# 2. Comportement et limites

## Hallucination

Une réponse formulée avec assurance mais **factuellement fausse** — le
modèle ne « ment » pas au sens où il n'a pas conscience de se tromper : il
produit la suite de texte la plus probable statistiquement, qui n'est pas
toujours la suite la plus exacte. C'est la limite la plus connue des LLM,
d'où l'importance de vérifier les affirmations factuelles importantes.

## Fine-tuning (ajustement fin)

Un entraînement complémentaire, plus court et plus ciblé que
l'entraînement initial, pour spécialiser un modèle déjà entraîné sur une
tâche ou un style précis (ex. répondre dans un domaine médical, adopter un
ton particulier) sans repartir de zéro.

## RAG (génération augmentée par récupération)

Une technique qui va chercher des documents pertinents (dans une base de
connaissances, un moteur de recherche...) **avant** de faire répondre le
modèle, et lui fournit ces documents comme contexte. Objectif : des réponses
mieux ancrées dans des sources réelles, plutôt que reposant uniquement sur
ce que le modèle a mémorisé pendant son entraînement. C'est aussi, comme vu
dans le guide « Sécurité & souveraineté de l'IA », un point d'entrée
classique pour l'injection de prompt indirecte : le modèle lit des documents
qu'il n'a pas choisis lui-même.

## Prompt système

Les instructions de configuration données au modèle par l'application qui
l'utilise (pas par l'utilisateur final) — définissent le rôle, le ton, les
limites de ce que l'assistant doit ou ne doit pas faire dans ce contexte
précis.

*(Schéma disponible : `schema.svg`, dans ce dossier.)*