Fine-tuning : définition simple en intelligence artificielle

Le fine-tuning (ou « ajustement fin ») consiste à reprendre un modèle d'intelligence artificielle déjà entraîné et à le réentraîner sur un jeu de données plus petit et plus ciblé, pour l'adapter à une tâche, à un domaine ou à un style. Le modèle garde ce qu'il savait et apprend à reproduire les caractéristiques des nouveaux exemples.

La documentation d'Anthropic, éditeur du modèle Claude, le définit comme le fait de poursuivre l'entraînement d'un modèle de langage préentraîné avec des données supplémentaires, ce qui l'amène à représenter et à imiter les régularités de ces données.

Ce qu'en dit le Journal officiel

Le Journal officiel du 06/09/2024 recommande, pour l'anglais transfer learning, « apprentissage par transfert » : soumettre un modèle préentraîné à une nouvelle phase d'entraînement sur un volume réduit de données d'un domaine cible. Il précise que cette méthode réduit la durée et le coût de l'apprentissage, notamment quand les données disponibles dans ce domaine sont peu nombreuses. Le fine-tuning d'un modèle de langage relève de cette même logique.

Une image du quotidien

Vous recrutez un comptable expérimenté qui arrive d'un autre cabinet. Vous ne lui réapprenez pas la comptabilité : vous lui montrez vos dossiers types, vos tournures de courrier, vos habitudes de classement. En quelques semaines, il travaille « à votre façon ». Le fine-tuning fait la même chose avec un modèle : une base générale solide, puis un ajustement à partir de vos exemples.

Un exemple concret

Prenons une entreprise qui rédige chaque semaine des dizaines de fiches produits dans un format très codifié. Elle rassemble quelques centaines de fiches réussies et fait réentraîner un modèle dessus. Le modèle ajusté produit ensuite des fiches qui respectent d'emblée le ton et la structure maison, avec moins de consignes à répéter dans chaque prompt.

Ce que ça change pour une entreprise

• Ce n'est pas toujours la bonne réponse. Pour qu'une IA s'appuie sur des documents qui évoluent (tarifs, procédures), on fournit généralement les passages utiles au moment de la question avec un RAG (génération augmentée par récupération), plutôt que de réentraîner le modèle.
• Les données d'entraînement comptent : Anthropic souligne qu'il faut examiner soigneusement les données de fine-tuning et leur effet possible sur les performances et les biais du modèle.
• Tous les éditeurs ne le proposent pas : la documentation d'Anthropic indiquait, à la date de lecture du 15/11/2026, que son interface de programmation (API) ne propose pas actuellement de fine-tuning, et invitait les entreprises intéressées à contacter l'éditeur.

Termes voisins

• Apprentissage automatique : le cadre général de l'entraînement.
• Modèle open source : les modèles dont on peut récupérer les poids pour les ajuster soi-même.
• RAG : l'alternative la plus fréquente pour exploiter ses documents.
• LLM : le type de modèle le plus souvent ajusté.