Services
Nous fine-tunons des grands modèles de langage pour les équipes produit qui ont dépassé le prompt engineering et le RAG. SFT, DPO, ORPO, LoRA et QLoRA sur Llama 3.3, Qwen 2.5, Mistral, Phi-4 et les modèles personnalisés OpenAI/Anthropic. Chaque mission livre un harnais d'évaluation versionné, une inférence vLLM ou TGI avec quantization INT4/INT8, et une boucle MLOps qui détecte les régressions avant les utilisateurs. Les pilotes durent 8–12 semaines. Faisabilité à partir de 7 500 EUR, pilote complet à partir de 38 000 EUR, forfait MLOps à partir de 15 000 EUR/mois.
La plupart des équipes IA ne devraient pas fine-tuner. Le prompt engineering, les sorties structurées et la génération augmentée par récupération résolvent 80 pour cent des cas de production au coût d'une API de pointe. Les 20 pour cent restants sont là où le fine-tuning prend tout son sens — un changement de comportement qu'aucun prompt ne peut imposer, un respect des sorties structurées au-delà de 99 pour cent, une latence sous 400 ms en p95, ou une courbe de coût d'inférence qui dérape à l'échelle. Nous aidons les équipes à déterminer de quel côté de cette ligne elles se trouvent, puis livrons le plus petit modèle qui atteint le seuil d'évaluation. Les missions démarrent par une note de faisabilité écrite et un harnais d'évaluation versionné ; rien ne s'entraîne tant que les deux ne sont pas validés par écrit.
Construction du golden set, rubriques de labellisation, suivi de l'accord inter-annotateurs, masquage des données personnelles avec Presidio, génération de données synthétiques avec des modèles de pointe, et déduplication. Le pipeline de labellisation vit dans votre cloud, pas le nôtre.
Fine-tuning supervisé pour le changement de comportement, DPO et ORPO pour l'alignement sur les préférences sans modèle de récompense séparé, et KTO lorsque les données de préférence sont asymétriques. TRL, Unsloth et Axolotl sur vos GPU cloud ou les nôtres.
Le fine-tuning parameter-efficient réduit la mémoire GPU de 60–80 pour cent et permet d'itérer les ablations sur un seul A100. Nous utilisons par défaut QLoRA 4-bit en première passe, et un fine-tune complet uniquement lorsque les ablations prouvent que le gain est réel.
Golden set versionné, LLM-as-judge avec notation par rubrique (Ragas, personnalisée), métriques de tâche (F1, BLEU, ROUGE, exact match), sondes adverses pour l'hallucination, le jailbreak, la fuite de données personnelles. La CI bloque toute fusion qui fait régresser le seuil.
Versioning des données d'entraînement avec DVC ou LakeFS, suivi des expériences sur Weights & Biases ou MLflow, ré-entraînement planifié déclenché par les métriques de drift, et runbooks de rollback. Tout est reproductible, tout est dans votre dépôt.
vLLM, TGI ou TensorRT-LLM avec continuous batching, quantization INT8/INT4 (AWQ, GPTQ, FP8), speculative decoding et prefix caching. Testé en charge à votre trafic p95 réel avant la bascule, avec des dashboards de monitoring.
Semaines 1–2 : note écrite indiquant si le fine-tuning est le bon outil, quel modèle de base convient à la tâche, le gain d'évaluation attendu par rapport à la référence RAG/prompt, et la projection de coût total sur 12 mois. Go/no-go avant toute dépense GPU.
Semaines 3–5 : golden set de 200–1 000 exemples labellisés, rubrique de labellisation, pipeline de masquage des données personnelles, harnais d'évaluation relié à W&B avec des références de pointe. Rien ne s'entraîne tant que la suite d'évaluation n'est pas au vert face à la référence.
Semaines 6–8 : SFT, puis DPO ou ORPO si des données de préférence existent. LoRA/QLoRA d'abord, ablations sur le rank, le learning rate et le modèle de base. Chaque run est reproductible à partir du fichier de configuration dans votre dépôt.
Semaines 9–12 : déploiement vLLM/TGI, quantization, tests de charge au trafic p95, déploiement canary avec runbook de rollback, dashboards de monitoring et transfert aux ingénieurs. Forfait MLOps optionnel pour l'entraînement continu.
Note écrite de deux semaines : recommandation de modèle de base, gain d'évaluation attendu par rapport à la référence RAG/prompt, projection du coût GPU, coût total de possession sur 12 mois, décision go/no-go. Crédit imputé sur le pilote si vous poursuivez. 7 500 EUR fixes.
8–12 semaines. Un modèle de production, harnais d'évaluation complet, déploiement d'inférence vLLM/TGI dans votre cloud, mise en production testée en charge, dashboards de monitoring et transfert aux ingénieurs. Inclut 30 jours de support post-lancement. 38 000 EUR fixes.
Entraînement continu, extension de l'évaluation, détection du drift, rafraîchissement mensuel du modèle, optimisation des coûts fournisseurs, astreinte pour les incidents d'inférence. Un MLE senior plus un appui sur l'évaluation, engagement minimum de six mois. À partir de 15 000 EUR/mois.
Toute la tarification exclut le coût de calcul GPU — nous travaillons sur votre compte cloud et vous payez AWS/GCP/Azure directement. La dépense GPU typique d'un pilote est de 2 500–8 000 EUR.
Clients de signature électronique iOS et Android natifs avec un CRM Symfony + React pour un cabinet d'avocats transfrontalier — onboarding KYC et piste probante défendable pour les dossiers aux États-Unis et en Europe.
Plateforme sociale en production — App Store + Google Play, en service aux États-Unis et en Europe — avec Radar géolocalisé, messagerie chiffrée et économie virtuelle.
E-commerce B2B et configurateur de produits pour un fabricant mondial de polymères, avec tarification multi-régions, gestion des stocks et workflows concessionnaires.
Conforme au RGPD · prêt pour ISO 27001 · SOC 2 Type II en cours · compatible HIPAA · CCPA pris en compte
Aucun run d'entraînement ne démarre tant que le harnais d'évaluation n'est pas au vert face à votre référence de pointe. Chaque release est livrée avec un rapport de régression. Si le seuil d'évaluation glisse, la fusion est bloquée — pas négociée.
Les MLE de votre mission ont livré des modèles fine-tunés en production. Ils savent quel rank LoRA choisir, pourquoi votre loss DPO a divergé, et comment déboguer une chute de débit vLLM — sans fil Twitter.
L'entraînement s'exécute dans votre VPC, les poids restent dans votre S3/GCS, le code vit dans votre dépôt. Nous travaillons via des rôles IAM assumés. Aucune donnée n'atterrit jamais sur nos ordinateurs portables, et vous êtes propriétaire du modèle résultant dès le premier jour.
Pour les charges réglementées, nous signons des BAA HIPAA, n'opérons que dans des régions éligibles HIPAA, et nous intégrons à votre gouvernance des données existante — pas en parallèle de celle-ci.
Un moteur de décision de crédit qui approuve dix fois plus vite n'arrive pas par hasard. YuSMP a construit le pipeline de scoring, l'intégration aux bureaux de crédit et un back-office que nos analystes prennent réellement plaisir à utiliser. Le délai d'approbation est passé de deux jours à moins de quatre heures.
Trois signaux justifient le fine-tuning. Premièrement, la latence ou le coût : un modèle 7B fine-tuné sur vLLM coûte environ 1/40e de GPT-4o pour la même tâche, avec une latence p95 sous 400 ms. Deuxièmement, un comportement que vous ne pouvez pas obtenir par le prompt : style propre à un domaine, respect des sorties structurées au-delà de 99 %, ou schémas de refus que les couches de sécurité des modèles de pointe n'autorisent pas. Troisièmement, l'effet de levier des données : vous disposez de plus de 5 000 paires labellisées de haute qualité que personne d'autre n'a. Si la réponse relève surtout de la récupération de connaissances, faites d'abord du RAG. S'il s'agit de mise en forme occasionnelle, commencez par le prompt engineering. Le fine-tuning est le bon choix lorsque vous avez besoin d'un changement de comportement à grande échelle.
Les deux. Fine-tuning OpenAI (GPT-4o, GPT-4.1, GPT-4o-mini), Anthropic via les modèles personnalisés Bedrock, tuning Google Gemini, et toute la stack open-source : Llama 3.3, Qwen 2.5, Mistral, Phi-4, DeepSeek. Le choix relève de l'ingénierie, pas de l'idéologie. Les modèles fermés offrent une livraison plus rapide et zéro infrastructure. Les modèles ouverts offrent la propriété, une inférence moins chère à l'échelle, et un déploiement on-premise lorsque la conformité l'exige. Nous exécutons le même harnais d'évaluation sur les deux voies et présentons par écrit le compromis coût par token, latence et qualité avant que vous ne vous engagiez.
Chaque mission est livrée avec une suite d'évaluation versionnée : un golden set de 200 à 1 000 exemples labellisés constitué avec le client, un LLM-as-judge automatisé avec notation par rubrique (Ragas, rubriques personnalisées), des métriques propres à la tâche (BLEU, ROUGE, exact match, F1, respect des sorties structurées), et des sondes adverses pour l'hallucination, le jailbreak et la fuite de données personnelles. Chaque run d'entraînement est publié sur Weights & Biases avec la table d'évaluation complète. La CI bloque toute fusion qui fait régresser le golden set au-delà du seuil convenu (typiquement 2 %). La suite d'évaluation est la vôtre, versionnée dans votre dépôt, et s'exécute contre des références de pointe à chaque release.
Les méthodes parameter-efficient d'abord : LoRA et QLoRA réduisent la mémoire GPU de 60 à 80 pour cent et nous permettent de faire un SFT de Llama 3.3 70B sur un seul nœud A100 80GB pour moins de 300 EUR. Unsloth et Axolotl nous offrent un débit d'entraînement 2x supérieur à celui de Hugging Face TRL standard. Nous utilisons par défaut QLoRA 4-bit pour la première passe d'expérimentation, et ne passons à un fine-tune complet que lorsque les ablations prouvent qu'il fait bouger l'aiguille de l'évaluation. Le coût d'inférence est maîtrisé par la quantization INT8/INT4 (AWQ, GPTQ), le continuous batching de vLLM et le speculative decoding. Un client type passe de 18 000 EUR/mois de dépenses d'API de pointe à 3 500 EUR/mois d'inférence auto-hébergée.
La mission débute par un NDA mutuel et un DPA conforme au RGPD. Les données d'entraînement restent dans votre compte cloud : nous travaillons via des rôles IAM assumés, ne copions jamais de données sur des ordinateurs portables, et le cluster d'entraînement s'exécute dans votre VPC (AWS SageMaker, GCP Vertex, Azure ML, ou votre Kubernetes). Pour les données réglementées, nous signons des BAA HIPAA et n'opérons que dans des régions éligibles HIPAA. Les pipelines de masquage des données personnelles (Presidio, regex personnalisée + NER) font partie de l'étape de curation des données. Nous sommes conforme au RGPD, prêt pour ISO 27001, SOC 2 Type II en cours, compatible HIPAA et CCPA pris en compte.
Huit à douze semaines pour un premier modèle de production. Semaines 1 à 2 : faisabilité et conception du harnais d'évaluation. Semaines 3 à 5 : curation des données, pipeline de labellisation et construction du golden set. Semaines 6 à 8 : runs d'entraînement SFT plus DPO/ORPO, ablations et itération de l'évaluation. Semaines 9 à 10 : mise en service de l'inférence (vLLM ou TGI), quantization, tests de charge. Semaines 11 à 12 : déploiement canary, dashboards de monitoring, runbooks et transfert à votre équipe. Ensuite, nous passons soit à un forfait récurrent (entraînement continu, extension de l'évaluation, réponse au drift), soit nous nous retirons proprement avec la documentation.
Guides pratiques et analyses de nos ingénieurs pour 2026.
Partagez quelques détails et un consultant senior vous répondra sous un jour ouvré.
