Fine-Tuning & LoRA Personnaliser un modèle sans usine à gaz n’est pas un livre “buzzword” sur les LLM. C’est un guide terrain, pensé pour ceux qui veulent adapter un modèle à un style ou un domaine (support, entreprise, FAQ, ton pédagogique…) sans se noyer dans la théorie, ni monter une usine à gaz. Tu t’es déjà demandé : Quand choisir RAG et quand choisir Fine-tuning / LoRA ? Comment construire un dataset propre (sans secrets, sans données toxiques) ? Comment entraîner “léger” sans tout casser (LR, batch, epochs) ? Comment vérifier que ton modèle n’hallucine pas et ne fuit pas d’infos ? Et surtout : comment déployer proprement avec versions + rollback ? Dans ce volume, tu avances pas à pas, avec des analogies simples, des checklists, et des mini-labs concrets : Une matrice de décision RAG vs LoRA (règle terrain) Dataset “bon vs toxique” + templates JSONL prêts à remplir LoRA expliqué comme un plug-in sur un modèle de base Une “recette” d’entraînement claire (LR/batch/epochs + r/alpha/dropout) Une batterie d’évaluation + un score /5 (base vs LoRA) Une mini red team (prompt injection, fuite, demandes interdites) Déploiement pro : charger adaptateurs, versionner, rollback en minutes Projet final complet : Assistant Support entreprise (contrat, dataset, train, eval, red team, deploy) Résultat : tu ne repars pas avec de la théorie abstraite, mais avec une méthode reproductible : contrat → dataset → LoRA → tests → sécurité → déploiement. Si tu veux personnaliser un LLM de manière sérieuse, livrable et maintenable, ce livre te donne exactement ce qui manque dans la plupart des tutos : la discipline, les garde-fous, et la logique produit.
