# Fine-tuning (Affinage)

> Poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données ciblé, pour spécialiser son style, son format de sortie ou son domaine.

- Page ZoneIA : https://zoneia.fr/glossaire/fine-tuning-affinage
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-10-03
- Mis à jour le : 2026-10-03

Le **fine-tuning** (affinage) consiste à poursuivre l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données plus petit et ciblé, afin de le spécialiser : ton de marque, format de sortie strict, vocabulaire métier, tâche précise. C’est la forme la plus courante de [transfer learning](https://zoneia.fr/glossaire/transfer-learning) appliquée aux [LLM](https://zoneia.fr/glossaire/llm-grand-modele-linguistique).

## Comment ça fonctionne
1. **Préparer les exemples** : des paires consigne et réponse attendue, nettoyées et représentatives de l’usage visé.
2. **Ajuster le modèle** sur ces exemples, avec un taux d’apprentissage faible pour ne pas effacer ce qu’il sait déjà.
3. **Évaluer** sur un jeu de test distinct, puis déployer.

Plusieurs variantes existent :
- **Fine-tuning complet** : tous les paramètres sont mis à jour. C’est coûteux en calcul et en mémoire.
- **Fine-tuning efficace en paramètres (PEFT)**, comme **LoRA** ou **QLoRA** : seule une petite couche additionnelle est entraînée. C’est bien moins cher et très utilisé sur les modèles ouverts.
- **Instruction tuning** et **alignement par préférences** (RLHF, DPO) : on apprend au modèle à suivre des consignes et à privilégier les réponses jugées meilleures.

## Fine-tuning, prompting ou RAG ?
Commencez par le [prompt engineering](https://zoneia.fr/glossaire/prompt-engineering), puis passez au [RAG](https://zoneia.fr/glossaire/rag-retrieval-augmented-generation) si le besoin porte sur des connaissances à jour ou privées. Le fine-tuning est pertinent pour changer le **comportement** du modèle (style, format, tâche) plutôt que pour lui faire apprendre des faits : les faits injectés par fine-tuning sont mal maîtrisés et deviennent vite obsolètes.

## Points d’attention
- Qualité des données : quelques centaines à quelques milliers d’exemples soignés suffisent souvent, et des exemples médiocres dégradent le modèle.
- [Surapprentissage](https://zoneia.fr/glossaire/surapprentissage-overfitting) et oubli des capacités d’origine si l’entraînement est trop poussé.
- Confidentialité des données d’entraînement, et coût de maintenance à chaque nouvelle version du modèle de base.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/fine-tuning-affinage)