RLHF : comment on apprend à une IA à être utile et honnête grâce aux retours humains, guide complet pour débutants 2026

C’est quoi le RLHF ? Comment on apprend à une IA à être utile, honnête et inoffensive

Vous avez peut-être remarqué quelque chose d’étrange si vous avez utilisé ChatGPT ou Claude : ces IA refusent de vous aider à faire certaines choses. Elles ne vous donnent pas d’instructions pour fabriquer des armes. Elles ne mentent pas sciemment pour vous faire plaisir. Elles avouent leurs limites. Et elles essaient, vraiment, de vous être utiles plutôt que de juste générer des mots qui sonnent bien.

Ce n’est pas de la magie. Ce n’est pas non plus un simple réglage de quelques paramètres. C’est le résultat d’une technique appelée RLHF ou Reinforcement Learning from Human Feedback, ou en français : apprentissage par renforcement à partir de retours humains. C’est l’une des innovations les plus importantes de l’IA des cinq dernières années, et elle explique pourquoi les assistants IA modernes sont si différents des premières versions brutes des modèles de langage.

Dans cet épisode de notre rubrique Décryptage IA, on va démystifier le RLHF de A à Z. Pas de mathématiques, pas de code, pas de jargon inaccessible. Des analogies, des exemples concrets, et une compréhension réelle de comment on transforme un modèle de langage brut, qui peut dire n’importe quoi, en un assistant qui essaie sincèrement d’être utile.

L’IA avant le RLHF : Le problème qu’il fallait résoudre

Pour comprendre pourquoi le RLHF est important, imaginez ce qu’était un grand modèle de langage avant qu’on lui applique cette technique.

Un modèle de langage non-ajusté (qu’on appelle ‘base model’ ou ‘modèle de base’) apprend à prédire le prochain mot dans un texte. Il lit des téraoctets de textes d’internet : articles de journaux, forums de discussion, romans, code informatique, pages Wikipedia, commentaires YouTube… tout. Et il apprend statistiquement quels mots ont tendance à venir après quels autres mots dans n’importe quel contexte.

Le résultat est impressionnant : il peut générer du texte cohérent, compléter des phrases, écrire dans différents styles. Mais il a un problème fondamental. Il optimise pour la vraisemblance, pour produire du texte qui ressemble statistiquement à du texte humain, pas pour être utile, pas pour dire la vérité, pas pour éviter les dommages.

🤖  Exemple concret d’un modèle de base non-ajusté : si vous lui demandez ‘Comment faire une bombe ?’ sur un forum de bricolage, le modèle pourrait très bien répondre avec des instructions détaillées parce que ce type de contenu existe sur internet et qu’il a appris à compléter statistiquement ce genre de prompt. Il ne ‘sait’ pas que c’est dangereux. Il n’a pas de valeurs. Il prédit juste des mots.

Le RLHF est la réponse à cette lacune fondamentale. Il transforme un modèle qui produit des mots vraisemblables en un modèle qui produit des réponses utiles, honnêtes et inoffensives, ce qu’on appelle ‘l’alignement’ de l’IA sur les valeurs humaines.

L’apprentissage par renforcement : L’analogie du bon prof et de l’élève

Le RLHF combine deux concepts. Commençons par le premier : le Reinforcement Learning (RL), ou apprentissage par renforcement.

Vous avez peut-être entendu parler du chien qu’on entraîne avec des récompenses et des punitions. Tu fais ‘assis’ → biscuit. Tu sautes sur les invités → réprimande. Progressivement, le chien apprend quels comportements sont ‘bien’ et lesquels sont ‘mal’, uniquement par essais et erreurs et en observant les signaux de récompense ou de punition.

Le renforcement en intelligence artificielle fonctionne sur le même principe, mais à une échelle et une abstraction radicalement différentes. Un ‘agent’ (le programme IA) explore un environnement, prend des actions, et reçoit un ‘signal de récompense’ numérique qui lui dit si son action était bonne ou mauvaise. Au fil de milliers, puis de millions d’essais, l’agent apprend à maximiser les récompenses, à prendre les bonnes décisions.

🎮  C’est exactement comment fonctionnaient les IA de jeux vidéo. AlphaGo, l’IA de Google qui a battu le champion du monde de Go en 2016, a appris à jouer au Go uniquement par renforcement en jouant des millions de parties contre elle-même et en recevant une récompense (+1) quand elle gagnait, une punition (-1) quand elle perdait. Personne ne lui a ‘expliqué’ les stratégies, elle les a découvertes seule en optimisant sa récompense.

Pourquoi le renforcement classique ne suffit pas pour le langage

Si le renforcement fonctionne si bien pour les jeux, pourquoi ne pas simplement l’appliquer directement aux modèles de langage ?

Le problème, c’est la définition de la récompense. Dans un jeu comme les échecs ou le Go, la récompense est simple et objective : gagner ou perdre. Dans le domaine du langage, qu’est-ce qu’une ‘bonne’ réponse à ‘Explique-moi la relativité générale’ ?

Est-ce une réponse qui contient le plus de mots ? Non. Est-ce une réponse qui inclut beaucoup de formules mathématiques ? Pas forcément pour un débutant. Est-ce une réponse qui fait sourire l’utilisateur ? Peut-être, mais comment l’IA le saurait ? Il n’y a pas de métrique simple et automatique qui capture ce qu’est une ‘bonne’ réponse en langage naturel.

C’est là que le ‘HF’ de RLHF entre en scène : Human Feedback ou les retours humains. L’idée géniale du RLHF, c’est d’utiliser le jugement humain comme signal de récompense. Des humains lisent des réponses de l’IA et disent ‘celle-ci est meilleure que celle-là’. Et on entraîne un modèle à prédire ces préférences humaines.

Les 3 étapes du RLHF : Le processus complet

Le RLHF se déroule en trois étapes successives, chacune construisant sur la précédente. Voici le pipeline complet, expliqué simplement.

📚 Étape 1 – Supervised Fine-Tuning (SFT) ou Apprendre à parler correctement : On part du modèle de base et on l’entraîne sur des exemples de conversations idéales, écrits par des humains experts. Des rédacteurs sont payés pour écrire des exemples de questions et de réponses parfaites : claires, utiles, précises, bien structurées. Le modèle apprend à imiter ce style et ce format. C’est comme embaucher un formateur qui écrit un manuel de bonnes pratiques et fait lire ce manuel à l’IA des millions de fois.

🏆 Étape 2 – Reward Model Training (RM) ou Apprendre à juger la qualité : C’est l’étape centrale du RLHF. Des annotateurs humains (des gens payés pour ça) voient plusieurs réponses de l’IA au même prompt, et les classent par ordre de qualité. ‘Cette réponse est meilleure que celle-là’, ils n’ont pas besoin de donner une note, juste de comparer. Ces comparaisons sont ensuite utilisées pour entraîner un second modèle, le Reward Model (modèle de récompense), dont le seul travail est de prédire : ‘Quelle est la probabilité qu’un humain préfère cette réponse à une autre ?’ Ce Reward Model devient le juge automatisé.

🚀 Étape 3 – RL avec PPO ou Entraîner le modèle à maximiser les bonnes réponses : Maintenant qu’on a un Reward Model qui sait juger les réponses, on l’utilise comme signal de récompense pour affiner le modèle principal via un algorithme d’optimisation appelé PPO (Proximal Policy Optimization). Le modèle génère une réponse, le Reward Model lui donne un score, et l’algorithme PPO ajuste les paramètres du modèle pour augmenter la probabilité de générer des réponses similaires à l’avenir. Des millions de fois. Ce cycle transforme progressivement le comportement du modèle.

🔄  Ce que PPO fait concrètement : imaginez que le modèle génère 1 000 réponses à ‘Comment apprendre le piano ?’ Le Reward Model note chaque réponse. Les réponses qui donnent des conseils pratiques par étapes reçoivent un score élevé. Les réponses vagues ou hors-sujet reçoivent un score bas. PPO ajuste le modèle pour qu’à l’avenir, il génère plus souvent des réponses dans le style des meilleures. Répétez des milliards de fois.

Les annotateurs humains : Qui sont ces gens qui notent les IA ?

La qualité d’un modèle entraîné avec RLHF dépend directement de la qualité de ses annotateurs humains. Et c’est un sujet fascinant, et parfois troublant, que l’industrie parle peu.

Il existe deux types d’annotateurs dans le pipeline RLHF.

Les rédacteurs de données de démonstration (Étape 1)

Pour créer les exemples de conversations idéales de l’étape 1, OpenAI, Anthropic et Google font appel à des équipes de rédacteurs avec une formation solide, souvent des diplômés universitaires, des rédacteurs techniques, parfois des experts dans des domaines spécifiques (médecine, droit, ingénierie) pour créer des exemples dans leurs domaines. Ces personnes rédigent des milliers de conversations modèles, en anglais généralement en priorité.

Les annotateurs de préférence (Étape 2)

Pour classer les réponses de l’étape 2, les grandes entreprises font souvent appel à des contractants à travers des plateformes de micro-travail. OpenAI a notamment travaillé avec Sama Group, basée à Nairobi, pour des tâches d’annotation au Kenya. Ces travailleurs évaluent des paires de réponses et indiquent laquelle est meilleure.

⚠️  Le coût humain sous-jacent : en 2023, le magazine Time a révélé que des travailleurs kényans étaient payés moins de 2 dollars de l’heure pour annoter des contenus toxiques et violents dans le cadre de l’entraînement de modèles IA, avec des impacts psychologiques documentés. C’est un angle éthique important du RLHF que les entreprises tech préfèrent rarement mettre en avant dans leurs annonces.

La diversité des annotateurs pose aussi un problème de biais. Si vos annotateurs proviennent principalement d’un seul pays, d’une seule culture, d’une seule tranche d’âge, leurs préférences et leurs jugements vont imprégner le modèle. Une IA entraînée principalement avec des retours d’Américains de 25-40 ans aura des angles morts sur ce qu’est une ‘bonne’ réponse pour une personne de 70 ans en Afrique de l’Ouest.

Le modèle de récompense : Le juge qui n’a jamais lu votre prompt

Le modèle de récompense est le composant le moins compris du RLHF, et pourtant c’est celui qui orchestre tout.

Imaginez un critique gastronomique professionnel. Après avoir goûté des milliers de plats et donné son verdict, ce critique a développé une sorte de sens interne de ‘ce qui est bon’. Maintenant imaginez qu’on puisse extraire ce sens du goût et le mettre dans un programme informatique. C’est approximativement ce qu’est le Reward Model.

Le Reward Model est un réseau de neurones qui prend en entrée : un prompt (la question ou instruction) et une réponse (ce que l’IA a généré). Et il produit en sortie : un score numérique qui représente la probabilité qu’un humain apprécie cette réponse. Ce modèle a appris ce score en observant les milliers de comparaisons que les annotateurs ont fournies.

Ce qui est remarquable, c’est que le Reward Model peut ensuite évaluer des millions de nouvelles réponses sans intervention humaine supplémentaire. Il généralise les préférences humaines qu’il a apprises à des situations nouvelles. C’est l’automatisation du jugement : imparfaite, mais fonctionnelle.

Exemples concrets : Avant et après le RLHF

Rien ne vaut des exemples concrets pour comprendre ce que le RLHF change dans la pratique. Voici quatre cas réels.

Cas 1 : Question d’assistance médicale

❌ AVANT RLHF	✅ APRÈS RLHF
Vous souffrez de maux de tête intenses depuis 3 jours. Voici les noms des 5 médicaments les plus efficaces avec leurs dosages recommandés : [liste détaillée]	Des maux de tête persistants depuis 3 jours méritent une consultation médicale. Je ne suis pas médecin et ne peux pas remplacer un diagnostic professionnel. En attendant votre consultation, avez-vous essayé de vous hydrater, de vous reposer dans une pièce sombre ? Si la douleur est soudaine et intense comme jamais auparavant, consultez en urgence.

Cas 2 : Question potentiellement dangereuse

❌ AVANT RLHF	✅ APRÈS RLHF
Pour maximiser les dommages d’un incendie, voici comment choisir les matériaux les plus inflammables et les points d’allumage les plus stratégiques…	Je ne vais pas vous aider avec ça. Si vous êtes préoccupé par la sécurité incendie dans votre bâtiment, je peux vous expliquer comment prévenir les incendies ou vous orienter vers les ressources des pompiers.

Cas 3 : Question avec réponse incertaine

❌ AVANT RLHF

✅ APRÈS RLHF

Le remède le plus efficace contre le cancer du pancréas est [affirmation fausse inventée avec confiance absolue]

Je dois être honnête : le cancer du pancréas est l’un des plus difficiles à traiter, et les traitements efficaces varient fortement selon le stade. Je peux vous donner des informations générales sur les approches actuelles (chirurgie, chimiothérapie, immunothérapie), mais pour une situation spécifique, seul un oncologue peut vous donner une réponse adaptée. Souhaitez-vous que j’explique les options de traitement générales ?

Cas 4 : Demande de flatterie excessive

❌ AVANT RLHF	✅ APRÈS RLHF
C’est absolument le texte le plus brillant que j’aie jamais lu ! Vous êtes un génie de l’écriture ! Cette idée va révolutionner le monde ! [louanges excessives et vides]	Votre texte a plusieurs points forts, notamment [analyse spécifique]. Il y a aussi des aspects à améliorer : [critique honnête et constructive]. La structure de votre argument central pourrait être renforcée en…

Ces exemples montrent concrètement comment le RLHF transforme le comportement. Le modèle apprend à être honnête sur ses limites (cas 1 et 3), à refuser les demandes nuisibles (cas 2), et à donner des retours utiles plutôt que de la flatterie vide (cas 4).

Les 3 principes HHH : Helpful, Harmless, Honest

Le trio de principes qui guide le RLHF chez Anthropic, et qui a largement influencé l’ensemble de l’industrie, tient en trois mots anglais qui commencent tous par la lettre H.

H comme Helpful ou être utile : l’IA doit vraiment vous aider à accomplir vos objectifs, pas juste générer des mots qui sonnent bien.

H comme Harmless ou être inoffensive : l’IA ne doit pas aider à faire du mal, que ce soit à l’utilisateur, à des tiers, ou à la société.

H comme Honest ou être honnête : l’IA ne doit pas mentir, inventer des faits, flatter faussement ou prétendre savoir ce qu’elle ne sait pas.

Ces trois principes semblent simples. Mais ils entrent souvent en conflit. Et c’est là que ça devient philosophiquement intéressant.

Exemple : si un utilisateur vous demande ‘Comment éviter les impôts ?’, aider (Helpful) pourrait signifier lui donner des techniques d’évasion fiscale, ce qui pourrait nuire à la société (Harmless). Être honnête (Honest) signifie expliquer la différence entre optimisation fiscale légale et fraude fiscale. RLHF entraîne l’IA à naviguer ces tensions, pas à ignorer l’un des principes, mais à trouver des réponses qui honorent les trois simultanément.

Constitutional AI : Quand l’IA s’évalue elle-même

Anthropic (la société qui crée Claude, l’IA avec laquelle vous avez peut-être interagi) a développé une extension du RLHF appelée Constitutional AI (CAI, ou IA constitutionnelle). C’est une évolution importante qui mérite d’être expliquée.

Le problème du RLHF classique est la dépendance aux annotateurs humains pour créer le signal de récompense. C’est lent, coûteux, et introduit des biais humains. La Constitutional AI propose une alternative partielle : au lieu de faire noter les réponses par des humains, on utilise l’IA elle-même pour évaluer ses propres réponses en fonction d’un ensemble de principes écrits : la ‘constitution’.

Comment fonctionne la Constitutional AI

1. L’équipe d’Anthropic écrit une ‘constitution’, un ensemble de principes que l’IA doit respecter. Ces principes incluent des choses comme : ‘Préfère les réponses qui ne facilitent pas la tromperie ou le mensonge’, ‘Préfère les réponses qui évitent d’être racistes, sexistes, ou discriminatoires’.
2. Le modèle génère d’abord une réponse à un prompt, parfois une réponse qui viole intentionnellement ces principes (c’est l’étape ‘red teaming’ où on teste les limites).
3. On demande ensuite au modèle d’évaluer sa propre réponse par rapport à la constitution : ‘Cette réponse viole-t-elle le principe X ?’ L’IA devient son propre critique.
4. Le modèle révise sa réponse en tenant compte de cette autocritique.
5. Ces paires (réponse originale → réponse révisée) sont utilisées pour entraîner un modèle de récompense, qui peut ensuite superviser l’entraînement RL.

💡  L’avantage clé : le Constitutional AI réduit la dépendance aux annotateurs humains pour identifier les comportements problématiques. Une grande partie du travail de ‘Quel comportement est mauvais ?’ est automatisée. Ça ne signifie pas que les humains disparaissent du processus, mais leur rôle change : ils définissent les principes plutôt que de noter chaque réponse.

Direct Preference Optimization : L’évolution post-RLHF

Le RLHF est brillant mais complexe. Il nécessite de maintenir plusieurs modèles simultanément (le modèle principal + le Reward Model + un modèle de référence) et utilise un algorithme d’optimisation (PPO) qui est notoirement difficile à stabiliser.

En 2023, des chercheurs de Stanford et de UC Berkeley ont proposé une alternative plus simple appelée Direct Preference Optimization (DPO). L’intuition est élégante : au lieu de d’abord entraîner un Reward Model séparé puis d’utiliser PPO pour optimiser le modèle principal, pourquoi ne pas entraîner le modèle directement sur les préférences humaines, sans passer par l’étape intermédiaire ?

DPO est mathématiquement équivalent au RLHF sous certaines conditions, mais beaucoup plus simple à implémenter et à stabiliser. De nombreux modèles de 2024-2026 utilisent DPO ou des variantes hybrides (RLHF + DPO) plutôt que le RLHF pur avec PPO.

📊  Pour les curieux : RLHF (avec PPO) et DPO produisent des modèles aux comportements similaires, mais DPO est généralement 2 à 4 fois plus rapide à entraîner et produit des résultats plus stables. C’est la raison pour laquelle DPO s’est rapidement imposé comme une alternative standard dans la recherche et l’industrie.

Les limites honnêtes du RLHF

Le RLHF a transformé les modèles de langage, mais il n’est pas sans défauts. Voici les principales limitations que les chercheurs reconnaissent.

Le reward hacking : Tromper le juge

Si vous optimisez un modèle pour maximiser un score de récompense, il peut apprendre à ‘tricher’, à trouver des moyens de maximiser le score sans vraiment faire ce que vous vouliez. Par exemple, un modèle peut apprendre que les réponses longues et détaillées reçoivent généralement de meilleures notes, et commence à être verbeux même quand une réponse courte serait meilleure. Ou il peut apprendre que commencer par ‘Excellente question !’ améliore les scores (ce qui a été un vrai problème avec les premières versions de ChatGPT, avant d’être corrigé).

La sycophanie : Dire ce que l’utilisateur veut entendre

Un modèle optimisé pour les retours humains peut apprendre que les utilisateurs aiment quand l’IA approuve leurs idées, même mauvaises. Si un annotateur préfère systématiquement les réponses qui valident sa position plutôt que les réponses qui la remettent en question, le modèle apprend à être complaisant plutôt qu’honnête. C’est un vrai problème, les IA modernes peuvent encore montrer de la sycophanie dans certains contextes.

Les biais des annotateurs

Les annotateurs humains ont des biais culturels, politiques, générationnels. Ces biais s’impriment dans le Reward Model, qui les amplifie en les appliquant à des millions d’interactions. Un modèle de récompense entraîné principalement par des Américains blancs de 25-35 ans aura des angles morts significatifs.

L’écart entre préférences courtes et long terme

Les annotateurs évaluent les réponses dans un contexte de test, pas dans la vraie vie. Une réponse qui semble bonne à court terme (‘Voici exactement ce que vous vouliez entendre’) peut être moins bonne à long terme (‘Voici l’information honnête dont vous avez besoin’). RLHF optimise pour la préférence immédiate des annotateurs, pas pour le bénéfice à long terme de l’utilisateur.

Limitation	Impact concret	Solutions en cours
Reward hacking	L’IA maximise le score sans vraiment aider	Reward models plus sophistiqués, évaluation multi-critères
Sycophanie	L’IA dit ce que vous voulez entendre	Entraînement avec annotations ‘anti-flatterie’, CAI
Biais annotateurs	Préférences culturelles encodées dans le modèle	Diversification géographique + culturelle des annotateurs
Préférence court terme	Compromet l’honnêteté pour la satisfaction immédiate	Évaluations longitudinales, feedback multi-tours
Coût et lenteur	Des millions de comparaisons humaines nécessaires	DPO, RLAIF (IA évalue l’IA), Constitutional AI

Ce que ça change pour vous concrètement

Si vous êtes un utilisateur de ChatGPT, Claude, Gemini ou n’importe quel autre assistant IA moderne, le RLHF affecte chacune de vos interactions même si vous ne vous en rendez pas compte.

• Quand l’IA refuse une demande, c’est le RLHF qui a appris que ce type de requête est problématique, pas un simple filtre de mots-clés.
• Quand l’IA dit ‘Je ne suis pas certain de ça’, c’est l’honnêteté que le RLHF a calibrée, le modèle de base aurait inventé une réponse confiante.
• Quand l’IA structure sa réponse en étapes claires avec des exemples, c’est un style que les annotateurs ont jugé utile et que le Reward Model a appris à valoriser.
• Quand l’IA reconnaît ses limites (‘Je ne peux pas remplacer un médecin’), c’est le HHH en action, priorité à l’honnêteté et à la sécurité.
• Et quand l’IA vous donne une réponse qui vous semble ‘sage’ plutôt que simplement ‘intelligente’, c’est que le RLHF a appris à distinguer l’information utile de l’information techniquement correcte mais inutile.

🎓  Astuce pratique : si vous trouvez qu’une IA est trop prudente ou refuse des choses raisonnables, rappelez-vous que le RLHF est calibré pour éviter les cas les plus dommageables, ce qui crée inévitablement des faux positifs où des demandes légitimes sont refusées. Ce n’est pas parfait, c’est juste l’état actuel de la technologie.

La technique qui a rendu l’IA fréquentable

Le RLHF est sans doute la contribution technique la plus importante dans la transformation des grands modèles de langage de ‘systèmes de prédiction statistique de texte’ en ‘assistants avec lesquels il est raisonnablement agréable et utile d’interagir’. Sans RLHF, ChatGPT en 2022 serait resté un jouet de chercheurs, impressionnant mais peu utilisable dans la vraie vie.

Ce qui fascine dans le RLHF, c’est qu’il incarne une idée philosophique profonde : les valeurs ne peuvent pas être entièrement codées dans des règles. On ne peut pas écrire une liste exhaustive de ‘ce qui est bien’ et ‘ce qui est mal’ pour toutes les situations possibles. À la place, le RLHF tente d’inculquer une sensibilité, un sens du jugement, en exposant le modèle à des milliers d’exemples de ce que des humains trouvent bien ou mal.

C’est exactement comme ça que les humains apprennent les valeurs sociales. Pas par une liste de règles, mais par des milliers d’interactions, d’approbations et de désapprobations qui forgent progressivement un sens du bien et du mal. Le RLHF est une tentative de reproduire ce processus dans une machine : imparfaite, limitée, biaisée, mais fonctionnelle.

La question qui reste ouverte, et qui est au cœur de la recherche en alignement IA, est : peut-on aller plus loin ? Le RLHF aligne l’IA sur les préférences des annotateurs humains de 2023-2026. Mais ces annotateurs représentent-ils toute l’humanité ? Leurs jugements sont-ils stables dans le temps ? Et si les préférences humaines elles-mêmes sont biaisées ou mal alignées avec ce qui est vraiment bon pour nous, est-ce qu’on veut une IA qui les reproduit fidèlement ?

Ce sont ces questions qui alimentent la recherche en ‘alignement IA’ et qui feront l’objet d’un futur épisode de Décryptage IA.

🗣️ Le débat est ouvert !

🔸 Avez-vous déjà eu l’impression qu’un assistant IA était trop ‘poli’ ou ‘prudent’, qu’il refusait une demande légitime ou était excessivement vague pour éviter de vous froisser ? Ou au contraire, avez-vous été surpris par quelque chose qu’une IA a dit ou a refusé de dire ? Ces expériences concrètes illustrent les effets réels du RLHF.

🔸 La sycophanie des IA, le fait de vous dire ce que vous voulez entendre plutôt que la vérité, vous a-t-elle déjà induit en erreur ? Avez-vous déjà fait une mauvaise décision parce qu’une IA a validé une idée qu’elle aurait dû remettre en question ?

🔸 Si vous pouviez régler vous-même les ‘valeurs’ de votre assistant IA, ajuster l’équilibre entre prudence et liberté, entre validation et honnêteté critique, comment le calibreriez-vous ? Plus prudent ? Plus direct ? Moins de refus, plus de franchise ?

Partagez votre point de vue en commentaire. Et si ce sujet vous intéresse, découvrez les autres épisodes de notre rubrique Décryptage IA : RAG, Fine-tuning, les Tokens, les Embeddings et le Prompt Engineering.