« Entraîner l’IA sur nos documents » est une demande fréquente. Elle peut désigner plusieurs objectifs : retrouver une procédure à jour, employer un vocabulaire particulier, respecter un format ou exécuter une tâche spécialisée. La solution technique dépend de ce résultat attendu.
Le RAG apporte des sources au moment de la réponse
La recherche augmentée, souvent appelée RAG, récupère des passages pertinents dans des sources autorisées, puis les fournit au modèle pour l’aider à répondre. Le système doit gérer l’import des documents, leur découpage, la recherche et la présentation des références. Les poids du modèle ne sont pas nécessairement modifiés.
Pour un assistant documentaire, cette approche permet d’actualiser un corpus sans relancer un entraînement du modèle à chaque changement de procédure. Il faut cependant organiser la suppression des versions périmées, la synchronisation et le contrôle des accès. La qualité de la réponse dépend aussi de la capacité à trouver le bon passage.
Le fine-tuning adapte un modèle existant
Le fine-tuning poursuit l’entraînement d’un modèle préentraîné à partir d’un ensemble de données destiné à une tâche ou à un domaine. La documentation de Hugging Face le distingue ainsi d’un entraînement depuis des poids aléatoires.
On peut l’étudier lorsqu’un besoin répété concerne, par exemple, une structure de sortie ou une tâche spécialisée difficile à stabiliser avec les seules instructions. Il demande des exemples de qualité, des droits d’utilisation clairs et une évaluation séparée des données d’entraînement. Son intérêt doit être mesuré face à une solution plus simple.
Commencer par une comparaison concrète
Considérons trois demandes fictives. Une équipe veut retrouver la procédure de remboursement applicable : la fraîcheur et la citation de la source orientent d’abord vers la recherche documentaire. Une autre veut produire un objet structuré selon un schéma : des instructions et une validation automatique peuvent suffire. Une troisième souhaite adapter durablement une tâche métier répétitive : un fine-tuning peut devenir une piste si les essais de référence révèlent un écart mesurable.
Ces situations servent à raisonner, elles ne sont pas des règles universelles. Un système peut combiner plusieurs approches. En revanche, les additionner dès le départ augmente le nombre d’éléments à maintenir et à évaluer.
Tester la recherche et la réponse séparément
Quand un assistant répond mal, le modèle n’est pas toujours la première cause. Le document peut être absent, l’index obsolète, le passage incomplet ou l’accès refusé. Distinguer ces étapes permet de corriger le bon problème. Le guide d’évaluation RAG de Hugging Face illustre l’intérêt d’un jeu de questions et de réponses de référence pour observer les changements du système.
Notre grille pratique comprend des questions simples, des demandes qui croisent deux sources, des documents contradictoires et des questions sans réponse disponible. Elle vérifie aussi qu’un utilisateur ne peut pas obtenir un passage auquel il n’a pas droit. Les exemples doivent représenter les conditions de travail, y compris les échecs attendus.
Ne pas confondre spécialisation et sécurité
Un document récupéré peut contenir des instructions malveillantes. L’OWASP décrit ce risque d’injection indirecte et recommande plusieurs couches de protection. Un RAG ou un fine-tuning ne dispense donc pas de limiter les outils accessibles, de valider leurs paramètres et de contrôler les actions sensibles côté serveur.
Pour préparer un projet, apportez d’abord quelques cas représentatifs et les critères de réussite. Notre page entraînement et adaptation de modèles présente les étapes de travail. L’enjeu consiste à choisir une architecture justifiée par les résultats, puis à documenter son exploitation.
