Comment Démarrer avec Forge

Un projet en quatre phases

Lancer un projet Forge ne s’improvise pas : l’engagement suppose une préparation rigoureuse, une collaboration étroite avec les équipes Mistral et une vision claire des objectifs. Chaque phase conditionne la suivante — un cadrage flou produit des données mal choisies, des données mal choisies produisent un modèle décevant, et le problème se découvre trois mois plus tard.

Phase 1 — Évaluation et cadrage

Le premier travail consiste à repérer les scénarios où le fine-tuning apporte plus que le modèle de base ou que le RAG. Dans la pratique, les candidats se rangent dans quatre familles récurrentes. Les tâches répétitives à forte expertise d’abord — diagnostic technique, analyse de conformité, revue de code spécialisée — où le modèle doit reproduire un raisonnement d’expert plutôt que retrouver un document. Les interactions client standardisées ensuite : support technique de niveau 1-2, réponses à des appels d’offres, rapports sectoriels, dont le ton et la structure sont chez vous des conventions établies. Viennent les processus métier spécifiques, comme l’évaluation des risques selon vos critères internes ou la classification documentaire selon votre taxonomie. La conformité réglementaire enfin, lorsqu’il faut produire des documents conformes à des normes sectorielles que le modèle générique ne connaît pas dans le détail.

Le second travail porte sur la maturité de vos données, dont dépend directement la qualité du modèle. Commencez par le volume, en vérifiant que vous disposez d’assez d’exemples de qualité — typiquement plusieurs milliers pour un fine-tuning efficace. Examinez ensuite leur qualité proprement dite : sont-elles fiables, à jour, représentatives de votre expertise ? Puis leur diversité, qui dit si elles couvrent l’étendue des scénarios que le modèle devra traiter. Le format enfin, selon qu’elles sont déjà structurées ou qu’un travail de préparation reste à mener. Un échange avec les équipes commerciale et technique de Mistral clôt la phase : présentation de vos objectifs, discussion des cas d’usage, faisabilité technique, estimation du périmètre et du calendrier, proposition commerciale.

Phase 2 — Préparation des données

Les Forward-Deployed Engineers construisent le jeu d’entraînement avec vos équipes. L’extraction récupère les données depuis vos systèmes sources — bases de connaissances, historiques de tickets, documentation technique, échanges client. Le nettoyage supprime les doublons, corrige les erreurs et anonymise les données personnelles. Le formatage transforme le tout en paires instruction/réponse adaptées au fine-tuning, et la validation confie à vos experts métier la vérification de la qualité et de la pertinence des exemples. C’est l’étape que l’on sous-estime le plus : un jeu que personne n’a validé apprend au modèle vos approximations en même temps que vos bonnes pratiques.

Un jeu d’évaluation distinct se constitue en parallèle : benchmarks métier — questions et réponses validées par vos experts — et cas limites, scénarios complexes ou ambigus destinés à tester la robustesse. Les mêmes questions sont posées au modèle de base et au modèle personnalisé, pour comparer sur des métriques explicites : précision, pertinence, conformité au ton et aux processus internes. Pendant toute la phase, les données transitent par des canaux chiffrés, sont stockées dans un environnement isolé dédié à votre organisation, ne sont accessibles qu’aux ingénieurs Mistral assignés au projet et sont couvertes par un accord de confidentialité spécifique.

Phase 3 — Entraînement du modèle

Le choix du modèle de base dépend du cas d’usage : Mistral Large pour les tâches complexes nécessitant un raisonnement avancé, Mistral Medium pour un bon équilibre performance/coût dans la plupart des situations, et des modèles spécialisés optimisés pour le code, le multilingue ou d’autres domaines.

L’entraînement se déroule sur l’infrastructure GPU de Mistral en Europe : les ingénieurs configurent les hyperparamètres, lancent un entraînement supervisé sur vos données, suivent la convergence en temps réel et enchaînent plusieurs itérations, la durée allant de quelques heures à plusieurs jours selon le volume de données et la taille du modèle de base. Après chaque cycle, le modèle est évalué sur le jeu de test — comparaison avec le modèle de base, analyse des erreurs et des cas limites, ajustement des données si nécessaire, validation par vos experts métier — jusqu’à ce que les objectifs de performance fixés au cadrage soient atteints.

Phase 4 — Déploiement en production

Le modèle personnalisé se déploie selon vos contraintes d’infrastructure et de conformité.

L’intégration emprunte ensuite plusieurs chemins complémentaires : Le Chat Enterprise, où le modèle devient accessible dans l’interface conversationnelle ; l’API REST, pour l’appeler depuis vos applications, workflows et outils métier ; les SDK Python et JavaScript, pour une intégration programmatique ; les webhooks, qui le déclenchent sur des événements métier. Le déploiement ne clôt pas le projet : un suivi continu mesure la latence, la précision et la satisfaction utilisateur, détecte les dérives, déclenche des alertes en cas de dégradation et planifie mises à jour et réentraînements.

Calendrier type

La durée totale varie de 3 à 6 mois selon la complexité du cas d’usage et la maturité des données. Si vous partez de données dispersées et non validées, c’est la phase 2 qui s’allonge, jamais l’entraînement.

Points clés à retenir

• Le processus Forge suit quatre phases : évaluation, données, entraînement, déploiement
• La qualité des données d’entraînement détermine la performance du modèle
• Les Forward-Deployed Engineers accompagnent chaque étape du projet
• Le déploiement se fait sur cloud Mistral, VPC, on-premise ou cloud partenaire
• Un projet type dure entre 3 et 6 mois, de l’évaluation à la production