Fine-tuning

Entre un modèle de base et un modèle utilisable, il y a plusieurs phases d'entraînement distinctes. On explique ce que fait chacune et pourquoi c'est là que se situe désormais la valeur.

Un groupe milite pour les droits des IA. On examine sérieusement ce que supposerait une telle question, pourquoi on ne peut pas y répondre aujourd'hui, et ce qu'il faut faire de cette incertitude.

Un même modèle produit des réponses très différentes selon l'application qui l'utilise. On explique les cinq facteurs qui créent cet écart, et pourquoi c'est utile à savoir.

Face aux modèles verticaux qui apparaissent dans le droit, la santé ou la finance, on explique quand un modèle spécialisé apporte réellement quelque chose et quand un généraliste bien outillé suffit.

Pour adapter une IA à vos données, deux approches s'opposent : le RAG et le fine-tuning. On explique la différence, quand utiliser l'une ou l'autre, et pourquoi la plupart des projets se trompent de méthode.

Comment un modèle passe-t-il d'un tas de données brutes à un assistant capable de vous répondre poliment ? On décrit les trois grandes étapes de l'entraînement d'une IA (pré-entraînement, fine-tuning, RLHF) avec une analogie simple, pour comprendre d'où viennent ses forces et ses biais.