Entraînement (entraînement de modèles)

La phase où les paramètres du modèle sont optimisés sur des données ou des retours avant le déploiement : distincte de l'inférence en temps d'exécution.

L’entraînement ajuste les poids et autres paramètres apprenables en utilisant un jeu de données et un signal de perte ou de récompense. À grande échelle, cela peut prendre des semaines sur des clusters de GPU avec une curation soigneuse des données : supervision, vie privée, biais et documentation comptent tous.

Après l’entraînement, les modèles sont souvent validés, parfois ajustés finement davantage, puis utilisés pour l’inférence.