Comment appelle-t-on la seconde approche, l'entraînement sur des exemples ?

Le réglage fin (fine-tuning) consiste à reprendre un modèle d'IA généraliste déjà entraîné et à poursuivre son entraînement sur un ensemble d'exemples plus restreint et plus ciblé, propre à une tâche ou à un style précis, en ajustant les paramètres internes du modèle afin qu'il intègre directement cette compétence ou ce ton dans la façon dont il génère ses réponses. Cela diffère du simple fait de changer la formulation de ses instructions, car le réglage fin modifie le modèle sous-jacent lui-même, et non seulement l'entrée qu'on lui envoie.

L'incitation (prompting) est l'alternative plus légère : concevoir des instructions ou des exemples astucieux pour guider le comportement d'un modèle généraliste sans changer le modèle lui-même, ce qui est rapide et peu coûteux, mais limité. Le streaming désigne l'affichage progressif d'une réponse à mesure qu'elle est générée, une question distincte liée à la restitution de la sortie, et non à la manière dont un modèle apprend.

Le réglage fin peut être plus coûteux et plus long que l'incitation, car il exige un réentraînement sur des exemples soigneusement sélectionnés, mais il peut ancrer des connaissances ou des comportements spécialisés bien plus profondément qu'une simple incitation astucieuse, ce qui explique pourquoi les entreprises effectuent souvent un réglage fin de leurs modèles pour des domaines professionnels précis.