# Fine-tuning de LLM et RAG | Slash Digital Lab, Bogotá Source: https://slash-digital.io/fr/fine-tuning/ Intelligence artificielle 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 RAG - Quand il faut Adapters · LoRA - Règle Évaluation > hype Démarrer un projet Voir nos réalisations 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. 01 ### RAG en production Indexation, re-ranking, citations et évaluation des réponses sur vos documents réels. 02 ### 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. 03 ### Évaluation honnête Jeu de tests avec vos cas réels et comparaison coût/qualité des routes. 04 ### 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 30, prompts fixes par évaluation 3, langues évaluées 2, routes comparées : RAG et adapters 100%, décisions appuyées par des preuves En savoir plus Peoplesnap ### Du smartphone à la mosaïque DOOH, sans une seule cabine Peoplesnap est le produit photobooth de Slash Experience : une web app white-label qui transforme le téléphone du participant en activation. QR, selfie, édition IA (100+ paramètres), partage social, impression et mosaïques sur écrans d'événement. Déjà en campagne pour Mouton Cadet, La French Tech Bordeaux, CEA Marcoule, Denver Pub Crawl, With Agency, We Love Beer et CES Las Vegas 2024. En savoir plus → 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.