MODÈLES / PERSONNALISATION
Retrouver. Apprendre. Mémoriser.
Trois besoins différents.
« Une IA qui connaît notre entreprise » peut vouloir dire consulter des documents à jour, suivre un format métier ou conserver l’état d’un dossier. Ces besoins n’appellent pas la même réponse.
Révision Saphan · 7 septembre 2026
Le RAG pour retrouver des informations
La recherche augmentée, ou Retrieval-Augmented Generation, récupère des passages utiles et les fournit au modèle pour préparer une réponse. Elle convient à des informations que l’on veut actualiser et rattacher à des sources. La qualité dépend notamment du corpus, de la recherche et de la façon dont la réponse utilise les passages.
Exemple : retrouver une procédure de maintenance valide et citer la section pertinente. Il faut aussi contrôler les versions et les droits de consultation.
Le fine-tuning pour adapter un comportement
Le fine-tuning ajuste un modèle existant sur des exemples. Il peut être étudié pour une classification, un format récurrent ou un comportement spécifique lorsque les instructions seules ne suffisent pas. Il ne remplace pas une base documentaire tenue à jour.
Exemple : attribuer des catégories propres à votre activité à des demandes très répétitives. Il faut des exemples utilisables, des critères stables et une comparaison sur des cas hors entraînement. La licence du modèle et les droits sur les données font partie du choix.
La mémoire pour conserver un état
Une mémoire applicative peut garder un choix validé, l’avancement d’un dossier ou une préférence autorisée. Elle n’implique pas nécessairement de modifier les poids du modèle. Il faut préciser ce qui est conservé, pour qui, pendant combien de temps et comment corriger ou retirer une information.
Exemple : un dossier a déjà été relu et attend un document. Le système doit retrouver cet état, pas le déduire chaque fois d’une conversation complète.
Ces leviers peuvent se combiner
Un assistant peut consulter des procédures à jour, produire une sortie métier régulière et conserver l’état du dossier. Commencez par identifier le défaut : information manquante, comportement instable ou contexte perdu. Une combinaison de techniques n’est utile que si elle corrige un défaut observé.
Repères techniques : RAG dans Azure AI Search et sélection et adaptation de modèles, OpenAI. Ces documentations éclairent les mécanismes ; elles ne constituent pas une mesure de votre cas métier.