Le fine-tuning est le processus qui consiste à prendre un modèle IA pré-entraîné et à poursuivre son entraînement sur un jeu de données spécifique pour spécialiser ses capacités, l'adapter à un style ou domaine particulier, ou lui enseigner des sujets personnalisés absents des données d'entraînement d'origine. Il permet aux créateurs et organisations de personnaliser les modèles IA sans le coût computationnel énorme d'un entraînement from scratch.

Le processus part d'un modèle de base déjà doté d'une large connaissance par son entraînement initial, puis l'expose à un jeu de données plus petit et curé représentant la spécialisation souhaitée. Pendant le fine-tuning, les poids du modèle sont ajustés pour mieux correspondre aux nouvelles données tout en conservant la plupart de ses capacités générales. Le fine-tuning peut servir à enseigner un style artistique précis, une identité visuelle de marque, des sujets ou personnages particuliers, des domaines techniques ou tout langage visuel spécialisé peu représenté dans les données d'entraînement de base.

Les techniques de fine-tuning sont devenues plus accessibles et efficaces grâce à des approches comme LoRA, DreamBooth et les hypernetworks, qui demandent moins de données et de ressources que le fine-tuning complet traditionnel. Pour les créateurs et entreprises, le fine-tuning représente une voie pratique vers une génération IA cohérente et fidèle à la marque sans dépendre uniquement du prompt engineering ou accepter la sortie générique des modèles de base.