RAG en production
Indexation, re-ranking, citations et évaluation des réponses sur vos documents réels.
Intelligence artificielle
Fine-tuning et RAG : du jugement, pas des recettes
RAG quand le savoir doit rester à jour et que les citations comptent. Fine-tuning quand le style, la langue ou une compétence étroite ne tiennent pas dans le contexte. Hybride quand les deux sont vrais.
Par défaut RAGQuand il faut Adapters · LoRARègle Évaluation > hype
En bref
Slash Digital Lab choisit entre fine-tuning de LLM et RAG selon vos contraintes, pas par recette. Si vos données changent chaque jour, RAG. Si le ton ou le format doivent être les vôtres, fine-tuning. Si la conformité exige garder le savoir en interne, inférence locale avec modèles ouverts.
Lisez le critère complet dans Fine-tuning vs RAG et la sélection de modèles dans Comment nous choisissons un modèle. Pour une IA privée sur vos serveurs : dimensionner votre propre serveur d'IA et les modèles open-weight en 2026.
Ce que nous livrons
Ce que nous construisons
Le chemin le moins cher qui atteint la barre de qualité ; le reste, c'est de la marge de consultant.
Fine-tuning utile
Adapters LoRA pour le style, le format ou des tâches étroites ; sans brûler d'argent sur ce que le RAG règle déjà.
Évaluation honnête
Jeu de tests avec vos cas réels et comparaison coût/qualité des routes.
Confidentialité
Résidence des données, inférence locale ou VPC quand la conformité l'exige.
Notre méthode
Comment nous décidons et construisons
Contraintes
Données, langues, budget et conformité : le cadre avant le modèle.
Référence
Nous testons le meilleur modèle générique ; c'est la règle de mesure.
Expérimentation
RAG et/ou adapters sur la référence avec métriques comparables et coût par exécution.
Décision
La route la moins chère qui atteint la barre, documentée. Sinon, nous le disons.
Périmètre et livrables
Ce que le projet livre
| Analyse des contraintes | Données, langue, budget et conformité, par écrit. |
|---|---|
| Référence | Le meilleur modèle générique évalué sur vos cas. |
| Expérimentation | RAG et adapters avec métriques et coûts comparables. |
| Recommandation | La route choisie avec coût estimé et risques. |
| Implémentation | Un pipeline de production si vous continuez. |
| Documentation | Le critère, documenté et partageable. |
La preuve en production
Le critère, appliqué
30prompts fixes par évaluation
3langues évaluées
2routes comparées : RAG et adapters
100%décisions appuyées par des preuves
Questions fréquentes
Les questions qu'on nous pose souvent
Quand le fine-tuning n'est-il PAS la réponse ?
Quand le problème est un savoir manquant ou changeant : le RAG le règle moins cher et plus sûr.
Travaillez-vous avec des modèles ouverts ?
Oui, y compris inférence locale avec GLM, Qwen, Mistral ou d'autres si la conformité l'exige.
Combien coûte une expérimentation ?
Chiffrée en sprints ; la découverte fixe la taille. Écrivez-nous avec votre cas.
Les résultats s'amélioreront-ils en espagnol ?
Nous évaluons explicitement l'espagnol de votre métier ; c'est un axe du lab.
Quand recommandez-vous l'hybride ?
Quand le style doit être le vôtre et que la donnée bouge : adapters pour le style, RAG pour le savoir.
De quelles données avons-nous besoin pour un fine-tuning ?
D'exemples réels de votre cas, relus par un expert et anonymisés s'ils contiennent des données personnelles ; vos cas servent aussi de jeu de tests. Avant, nous écrivons vos contraintes de données, de langue, de budget et de conformité, car le RAG règle souvent le problème à moindre coût et risque.
Nos données doivent-elles sortir de l'entreprise ?
Pas forcément. Si la conformité exige de garder le savoir en interne, nous utilisons des modèles ouverts en inférence locale, dans votre VPC ou sur votre propre matériel. Et les prompts clients ne sont jamais publiés : seuls la méthode et les conclusions vont dans /insights/.
Quels coûts après l'entraînement ?
Servir le modèle, à l'usage ou sur GPU dédié, et le maintenir : quand le modèle de base est retiré ou que vous changez de fournisseur, il faut un nouveau cycle d'entraînement et d'évaluation. C'est pourquoi nous comparons coût et qualité de chaque route, RAG ou adapters, avant d'en recommander une.
Poursuivre par ici
Et ensuite ?
AI Lab
Slash AI Lab
Le laboratoire où nous évaluons les modèles et publions la méthode.
En savoir plus→ IAIntelligence artificielle
IA appliquée aux opérations réelles : agents, RAG, vision, voix et automatisation.
En savoir plus→ Agents et ingénierieFine-tuning vs RAG : le critère
Quand le RAG, quand le fine-tuning et quand un hybride : l'ordre de décision avant de payer un entraînement.
En savoir plus→ ConseilConseil IA
Diagnostic et architecture avant de construire. Feuilles de route actionnables.
En savoir plus→
Parler à Slash
Mettons-le en production
Racontez-nous votre défi. Nous répondons sous 24 heures ouvrées avec une première lecture honnête : si nous pouvons aider, nous dirons comment ; sinon, nous dirons qui peut.
Je réponds en personne. Pas de formulaires interminables ni de réponses automatiques.