Transfer learning
Le transfer learning réutilise les connaissances acquises par un modèle sur une tâche source pour améliorer ses performances sur une nouvelle tâche connexe, plutôt que d’entraîner un modèle de zéro. Principe intuitif : une personne qui sait jouer de la guitare apprend le piano plus vite qu’un débutant complet, en s’appuyant sur ses connaissances musicales déjà acquises.
Concrètement, on part d’un modèle pré-entraîné sur un vaste jeu de données (par exemple, un LLM entraîné sur d’immenses corpus de texte), puis on l’affine (fine-tuning) sur un jeu de données plus restreint et spécifique à la nouvelle tâche. Avantage documenté : entraîner un modèle performant demande moins de données étiquetées, moins de temps et moins de ressources de calcul qu’un entraînement complet depuis zéro. Cette technique explique en grande partie l’essor du deep learning : la plupart des LLM, CNN et modèles NLP modernes s’appuient sur des architectures pré-entraînées, adaptées ensuite à des usages spécifiques.
En RH, le transfer learning rend accessibles des outils IA de qualité sans disposer d’un immense volume de données RH propriétaires : un LLM pré-entraîné sur du texte généraliste peut être affiné avec un nombre limité d’exemples RH internes (fiches de poste, comptes rendus) pour se spécialiser sur le vocabulaire et les usages de l’entreprise — une approche nettement moins coûteuse que développer un modèle RH dédié entièrement depuis zéro.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (06/11/2025), AWS (08/06/2026).