- On perd en lisibilité : une règle écrite se relit et se corrige, un comportement appris dans des poids ne s’explique pas.
- Les consignes, la mémoire d’entreprise, l’accès contrôlé à vos données et le RAG règlent la grande majorité des cas, plus vite et sans rien figer.
Un exemple
Un bureau d’études qui entraînerait un modèle sur ses propositions des dernières années obtiendrait un modèle qui en imite très bien la présentation. Après la révision de ses honoraires, il continuerait pourtant de citer les anciens. Lire la grille en vigueur dans le logiciel, au moment de chiffrer, règle le problème sans aucun entraînement.
Quand le fine-tuning vaut le coup
Il existe des cas où il se justifie. Une tâche très répétitive, à grand volume, avec un format strict : classer des milliers de demandes dans les mêmes catégories, extraire toujours les mêmes champs de documents qui se ressemblent. Ou un petit modèle installé sur vos propres serveurs, pour des données qui ne doivent pas sortir : un petit modèle adapté par LoRA à une tâche précise peut alors suffire là où il aurait fallu un gros modèle généraliste, avec moins de matériel.
Même dans ces cas, l’ordre ne change pas. D’abord des consignes, une mémoire écrite et l’accès à vos données, testés sur vos vrais cas. Ensuite, si les résultats plafonnent sur un point précis et mesuré, un entraînement ciblé. Jamais l’inverse. Si vous vous demandez où se situe votre projet, vous pouvez réserver 30 minutes avec Théo : on regarde votre besoin et on vous dit honnêtement si un entraînement a du sens.
Sources