RAG ou ajustement fin : deux façons différentes de personnaliser un LLM

L’expression « l’entraîner avec nos données » cache deux besoins différents

Une équipe peut vouloir qu’un assistant réponde à partir de documents internes, ou qu’il produise ses réponses dans un format reproductible et suive une méthode spécialisée. Ces demandes peuvent sembler semblables en réunion, mais elles renvoient à des mécanismes techniques différents.

Les documents appelés à changer devraient généralement demeurer des documents. Dans un système source, il est possible d’en contrôler l’accès, de les versionner, de les corriger et de les supprimer. Un comportement qui doit se répéter dans de nombreuses requêtes peut tirer profit d’exemples, d’une conception soignée des instructions, d’un flux de travail fixe ou de l’ajustement fin. Il faut d’abord déterminer si l’élément manquant est la connaissance, le comportement ou les deux.

Comment fonctionne la RAG

La génération augmentée par récupération associe un modèle génératif à des renseignements externes non paramétriques. Un pipeline type divise les documents approuvés en passages, crée des représentations interrogeables, récupère les passages liés à une requête et insère le contenu sélectionné dans le contexte du modèle. Le modèle génère ensuite une réponse à partir de ses paramètres entraînés et du texte fourni.

Les travaux de recherche fondateurs sur la RAG décrivent cette méthode comme l’association de la mémoire paramétrique d’un modèle à une mémoire non paramétrique contenue dans un index externe. Dans un déploiement en entreprise, la distinction utile est opérationnelle : les documents sources demeurent hors du modèle et peuvent être mis à jour indépendamment. L’application peut aussi afficher des citations ou des liens vers les sources, mais la qualité de ces citations doit être évaluée et non présumée.

Comment fonctionne l’ajustement fin

L’ajustement fin poursuit l’entraînement d’un modèle existant à l’aide d’un jeu de données et d’un objectif sélectionnés. L’ajustement fin intégral met à jour le modèle de façon étendue et peut nécessiter une puissance de calcul et un espace de stockage considérables. Les méthodes efficaces en paramètres ne modifient qu’une plus petite partie du système.

La méthode LoRA, par exemple, fige les poids préentraînés et ajoute des matrices de faible rang entraînables aux couches du modèle. Elle réduit ainsi le nombre de paramètres à entraîner par rapport à une mise à jour complète du modèle de base. Elle n’élimine toutefois pas la nécessité de disposer d’un jeu de données représentatif, d’un processus d’évaluation, d’un contrôle des versions ni du droit d’utiliser le matériel d’entraînement.

L’ajustement fin peut façonner la manière dont un modèle répond, mais il ne remplace pas de façon fiable une base de données évolutive. Si un manuel du personnel change la semaine prochaine, remplacer le document approuvé dans un système de récupération est plus direct que de tenter de modifier un fait encodé dans les paramètres.

Tableau décisionnel : RAG ou ajustement fin

La RAG comporte ses propres modes de défaillance

Un système de récupération peut omettre le bon passage, récupérer une version désuète, franchir la limite d’autorisation d’un utilisateur ou transmettre trop de texte non pertinent. Un modèle peut également mal interpréter une source pourtant correctement récupérée. Évaluer uniquement la réponse finale rend la défaillance difficile à localiser.

Testez séparément la récupération et la génération. Consignez si la bonne source était accessible, si le système de récupération l’a sélectionnée, si les autorisations ont été respectées et si la réponse était étayée. Conservez les identifiants et les versions des sources. Une réponse formulée avec assurance et assortie d’une citation décorative ne prouve pas que la source l’appuie réellement.

L’ajustement fin présente d’autres risques

Les exemples d’entraînement peuvent être de piètre qualité, non représentatifs, dupliqués ou non autorisés. Un modèle ajusté peut améliorer un comportement tout en en affaiblissant un autre. Les renseignements sensibles peuvent devenir difficiles à repérer ou à supprimer une fois intégrés aux paramètres appris. Les adaptateurs et les points de contrôle deviennent eux aussi des actifs régis qui nécessitent du stockage, un contrôle d’accès et une traçabilité.

Un ensemble d’évaluation propre et distinct est essentiel. Les équipes devraient tester le modèle de base, les instructions ou flux de travail proposés et le modèle ajusté sur des exemples réservés qui reflètent l’utilisation réelle. La seule perte d’entraînement ne démontre ni la valeur commerciale ni la sûreté du comportement.

La confidentialité dépend de l’endroit où s’exécute l’ensemble du pipeline

La RAG peut fonctionner localement, mais elle peut aussi récupérer des documents locaux et envoyer les passages sélectionnés à une API étrangère. L’ajustement fin peut s’effectuer sur du matériel contrôlé, tout comme un jeu de données peut être téléversé chez un fournisseur. L’étiquette de la méthode ne détermine pas la frontière des données.

Cartographiez l’ingestion et l’analyse des documents, les plongements vectoriels, les index, les instructions, l’exécution du modèle, les journaux de sortie, les données d’évaluation et les sauvegardes. Appliquez les autorisations du système source pendant la récupération plutôt que de supposer que toute personne autorisée à utiliser l’agent conversationnel peut consulter chaque document indexé. Pour les organisations canadiennes qui traitent des renseignements personnels, l’architecture peut soutenir la gouvernance, mais elle n’établit pas à elle seule la conformité. Une évaluation des facteurs relatifs à la vie privée et un examen juridique peuvent tout de même être indiqués.

Un ordre d’exécution pratique

1. Définissez une tâche et un ensemble d’exemples représentatifs pouvant être révisés.
2. Établissez un point de référence avec le modèle de base et des instructions simples.
3. S’il manque des connaissances, créez un prototype de récupération et mesurez la sélection des sources.
4. Si le comportement demeure irrégulier, testez des flux de travail structurés avant d’ajouter un entraînement.
5. N’effectuez un ajustement fin qu’avec des données régies, une hypothèse claire et une évaluation sur des exemples réservés.
6. Consignez les versions du modèle, du jeu de données, de l’adaptateur, de l’index et des sources afin de pouvoir reproduire les résultats.

Cette séquence évite de traiter l’ajustement fin comme un rituel. La bonne amélioration consiste parfois à mieux gérer les documents, à corriger les autorisations de récupération ou à établir une règle logicielle explicite.

Foire aux questions

La RAG entraîne-t-elle le modèle avec mes documents?

Non. Un pipeline RAG conventionnel récupère des passages sélectionnés et les fournit comme contexte d’inférence. Les documents et l’index demeurent séparés des poids du modèle de base.

L’ajustement fin peut-il ajouter des faits actuels?

Les exemples d’entraînement peuvent influencer les résultats du modèle, mais l’ajustement fin constitue généralement un mauvais mécanisme de gestion documentaire pour des faits qui changent ou qui doivent pouvoir être supprimés directement et retracés.

Peut-on combiner la RAG et l’ajustement fin?

Oui. Un modèle ajusté peut exécuter une tâche spécialisée ou respecter un format précis, tandis que la récupération fournit du matériel source actuel. Les deux composantes doivent tout de même être évaluées séparément.

Sources primaires consultées le 24 août 2026 : Lewis et coll., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks; Hu et coll., LoRA; Google, Fine-tuning, distillation and prompt engineering; NIST AI 600-1, Generative AI Profile.