Dans cet article
L’essentiel
Le RAG fournit des informations au moment de répondre. Le fine-tuning adapte un comportement appris à partir d’exemples. Identifiez d’abord si l’échec vient des connaissances, de la tâche demandée ou de l’application.
Deux échecs qui se ressemblent en apparence
Prenons un assistant qui cite la garantie de l’année précédente. Prenons maintenant un assistant qui possède les bonnes conditions, mais produit un format inutilisable. Les deux répondent mal ; pourtant le premier manque de preuves applicables, tandis que le second maîtrise mal un comportement répétitif. Investir dans un entraînement élaboré avant de les distinguer risque de traiter le mauvais problème.
Rassemblez les échecs et inspectez les informations réellement reçues par le modèle. Si la politique actuelle était absente, commencez par la recherche ou une consultation applicative. Si elle était présente, contrôlez les consignes, le format de sortie et la difficulté de la tâche avant d’envisager un entraînement. Ce diagnostic fournit aussi votre référence de comparaison.
Ce que la recherche apporte à la réponse
Dans un fonctionnement RAG, l’application recherche des passages pertinents et les ajoute au contexte utilisé pour produire la réponse. Une collection documentaire devient ainsi accessible sans inscrire chaque révision dans les paramètres du modèle. Cela ne garantit ni l’indexation du dernier document, ni la sélection du bon passage, ni la fidélité de la réponse.
Pour des questions de garantie, associez produit, pays et date d’effet à chaque source. Ne recherchez que les éléments accessibles à l’utilisateur et affichez le passage justificatif. Si la question concerne une livraison en cours, consultez plutôt le système opérationnel : un document indexé périodiquement remplace mal une transaction actuelle faisant autorité.
Connaissances ou comportement ?
Deux leviers distincts ; un projet peut combiner les deux.
RAG
Rechercher des preuves actuelles au moment de la question. Maintenir sources, droits et citations.
Fine-tuning
Adapter le comportement avec des exemples d’entraînement. Maintenir le jeu de données et évaluer le modèle obtenu.
Ce que l’entraînement peut traiter
Le fine-tuning utilise des exemples pour adapter un modèle compatible à une tâche ou à un comportement de réponse. Un candidat possible est le classement régulier de messages variés dans une nomenclature métier stable, après évaluation de consignes plus simples. Les exemples doivent représenter les distinctions recherchées, avec les cas ambigus et hors périmètre. Répéter quelques réponses soignées ne constitue pas un jeu représentatif.
Conservez une évaluation séparée, jamais utilisée pour l’entraînement. Comparez modèle adapté et modèle initial sur la qualité, la latence, le coût d’usage et la maintenance. Une nomenclature modifiée peut nécessiter une nouvelle annotation et un nouvel entraînement. Le fine-tuning ne crée pas à lui seul les droits documentaires, les citations actuelles ou l’accès aux données opérationnelles.
Une séquence de décision pour l’assistant garantie
Partez d’un ensemble de questions réelles et des preuves nécessaires pour y répondre. Vérifiez si une requête applicative, une interface de recherche ou un modèle avec des consignes simples suffit. Introduisez la recherche lorsque les connaissances utiles ne peuvent pas tenir de manière fiable dans une instruction fixe. Corrigez les métadonnées et la recherche avant de changer le modèle de génération.
Testez ensuite si un défaut de comportement persistant justifie un fine-tuning. Combiner les méthodes peut être pertinent si sélection des preuves et régularité des réponses posent problème, mais évaluez chaque ajout séparément. Sinon, une amélioration documentaire peut être attribuée à tort à l’entraînement, laissant un composant coûteux dont personne ne sait expliquer l’apport.
Choisir l’intervention selon l’échec
Une aide au diagnostic, pas un classement universel des méthodes.
Faites défiler horizontalement pour lire le tableau →
| Problème observé | Première vérification | Intervention possible |
|---|---|---|
| Politique absente du contexte | Est-elle indexée, autorisée et retrouvable ? | Recherche et cycle documentaire |
| Donnée actuelle nécessaire | Quel système possède la valeur actuelle ? | Consultation API autorisée |
| Classement irrégulier | Les classes et consignes sont-elles claires ? | Consignes de référence, puis évaluer l’entraînement |
| Information interdite retournée | Où l’autorisation est-elle appliquée ? | Corriger les contrôles applicatifs |
Comparer le coût du changement, pas seulement la démonstration
Décrivez ce qui se passe lorsqu’une politique change, qu’un document disparaît, qu’une catégorie est renommée ou qu’une langue est ajoutée. Le RAG demande ingestion, indexation, recherche et évaluation. Le fine-tuning demande préparation des exemples, entraînement, gestion des versions et non-régression. Les deux nécessitent une application qui gère identité, erreurs et retours utilisateurs.
Le premier investissement utile est souvent un jeu d’évaluation partagé, avec preuves attendues et raisons des échecs. Il reste pertinent lorsque fournisseur et architecture changent. Vous pouvez alors choisir à partir de votre charge réelle, plutôt que d’opposer deux étiquettes ou de supposer qu’une méthode est toujours moins chère.
Sources et lectures complémentaires
Documentation consultée le .
FAQ / DÉCISIONS
Questions fréquentes
Le RAG est-il moins cher que le fine-tuning ?+
Pas automatiquement. Comparez ingestion, recherche, usage modèle, évaluation, exploitation et fréquence des changements avec l’alternative fine-tuning.