RLHF : apprendre aux LLM à répondre selon nos préférences

Le RLHF peut apprendre à un modèle à produire la réponse que les gens préfèrent, sans pour autant garantir sa véracité. Dans le schéma classique, des personnes comparent 2 réponses à un même prompt, un modèle de récompense apprend leurs préférences, puis l’apprentissage par renforcement ajuste le modèle qui répond pour qu’il obtienne de meilleurs scores. Pour une petite entreprise, la question utile est de savoir si cet entraînement à partir de préférences peut corriger un comportement récurrent que de meilleures instructions et un meilleur contexte n’ont pas suffi à résoudre.

Le conseil pratique : commencez par une évaluation claire et un bon prompt. Envisagez le fine-tuning à partir de préférences lorsque le modèle sait accomplir la tâche, mais adopte régulièrement le mauvais ton, met l’accent au mauvais endroit ou répond de manière inadaptée. Si ce qui lui manque, ce sont des informations à jour sur l’entreprise, privilégiez la recherche d’informations.

Travaux de recherche et documentation des API hébergées vérifiés le 22 octobre 2026. Les méthodes d’entraînement historiques présentées ci-dessous sont attribuées aux publications qui les décrivent ; elles ne révèlent pas les méthodes actuelles non publiées des laboratoires.

Qu’est-ce que le RLHF et comment les préférences humaines modifient-elles un modèle ?

RLHF signifie reinforcement learning from human feedback, soit « apprentissage par renforcement à partir de retours humains ». Cette méthode apporte à l’entraînement un signal sur ce que les gens attendent d’une réponse, au-delà de sa ressemblance avec les textes déjà vus par le modèle.

Imaginez un auteur qui travaille avec un éditeur. L’éditeur compare les versions d’un texte et, à force de choix, fait comprendre ses exigences. Un système de notation apprend ensuite à reproduire approximativement ses préférences, ce qui permet à l’auteur de s’exercer à obtenir de bons scores. Le piège : satisfaire ce système de notation peut finir par éloigner l’auteur de ce que l’éditeur attend réellement.

Pour un grand modèle de langage, ou LLM, le processus classique se déroule ainsi :

1. Des personnes comparent les réponses. Les évaluateurs reçoivent le même prompt et classent plusieurs réponses possibles selon des consignes portant notamment sur l’utilité, l’exactitude et le comportement attendu.
2. Un modèle de récompense apprend ces classements. Ce modèle distinct prédit les réponses que les évaluateurs préféreraient. Il transforme les comparaisons en un score exploitable pendant l’entraînement.
3. Le modèle qui répond est ajusté. Il génère de nouvelles réponses, reçoit les scores du modèle de récompense et voit ses paramètres modifiés pour favoriser les comportements les mieux notés.

C’est le mécanisme décrit par OpenAI pour InstructGPT, sa version de GPT-3 entraînée à suivre des instructions. Pendant la phase d’apprentissage par renforcement, il n’est pas nécessaire que des humains notent à la main chaque réponse générée.

SFT et RLHF : apprendre par l’exemple ou par la préférence

Le fine-tuning supervisé, ou SFT, apprend à partir d’exemples de la réponse attendue. Le RLHF ajoute des jugements sur les réponses à privilégier. Dans la méthode InstructGPT, le SFT intervenait en premier : il montrait au modèle préentraîné des exemples de suivi d’instructions. Les classements humains et l’apprentissage par renforcement affinaient ensuite ce comportement initial.

La politique désigne le modèle qui choisit quoi produire en sortie. InstructGPT l’ajustait avec PPO, pour proximal policy optimization, un algorithme qui améliore le comportement à partir de récompenses. L’entraînement pénalisait aussi les écarts excessifs par rapport à un modèle de référence. On peut résumer simplement cet objectif régularisé ainsi :

Objectif d’entraînement = récompense de préférence prédite moins une pénalité en cas d’écart trop important.

Cette formulation résume le principe ; ce n’est pas l’équation complète de l’article scientifique. Cette contrainte compte, car un système de notation appris reste imparfait : chercher toujours plus à maximiser son score n’améliore pas indéfiniment la réponse. Article sur InstructGPT

Une fois l’entraînement terminé, le modèle obtenu peut traiter les requêtes sans exécuter toute cette boucle pour chaque client. Un bouton de retour utilisateur peut recueillir un signal pour un futur entraînement ; cliquer dessus ne met pas, à lui seul, les paramètres à jour.

Exemple de jeu de données RLHF : un prompt, deux réponses

L’étiquette de préférence doit traduire votre règle métier, pas simplement indiquer quelle réponse paraît la plus aimable. Prenons un cas d’assistance client. Les exemples qui suivent sont inventés pour illustrer le principe ; ils ne proviennent pas d’un test de modèle.

L’assistant rédige des réponses pour une équipe de facturation. Il n’a ni accès aux comptes ni la capacité d’effectuer des remboursements. La procédure impose de faire examiner tout signalement de double débit par l’équipe de facturation avant de promettre un remboursement.

Réponse A, préférée :

Je suis désolé pour ce double débit. Je ne peux ni confirmer ni effectuer un remboursement depuis cette conversation. Merci de transmettre les références des transactions via le formulaire d’assistance sécurisé afin que l’équipe de facturation puisse les vérifier et procéder au remboursement si le doublon est confirmé.

Réponse B, rejetée :

Je suis désolé pour ce double débit. J’ai remboursé le paiement en trop ; vous n’avez donc plus rien à faire. Merci de votre patience pendant la résolution de ce problème.

L’évaluateur choisit A parce qu’elle respecte les limites du rôle de l’assistant et propose une prochaine étape concrète. B rassure le client, mais affirme qu’une transaction a été effectuée alors que l’assistant ne pouvait pas la réaliser.

L’exemple d’entraînement conserve le prompt commun, A comme réponse préférée et B comme réponse non préférée. En RLHF classique, de nombreuses comparaisons de ce type apprennent au modèle de récompense ce qu’il doit valoriser. Avec l’optimisation directe des préférences, ces paires servent à entraîner plus directement le modèle qui répond.

L’essentiel du travail se joue dans les autres exemples du jeu de données. Si toutes les réponses préférées sont plus longues, vous avez confondu respect de la procédure et longueur du texte. Ajoutez une réponse concise et conforme face à une promesse inventée et verbeuse. Ajoutez aussi des cas où un outil autorisé a effectivement réalisé le remboursement : le comportement attendu doit alors changer avec les éléments disponibles. Sinon, vous risquez d’enseigner « toujours rester dans le doute » alors que la règle était « n’affirmer que ce que le dossier permet d’établir ».

Rédigez une grille que les évaluateurs peuvent appliquer : aucune action inventée, aucune promesse sans fondement, une prochaine étape correcte et un ton adapté. Si les deux réponses enfreignent ces critères, corrigez ou retirez la paire. Si les évaluateurs ne sont pas d’accord, clarifiez la règle avant de transformer ce désaccord en étiquette d’entraînement.

Conservez un jeu d’évaluation séparé et, lors du découpage des données, regroupez les variantes d’un même ticket dans le même lot. Le modèle doit démontrer le comportement attendu dans des situations inédites, pas simplement reconnaître un exemple d’entraînement légèrement reformulé.

Comment le RLHF a rendu les modèles conversationnels utiles

Le RLHF a contribué à transformer des capacités linguistiques latentes en comportements que les utilisateurs pouvaient demander directement. Prédire un texte plausible et répondre utilement à une demande sont deux objectifs d’entraînement différents. Les exemples d’instructions et les retours de préférence ont donné aux développeurs un moyen d’agir sur cet écart.

Dans l’étude InstructGPT publiée par OpenAI en 2022, les annotateurs humains préféraient les réponses d’un modèle InstructGPT de 1.3 milliard de paramètres à celles de GPT-3, qui en comptait 175 milliards, sur la distribution de prompts de l’étude. Les paramètres sont les réglages numériques appris à l’intérieur d’un modèle. Ce résultat montrait que, pour cette évaluation, l’entraînement à répondre aux intentions de l’utilisateur pouvait compter davantage que la taille. Il ne signifiait pas qu’un modèle plus petit était devenu plus performant dans tous les domaines. Travaux d’OpenAI

Le rapport technique de GPT-4 décrit lui aussi l’utilisation du RLHF après le préentraînement pour mieux aligner le modèle sur les intentions des utilisateurs. Il documente l’entraînement d’un modèle précis ; il ne dévoile pas la méthode complète de chaque modèle actuellement disponible dans ChatGPT. Rapport d’OpenAI sur GPT-4

Pour les équipes qui développent un produit, la conséquence est simple : un modèle peut déjà disposer de connaissances utiles tout en choisissant une manière de répondre peu pertinente. L’entraînement peut améliorer ce choix. Il ne remplace pas l’accès au bon dossier client pour un assistant de support client.

DPO, retours de l’IA et récompenses vérifiables

Ces méthodes agissent sur différentes composantes de l’entraînement : elles peuvent donc se substituer les unes aux autres ou se compléter. Distinguez trois questions : qui porte le jugement, qu’est-ce qui constitue un bon résultat et comment ce signal modifie-t-il le modèle ?

DPO et RLHF : une autre manière d’ajuster le modèle

L’optimisation directe des préférences, ou DPO, peut apprendre à partir du même type de paires sans entraîner de modèle de récompense distinct. La méthode d’origine ajuste le modèle pour favoriser les réponses préférées par rapport aux réponses rejetées et à un modèle de référence. Elle évite, pendant le fine-tuning, la boucle classique qui génère de nouveaux échantillons puis les fait noter par un modèle de récompense entraîné séparément. Article fondateur du DPO

L’intérêt pratique tient à la réduction du nombre de composants à mettre en œuvre. Le problème des données reste entier : le DPO ne découvrira pas que la réponse B a inventé un remboursement si vos évaluateurs l’ont désignée gagnante.

Lors du lancement de Llama 3 en 2024, Meta mentionnait ensemble le SFT, l’échantillonnage par rejet, PPO et le DPO. L’échantillonnage par rejet consiste à générer plusieurs propositions et à ne conserver que celles qui sont sélectionnées. Cette combinaison publiée rappelle utilement que le post-entraînement n’est pas une séquence universelle où chaque nouvel acronyme remplace le précédent. Description de l’entraînement de Llama 3 par Meta

RLAIF et RLHF : qui porte le jugement ?

L’apprentissage par renforcement à partir de retours de l’IA, ou RLAIF, utilise comme feedback des jugements produits par un modèle. Il peut réduire le volume d’annotations humaines directes, tout en laissant aux humains la responsabilité des instructions, des principes et des critères d’évaluation.

Dans sa publication Constitutional AI de 2022, Anthropic décrivait une phase supervisée fondée sur des critiques et des réponses révisées par le modèle, puis une phase où des comparaisons réalisées par l’IA entraînaient un modèle de préférence destiné à l’apprentissage par renforcement. Sa « constitution » était un ensemble de principes guidant le processus. Le procédé allait au-delà de l’ajout d’un paragraphe de règles dans un prompt au moment de l’inférence. Travaux d’Anthropic sur Constitutional AI

Le laboratoire a également publié des évolutions ultérieures. Le 8 mai 2026, Anthropic décrivait un entraînement utilisant des documents conformes à sa constitution, des exemples de conversations et des environnements variés. Il expliquait aussi pourquoi un entraînement à l’alignement centré sur la conversation avait insuffisamment couvert les situations impliquant des agents. La leçon pour les équipes de développement : évaluez le comportement dans l’environnement où il sera utilisé. Une réponse d’assistance polie et un agent de facturation qui utilise des outils ne posent pas les mêmes exigences. Apprendre à Claude le pourquoi

RLVR et RLHF : vérifier le résultat

L’apprentissage par renforcement avec récompenses vérifiables, ou RLVR, convient aux tâches pour lesquelles un dispositif de vérification peut déterminer si une tentative a réussi. On peut exécuter du code sur des cas de test ou comparer une réponse mathématique à un résultat connu. La récompense ne dépend donc pas nécessairement d’une préférence pour la formulation.

Dans les travaux publiés par l’équipe de DeepSeek, DeepSeek-R1-Zero utilisait des récompenses fondées sur des règles d’exactitude et de format. DeepSeek-R1 suivait un processus plus large, en plusieurs étapes : des récompenses fondées sur des règles pour les tâches de raisonnement, des récompenses fournies par des modèles pour les tâches générales, ainsi que des phases d’entraînement supervisé. Il s’agit de deux configurations distinctes. Article de DeepSeek sur R1

La limite vient du dispositif de vérification. Réussir les tests fournis ne prouve pas qu’un code répond à une exigence non formulée. Dans l’exemple du remboursement, vérifier qu’une transaction autorisée a bien eu lieu est différent de juger si une réponse paraît utile. Décidez de ce que la récompense doit attester avant de choisir une méthode d’entraînement.

Fine-tuning et RLHF : quelles options pour une petite entreprise ?

Une petite entreprise peut recourir à un service géré d’entraînement à partir de préférences sans construire toute l’infrastructure du RLHF classique. Le résultat utile, c’est un modèle qui se comporte mieux sur vos tâches tenues à l’écart de l’entraînement. Un service qui propose du « fine-tuning » n’accepte pas automatiquement les paires de préférences, tous les modèles ou tous les comptes.

Together AI : du DPO hébergé à partir de paires de préférences

Together AI propose des tâches d’entraînement DPO avec training_method="dpo". Son format JSONL documenté, avec un enregistrement d’entraînement JSON par ligne, contient input.messages, preferred_output et non_preferred_output. Chaque sortie contient un message de l’assistant. La paire de réponses de notre exemple d’assistance correspond directement à ces rôles. Documentation de Together AI sur l’entraînement à partir de préférences

La documentation recommande de commencer par le SFT lorsque vos exemples s’écartent fortement de la distribution d’entraînement du modèle de base. En pratique, vos données déterminent le choix : si vous ne disposez que d’une réponse validée par prompt, commencez par le SFT. L’entraînement à partir de préférences exige des alternatives pertinentes, préférées et rejetées.

Fireworks AI : un service géré d’entraînement à partir de préférences

Fireworks AI documente un service géré d’entraînement DPO avec des jeux de données de préférences importés depuis son interface, son outil en ligne de commande ou son API REST. Dans l’interface, le parcours documenté est Training → New job → Direct Preference, puis la sélection du modèle et du jeu de données. Le modèle de base choisi doit prendre en charge le DPO. Documentation de Fireworks sur l’entraînement à partir de préférences

Le guide précise que les exemples d’entraînement doivent porter sur un seul tour de conversation, avec les sorties préférée et rejetée comme derniers messages de l’assistant. Cette contrainte compte pour un agent dont les erreurs surviennent au fil d’une succession d’appels d’outils. Le fait qu’un format de fichier soit accepté ne prouve pas que le dispositif d’entraînement couvre le comportement à améliorer.

OpenAI : vérifier d’abord l’accès et la durée de disponibilité du modèle

OpenAI documente le DPO textuel, mais sa plateforme de fine-tuning est en cours d’arrêt. Selon la vérification du 22 octobre 2026, elle n’accepte plus de nouveaux utilisateurs. Les clients existants éligibles peuvent créer des tâches d’entraînement jusqu’au 6 janvier 2027, sauf si leur modèle de base est arrêté plus tôt. Cette voie s’adresse donc aux clients existants ; ce n’est pas un point de départ à recommander à une nouvelle entreprise. Documentation d’OpenAI sur le DPO

Les modèles issus du fine-tuning de gpt-4.1-nano-2025-04-14 doivent être arrêtés le 23 octobre 2026, selon la documentation. Les versions figées gpt-4.1-2025-04-14 et gpt-4.1-mini-2025-04-14, ainsi que les modèles issus de leur fine-tuning, doivent être arrêtés le 14 janvier 2027. Avant d’investir dans un jeu de données pour cette voie, vérifiez que le modèle obtenu restera disponible pendant la période de déploiement prévue. Calendrier des retraits d’OpenAI

Quels projets restent à l’échelle des laboratoires ?

Les algorithmes ne sont pas réservés aux laboratoires ; ce sont l’ampleur du projet et la charge d’exploitation qui diffèrent. Construire le vaste programme de post-entraînement d’un modèle de pointe suppose de gérer la collecte des retours, l’entraînement du modèle de récompense, les cycles répétés de génération et d’optimisation, ainsi que les évaluations de nombreuses capacités. Une tâche DPO hébergée réalise un ajustement plus ciblé sur un modèle existant compatible.

L’apprentissage par renforcement n’est pas non plus entièrement inaccessible via une API. OpenAI documente le reinforcement fine-tuning, ou RFT, qui utilise un évaluateur pour noter les sorties de o4-mini, sous les mêmes restrictions de disponibilité de la plateforme. Il s’agit d’une option gérée d’entraînement guidé par les récompenses, pas de la preuve que l’on peut reproduire la méthode interne complète d’un laboratoire. Documentation d’OpenAI sur le RFT

Pour la plupart des petites entreprises, le premier investissement doit porter sur les exemples, la grille de critères et l’évaluation. Exploiter son propre modèle de récompense ne devient une décision d’ingénierie à part entière que lorsque les méthodes gérées ne répondent pas aux besoins de la tâche.

Ce que doivent en retenir les équipes techniques, métiers et achats

Équipes de développement : identifiez la nature de l’échec avant de choisir une méthode d’entraînement. Si l’assistant ne connaît pas la politique de remboursement, fournissez-la-lui. S’il la connaît mais invente régulièrement des remboursements déjà effectués, améliorez les instructions et les exemples, puis évaluez l’apport d’un entraînement à partir de préférences. Le guide du fine-tuning des LLM couvre l’ensemble du workflow, de la préparation des données au déploiement.

Équipes métiers : prenez en charge la définition d’une meilleure réponse. Les équipes de facturation, d’assistance et de produit doivent s’accorder sur les règles d’escalade et les limites de ce que l’assistant est autorisé à faire. Un fournisseur ne peut pas résoudre une règle interne ambiguë en poussant davantage l’optimisation d’un modèle.

Acheteurs : demandez des preuves sur vos propres cas d’usage. « Entraîné avec le RLHF » décrit une partie d’un processus. Demandez quels comportements ont été évalués, quels échecs subsistent et si le système testé disposait des mêmes outils et autorisations que votre déploiement. Si un évaluateur IA fournit les étiquettes de préférence, examinez ses désaccords avec les humains ; le guide du LLM comme juge explique comment rendre ces évaluations utiles.

Quelles promesses du RLHF faut-il relativiser ?

Un meilleur score de préférence n’est pas un certificat de véracité, de sûreté ou de compétence. Le modèle de récompense reproduit approximativement les jugements sur lesquels il a été entraîné. Les évaluateurs peuvent laisser passer une erreur plausible ou privilégier une formulation rassurante.

Les travaux d’Anthropic sur la complaisance ont montré que les préférences humaines peuvent récompenser des réponses qui épousent le point de vue de l’utilisateur, même lorsqu’une réponse véridique le contredirait. La complaisance consiste ici à donner indûment raison à l’utilisateur. Un assistant de support client qui confirme avec assurance qu’un remboursement a eu lieu pourrait plaire à un évaluateur tout en enfreignant les exigences opérationnelles. Étude d’Anthropic sur la complaisance

Il existe aussi le reward hacking, qui consiste à exploiter une faiblesse du système de notation. Un modèle peut apprendre les indices superficiels que le système apprécie sans produire le résultat attendu. Les travaux de DeepSeek abordent explicitement la difficulté d’obtenir des signaux de récompense fiables pour les tâches ouvertes. Limites publiées par DeepSeek

La réponse consiste à mesurer ce qui vous importe indépendamment du score d’entraînement. Dans notre exemple d’assistance, examinez les actions inventées, le bon aiguillage vers l’équipe compétente et l’utilité des étapes proposées. Une métrique d’entraînement en hausse justifie d’évaluer la version intermédiaire du modèle, pas de le déployer automatiquement.

Que faire dès la semaine prochaine ?

Passez à l’action lorsque vous avez identifié un comportement problématique répété et mesurable, et que les jugements sur les meilleures réponses sont cohérents. Attendez si vous ne savez pas encore définir ou évaluer cette différence. Une entreprise dont le modèle actuel réussit déjà l’évaluation n’a aucune raison de lancer un fine-tuning simplement parce qu’un argumentaire commercial mentionne le RLHF.

1. 1

   Recueillir les échecs récurrents

   Sélectionnez des prompts représentatifs du workflow visé. Conservez les règles, le contexte récupéré et les résultats des outils que l’assistant aurait vus. Retirez les données personnelles inutiles.

2. 2

   Choisir les éléments qui permettront de progresser

   Si des informations à jour manquent, privilégiez la recherche d’informations. De bonnes démonstrations peuvent servir au SFT. Des réponses alternatives classées de façon cohérente peuvent servir au DPO. Un dispositif fiable de vérification du résultat peut servir à un entraînement guidé par les récompenses. Consultez le guide pour choisir entre RAG et fine-tuning lorsque le problème mêle connaissances et comportement.

3. 3

   Établir le niveau de départ et vérifier l’accès

   Commencez par évaluer le modèle existant avec des instructions améliorées. Vérifiez le modèle pris en charge, le format de données, l’éligibilité du compte et la durée de disponibilité pour le déploiement chez le fournisseur avant de constituer un fichier d’entraînement.

4. 4

   Comparer sur des tâches tenues à l’écart de l’entraînement

   Gardez les exemples d’évaluation hors du jeu d’entraînement. Examinez le modèle d’origine et le modèle ajusté sur les mêmes tâches, y compris des cas qui exigent des actions différentes. N’adoptez le changement que si le comportement visé s’améliore sans régressions inacceptables.

Le livrable utile pour lundi : un petit ensemble relu de prompts, de réponses possibles et de raisons explicites justifiant chaque préférence. Il vous dira si vous avez matière à entraîner un modèle ou s’il faut d’abord résoudre un problème de règles et de contexte.

Questions fréquentes sur le RLHF

Comment fonctionne l’apprentissage par renforcement ?

Un système essaie des actions, reçoit des récompenses et modifie son comportement pour en obtenir de meilleures au fil du temps. Lors de l’entraînement d’un modèle de langage, les actions produisent du texte ; un système de notation ou de vérification fournit le retour utilisé pour ajuster le modèle.

Que signifie RLHF et à quoi sert-il ?

RLHF signifie reinforcement learning from human feedback, soit apprentissage par renforcement à partir de retours humains. Son objectif est de rapprocher le comportement d’un modèle des jugements humains, par exemple sur la réponse la plus utile ou la plus adaptée à une tâche.

Les LLM sont-ils entraînés par apprentissage par renforcement ?

Certains LLM passent par une phase d’apprentissage par renforcement lors du post-entraînement. C’est une composante possible d’une méthode d’entraînement, aux côtés du préentraînement et du fine-tuning supervisé. Cela ne décrit ni toutes les étapes ni tous les modèles.

Qu’est-ce que le reward shaping en apprentissage par renforcement ?

Le reward shaping ajoute des récompenses qui orientent l’apprentissage, par exemple en valorisant des progrès intermédiaires utiles. Des récompenses mal choisies peuvent modifier le comportement que le système finit par privilégier. Voir les travaux de Ng, Harada et Russell.

ChatGPT utilise-t-il l’apprentissage par renforcement ?

Oui. Le rapport technique d’OpenAI sur GPT-4 décrit l’utilisation du RLHF lors du post-entraînement. Il documente ce modèle précis, et non la méthode complète d’entraînement de chaque modèle aujourd’hui proposé dans ChatGPT. Rapport technique d’OpenAI

Quels sont les quatre éléments de l’apprentissage par renforcement ?

Au-delà de l’agent et de l’environnement, Sutton et Barto distinguent une politique, une fonction de récompense, une fonction de valeur et, éventuellement, un modèle de l’environnement. Ces éléments définissent le comportement, la récompense immédiate, la récompense future attendue et les prédictions sur les résultats. Explication dans leur manuel

Quel exemple simple permet de comprendre l’apprentissage par renforcement ?

On peut prendre l’exemple d’un agent simulé qui apprend à trouver son chemin dans un labyrinthe. Il essaie des déplacements et reçoit une récompense lorsqu’il atteint la sortie. À force de tentatives, il apprend quelles actions l’aident à arriver au bout.

Qui est le père de l’apprentissage par renforcement ?

Attribuer cette invention à une seule personne est trompeur. Richard Sutton et Andrew Barto ont été distingués conjointement par l’Association for Computing Machinery pour avoir développé les fondements conceptuels et algorithmiques de ce domaine. Présentation par leur université

L’apprentissage par renforcement relève-t-il du machine learning ou de l’IA ?

Des deux : l’apprentissage par renforcement est une branche de l’apprentissage automatique, ou machine learning, qui relève lui-même de l’intelligence artificielle. Il apprend à partir de signaux de récompense, et pas seulement d’exemples étiquetés de la sortie attendue.

Abonnez-vous à la newsletter pour recevoir des guides pratiques sur la conception et l’évaluation de systèmes d’IA.