Adapter un modèle : prompt, few-shot, RAG ou fine-tuning ?

Votre équipe support reçoit des centaines de tickets par jour et veut les classer automatiquement (facturation, accès au compte, bug, demande de fonctionnalité, résiliation). Quelqu'un propose : « Il faut fine-tuner un modèle ! ». Peut-être. Peut-être pas. Cette formation vous apprend à trancher avec des mesures, puis à préparer un réglage proprement si les mesures le justifient.

Le fil rouge est un vrai lab, exécuté le 2026-10-15 : un grand modèle (gemini-3.8-flash) fabrique et étiquette 100 tickets fictifs, un petit modèle (gemini-2.5-flash-lite sur Vertex AI) est évalué en zero-shot et en few-shot, et un script de réglage supervisé est prêt, validé en dry-run.

Pour qui ?

• Développeurs et ingénieurs data qui ont déjà appelé l'API Gemini en Python.
• Vous savez lire du JSON et lancer pytest.
• Pas besoin d'avoir déjà entraîné un modèle : chaque terme est expliqué.

Ce que vous allez construire

flowchart LR
  P["Professeur : gemini-3.8-flash"] -->|"génère et étiquette"| D["100 tickets fictifs"]
  D --> V["validate_jsonl.py : format Vertex AI"]
  V --> S["Découpage 70 / 15 / 15"]
  S --> B["evaluate.py : ligne de base zero-shot et few-shot"]
  S --> T["launch_tuning.py : réglage supervisé (dry-run)"]
  T -.->|"si lancé"| M["Modèle réglé"]
  M -.-> B

Prérequis techniques

• Python 3.10 ou plus récent, pip install -r files/requirements.txt.
• En local (sans GCP) : une clé d'API Gemini (Google AI Studio) dans GOOGLE_API_KEY suffit pour la distillation et pour l'évaluation (avec MODEL=gemini-3.5-flash-lite).
• Sur GCP : un projet avec l'API Vertex AI activée et gcloud auth application-default login pour évaluer le modèle qui sera réglé (gemini-2.5-flash-lite) et, si vous le décidez, lancer le réglage.

Programme

En local ou sur GCP

Le code complet est dans le dossier files/ (section Ressources) : common.py, distill.py, validate_jsonl.py, evaluate.py, launch_tuning.py, test_lab.py et les jeux de données réellement générés.