← Blog
Un livre lavande ouvert avec une loupe à manche orange posée sur une page.
Publié le
2026-11-13

RAG ou fine-tuning : quel changement pour votre IA ?

Le RAG et le fine-tuning modifient des parties différentes d’une application d’IA. La génération augmentée par récupération fournit des éléments pertinents au moment de répondre à une requête. Le fine-tuning utilise des exemples d’entraînement pour modifier les paramètres du modèle, ou des adaptateurs entraînables, afin de changer son comportement sur les requêtes suivantes. Les deux approches peuvent être combinées.

Pour des politiques ou une documentation produit qui évoluent, commencez par vérifier comment l’application trouve et utilise les informations actuelles. Pour une tâche stable avec des erreurs de comportement répétées, envisagez le fine-tuning après avoir testé une consigne claire et des exemples adaptés. La question utile est de déterminer quel changement répond aux échecs observés.

Que modifie chaque approche ?

Les travaux initiaux sur le RAG (en anglais) combinaient un modèle de langage avec des éléments récupérés dans un index externe. Dans une application, la réponse peut donc dépendre d’informations fournies au moment de la requête. Actualiser les sources ne nécessite pas de réentraîner le générateur, mais l’ingestion, l’indexation et la mise à jour des caches restent nécessaires.

Le fine-tuning modifie le comportement appris par un entraînement. L’ajustement complet et les méthodes économes en paramètres ont des besoins différents. Par exemple, LoRA entraîne de petites matrices de mise à jour (en anglais) en gardant la matrice de poids d’origine figée. Cette opération diffère de l’ajout d’un document dans une requête.

ChoixCe qui changeUne raison de le testerCe qu’il ne démontre pas
Consigne de référenceInstructions, exemples et contexte fourni.La tâche est imprécise ou quelques exemples pourraient corriger un comportement irrégulier.Que chaque entrée produira une réponse correcte ou valide.
RAGPréparation des documents, recherche, contexte sélectionné et utilisation dans la génération.Les réponses nécessitent des informations actuelles ou propres aux sources.Que la recherche est correcte, les permissions appliquées ou les citations pertinentes.
Fine-tuningParamètres ou adaptateurs du modèle à partir d’exemples sélectionnés.Une tâche stable présente des erreurs répétées malgré des changements plus simples.Que les nouveaux faits ou changements de droits d’accès seront automatiquement pris en compte.
RAG et fine-tuningLe parcours des sources et le comportement appris du modèle.Des expériences séparées montrent l’utilité des deux changements.Que le système combiné progressera sans nouvelle évaluation.

Cette distinction aide à décider ; elle ne signifie pas que le fine-tuning ne peut pas apprendre des faits. Il peut encoder de l’information, sans pour autant transformer les paramètres entraînés en registre fiable de données fréquemment modifiées ou de permissions par utilisateur. De même, le RAG nécessite un modèle capable d’exploiter les éléments récupérés.

Diagnostiquer trois échecs d’un même assistant de support

Imaginons un assistant fictif qui aide les équipes de support à répondre à partir de manuels et de politiques. Il prépare des réponses soumises à une personne et ne peut pas modifier les dossiers clients. Les cas suivants sont illustratifs : aucune expérience d’entraînement ou de recherche documentaire n’a été réalisée pour ce guide.

Échec 1 : la réponse utilise une ancienne politique

L’assistant annonce un délai de retour de 30 jours alors que la politique fictive actuelle prévoit 14 jours. Inspectez la requête avant de décider d’un fine-tuning. Le document actuel a-t-il été ingéré ? La recherche a-t-elle sélectionné l’ancienne version ? Un cache a-t-il renvoyé une réponse antérieure ? Le modèle a-t-il ignoré le bon passage fourni ?

Les réponses appellent des changements différents. Corriger la responsabilité documentaire, les métadonnées de version, l’ingestion ou l’invalidation du cache peut résoudre un problème de source périmée. Si le modèle reçoit la bonne source et la contredit encore, testez des instructions d’utilisation des sources plus claires et les capacités du modèle. Un entraînement sur la politique d’hier laisserait le même problème de maintenance au prochain changement.

Échec 2 : le document nécessaire n’est pas retrouvé

Un technicien utilise l’ancien nom d’un produit, tandis que le manuel emploie un nouvel identifiant. L’assistant ne trouve pas les instructions pertinentes. Examinez les résultats récupérés, la requête, les métadonnées, le découpage des documents et les filtres d’accès.

Testez un changement ciblé, comme l’ajout d’alias validés dans les métadonnées ou l’adaptation de la méthode de recherche, avec les mêmes questions. Préservez les contrôles de permissions. Un résultat exclu faute de droit d’accès diffère d’un document manqué par la recherche. Pour approfondir la recherche et la latence, consultez notre guide des performances RAG.

Échec 3 : les faits sont corrects, mais la structure ne convient pas

Les équipes ont besoin de trois champs : problème, prochaine action proposée et source. L’assistant renvoie un long récit. Testez d’abord des instructions explicites, des exemples représentatifs et les fonctions de sortie structurée prises en charge. Validez les champs obligatoires dans le code applicatif ; un format correct peut encore contenir des affirmations fausses.

Si la tâche est stable et le comportement reste irrégulier, préparez une expérience de fine-tuning avec des exemples relus du résultat attendu. N’utilisez pas des conversations de support non vérifiées simplement parce qu’elles sont disponibles. Elles peuvent contenir des erreurs, des informations privées, des styles incohérents ou des résultats à ne pas reproduire.

Préparer l’évaluation avant le prochain changement

Rassemblez des échecs représentatifs et précisez les conditions d’une bonne réponse. Pour chaque cas, conservez la question, les sources autorisées, le comportement attendu, le rôle utilisateur et la catégorie d’échec. Faites relire les réponses attendues par une personne qui connaît la tâche de support.

Séparez les exemples d’entraînement, les cas de développement servant à choisir les réglages et un jeu de test tenu à l’écart. Écartez les quasi-doublons du test final et ne réglez pas continuellement le système en fonction de ce jeu. Lorsque les informations changent, incluez des versions documentaires ultérieures pour révéler les réponses périmées.

VérificationÉléments à comparerMotif d’arrêt ou de révision
Faits actuelsExactitude par rapport à la version approuvée, y compris les politiques modifiées.La réponse répète une information remplacée.
RecherchePrésence du passage autorisé nécessaire dans le contexte du modèle, séparément de la qualité finale.Le système manque la source ou fournit du contenu non pertinent.
Réponses étayéesJustification de chaque affirmation importante par les éléments cités.Une réponse plausible cite une source qui ne l’étaye pas.
Comportement et formatRéalisation de la tâche, champs requis, incertitude appropriée et transfert à un humain.Une structure valide masque un contenu faux, ou l’absence d’information devient une réponse inventée.
Accès et traitement des donnéesCas autorisés et refusés, permissions modifiées, documents retirés et copies conservées.Du contenu non autorisé atteint le modèle ou l’utilisateur.
Coût et rapidité du serviceLatence de bout en bout, échecs, corrections humaines et coût par réponse acceptée.Le changement manque les limites convenues ou reporte trop de travail sur les relecteurs.

Fixez les critères d’acceptation avant de comparer les résultats. Présentez chaque catégorie d’échec séparément pour qu’une meilleure moyenne ne masque pas une régression grave. Gardez les erreurs et les délais dépassés dans le dénominateur. Un jeu fini de tests éclaire une décision ; il ne prouve pas que toutes les futures requêtes réussiront.

Comparer de façon à identifier ce qui a aidé

Conservez le modèle initial, les questions et les réglages de génération pour tester une modification de consigne ou de recherche, sauf si l’un de ces éléments est la variable étudiée. Consignez les versions et sauvegardez les sorties. Si les résultats varient entre exécutions, répétez la comparaison et présentez cette variation.

  1. Établissez une référence avec des instructions claires et le contexte autorisé par la tâche.
  2. Testez le plus petit changement adapté à l’échec observé, comme un filtre de version documentaire ou un meilleur exemple de réponse.
  3. Évaluez le fine-tuning lorsque les erreurs restantes, les données disponibles et le bénéfice attendu le justifient.
  4. Si vous combinez recherche et adaptation, comparez le système combiné à chaque composant utile pris séparément.
  5. Examinez la qualité, les permissions, l’exploitation, la latence et les coûts avant de choisir l’étape de déploiement suivante.

La référence peut contenir un contexte sélectionné manuellement pour le diagnostic. Indiquez cette condition : des sources fournies à la main ne démontrent pas que la recherche en production fonctionne. Elles peuvent aider à distinguer un échec de recherche d’un échec de génération.

Si fournir un petit ensemble de documents suffit, comparez cette approche avant de construire un index. Notre guide contexte long ou RAG traite ce choix distinct. Si l’adaptation se justifie, le guide du fine-tuning LoRA aborde la mise en œuvre.

Peut-on combiner RAG et fine-tuning ?

Oui. Un passage récupéré peut apporter une source actuelle tandis qu’un générateur ajusté suit un schéma de réponse appris. La comparaison du RAG et du fine-tuning par AWS (en anglais) évoque leur utilisation conjointe. Traitez cette combinaison comme une nouvelle hypothèse à tester.

Pour l’assistant fictif, l’équipe pourrait améliorer la recherche des manuels actuels, puis entraîner le modèle sur des exemples relus de réponses étayées. Le modèle a toujours besoin du bon contexte et l’application doit toujours gérer les autorisations. Le composant supplémentaire se justifie si le bénéfice mesuré dépasse son travail d’entraînement, d’évaluation et de maintenance.

Ne pas confier les permissions au jugement du modèle

Appliquez les droits documentaires avant d’envoyer du contenu restreint au modèle. Ne vous reposez pas sur une consigne lui demandant de le cacher à certains utilisateurs. Pour les données de fine-tuning, déterminez si l’information doit entrer dans les paramètres du modèle, notamment lorsque les accès diffèrent entre utilisateurs ou peuvent être révoqués.

Le guide OWASP sur l’injection de prompt (en anglais) rappelle que ni le RAG ni le fine-tuning ne l’empêchent complètement. Testez des instructions non fiables intégrées aux documents, limitez les privilèges applicatifs et validez les sorties avant les actions en aval. Une citation est un élément à examiner, pas un contrôle d’autorisation.

Budgéter l’ensemble du changement

Pour le RAG, incluez l’extraction, l’indexation, le stockage, la recherche, le reclassement éventuel, les tokens de contexte, les mises à jour documentaires et la maintenance des accès. Pour le fine-tuning, incluez la revue des données, les essais d’entraînement, l’évaluation, le stockage du modèle ou des adaptateurs, le déploiement et les réentraînements futurs. Les deux approches continuent à générer des coûts d’inférence et d’exploitation.

Comparez le coût par réponse acceptée pour une charge de travail définie, en incluant les échecs et la correction humaine. Des requêtes plus courtes ou de petits adaptateurs ne suffisent pas à démontrer une économie. Si la tâche manque de sources fiables ou d’un relecteur capable de juger l’exactitude, résolvez ce préalable avant d’acheter davantage de capacité.

Présenter un problème défini à Hivenet

Private AI avec Hivenet part de la charge de travail, des données, des exigences du modèle et du périmètre d’exploitation. Apportez des réponses erronées représentatives, des données que vous êtes autorisé à utiliser, le trafic attendu et les critères d’acceptation. Ces éléments permettent d’évaluer la place de la recherche, de l’adaptation, de l’inférence managée ou du calcul exploité par votre équipe dans la solution envisagée.

Pour une application documentaire, RAG avec Hivenet présente les infrastructures et les accompagnements disponibles. Confirmez les responsabilités exactes d’ingénierie, d’hébergement, de localisation et d’assistance du projet. Choisissez la prochaine expérience à partir des preuves, puis dimensionnez l’infrastructure en conséquence.

Votre prochaine charge de travail sur Hivenet.

Choisissez une charge de travail d’IA, de calcul ou de stockage à tester sur Hivenet, ou échangez avec notre équipe sur sa mise en production.