Affinage de modèle (Fine-tuning)
Definition
L'affinage (fine-tuning) est le processus qui consiste à prendre un grand modèle de langage déjà entraîné et à poursuivre son entraînement sur un jeu de données plus restreint et spécifique, pour qu'il devienne mieux adapté à une tâche particulière, à un vocabulaire sectoriel ou à un style de rédaction, sans avoir à entraîner un modèle depuis zéro.
Il se distingue de l'ancrage de l'IA et de la récupération : l'affinage modifie le comportement et les connaissances sous-jacents du modèle au moment de l'entraînement, tandis que l'ancrage et la récupération fournissent des faits récents et spécifiques au moment où une question est posée, sans modifier le modèle lui-même.
Pour la plupart des marques, l'affinage n'est pas quelque chose qu'elles contrôlent directement, puisque les principaux assistants IA grand public dans lesquels une marque cherche à être citée ne sont pas affinés par marque, mais comprendre ce concept aide à saisir pourquoi les connaissances d'un modèle généraliste peuvent être datées ou génériques sur des sujets de niche, et pourquoi un contenu web à jour et bien structuré reste important pour la visibilité fondée sur la récupération.
C'est l'une des raisons pour lesquelles la visibilité dans les moteurs IA dépend davantage de la facilité avec laquelle un modèle peut récupérer et citer du contenu récent que de son entraînement statique, le réentraînement ou l'affinage se produisant bien moins souvent que les mises à jour de contenu d'une marque.
Foire aux questions
Une marque peut-elle affiner ChatGPT ou Perplexity pour favoriser son contenu ?
Non, les marques ne contrôlent pas l'affinage des grands assistants IA grand public ; la visibilité dépend plutôt de la facilité avec laquelle le contenu de la marque est découvrable, structuré et citable au moment de la récupération.
À quoi sert l'affinage ?
Les entreprises qui développent leurs propres applications IA affinent parfois un modèle pour une tâche spécifique, comme le support client dans un secteur donné, en utilisant leurs propres données.
En quoi l'affinage diffère-t-il de l'ancrage de l'IA ?
L'affinage se produit pendant l'entraînement et modifie le modèle lui-même ; l'ancrage se produit au moment de la réponse et fournit des faits actuels sans modifier le modèle.
L'affinage explique-t-il pourquoi les réponses IA peuvent être datées ?
En partie. Les données d'entraînement d'un modèle ont une date limite, et l'affinage ne rafraîchit pas nécessairement les connaissances générales, ce qui explique pourquoi la récupération de contenu web actuel compte pour les questions sensibles au temps.
