Alors que tout le monde court après les modèles géants, Amazon sort deux articles de blog pour te rappeler que l’avenir est au fine-tuning. « Customize Amazon Nova models with Amazon Bedrock fine-tuning » et « Reinforcement fine-tuning on Amazon Bedrock: Best practices ». Deux guides techniques, bien écrits, avec des exemples concrets comme un classifieur d’intentions ou le dataset GSM8K pour le raisonnement mathématique. On apprend à préparer ses données, ajuster ses hyperparamètres, surveiller ses métriques. C’est propre, c’est pro, c’est presque trop parfait.
Sauf que derrière cette façade d’utilité publique, Amazon joue un jeu bien plus retors. Leur vrai message, c’est : « Oublie l’open source, oublie les modèles génériques, viens chez nous, on te donne les clés pour personnaliser nos modèles propriétaires. » C’est du lock-in pur et dur, emballé dans du papier cadeau technique.
Prenons les faits. Amazon Bedrock, c’est leur plateforme pour les modèles de fondation. Nova, c’est leur série maison, probablement un finetuning de Llama ou de Mistral avec un logo AWS dessus. Et là, ils te disent : « Toi aussi, tu peux fine-tuner ! » Sauf que tu le fais sur leur infra, avec leurs outils, dans leur jardin. Une fois que tu as passé des semaines à préparer tes données, à optimiser tes hyperparamètres, à déployer ton modèle, tu es pieds et poings liés. Migrer ? Bonne chance. Tes données sont formatées pour Bedrock, ton modèle est entraîné sur Bedrock, et ta facture mensuelle explose parce que tu as utilisé leurs GPU.
Leur exemple avec GSM8K est révélateur. Ils montrent comment améliorer les performances sur une tâche spécifique, et c’est vrai que ça marche. Mais combien de boîtes ont vraiment besoin de fine-tuner un modèle pour du raisonnement mathématique ? La majorité des use cases, c’est du chat, du résumé, de la classification basique. Des trucs que GPT-4 ou Claude font déjà bien, sans passer des heures à tweaker des hyperparamètres. Amazon vend une solution à un problème qu’ils ont en partie créé : la promesse de personnalisation extrême, alors que 80% des besoins sont couverts par du prêt-à-porter.
Et ne me parle pas de leur discours sur « l’amélioration des performances et la réduction de la latence ». Ouais, un modèle fine-tuné peut être plus rapide sur une tâche précise. Mais à quel prix ? Le temps passé à préparer les données, à entraîner, à débuguer. Les coûts de l’infra. La maintenance. Pour beaucoup, c’est un jeu qui n’en vaut pas la chandelle. Sauf si tu es une grosse boîte avec des besoins hyper-spécifiques et un budget illimité. Dans ce cas, vas-y, Amazon te tend les bras.
Le plus drôle, c’est leur ton paternaliste. « On va te montrer les bonnes pratiques. » Comme si sans eux, tu allais foirer ton fine-tuning et cramer tes GPU. C’est du FUD (Fear, Uncertainty, Doubt) déguisé en bienveillance. Ils créent un besoin – la complexité du fine-tuning – et te vendent la solution – leur plateforme. Un classique.
Pendant ce temps, dans le monde réel, l’open source avance. Des outils comme Hugging Face, Ollama, ou même des frameworks maison permettent de fine-tuner des modèles locaux sans se ruiner et sans s’enfermer. Mais Amazon, lui, veut que tu restes dans son écosystème. Parce que chaque heure passée sur Bedrock, c’est de l’argent dans leur poche. Et chaque modèle Nova fine-tuné, c’est une dépendance de plus.
Oui, leurs guides sont utiles si tu es déjà dans leur camp. Mais pour les autres, c’est un piège brillant. Tu crois apprendre à personnaliser l’IA, en fait tu apprends à devenir un client captif. La suite logique ? Des formations certifiées AWS, des certifications, un écosystème complet où tu ne pourras plus sortir sans tout casser.
Bref, Amazon Bedrock fait du fine-tuning, mais c’est surtout du fine-tuning de ta dépendance. Et ça, c’est une pratique bien rodée.
Sources :
Comments are closed