Processus Forge
På denna sida
Mise à jour du 2 novembre 2026 — Le Chat devient Vibe. Depuis le 28 mai 2026, Le Chat a été rebaptisé Vibe (toujours sur chat.mistral.ai) : un agent unique pour le travail et le code qui conserve vos conversations, paramètres et abonnements. L’expérience historique de Le Chat reste disponible en mode Chat. En mode Work, les agents sont désormais des compétences (appelées avec
@), les mémoires servent de base de connaissances et la recherche approfondie est la compétence Deep Research. Les formules s’appellent désormais Mistral Free, Pro, Team et Enterprise. Cette leçon utilise le nom Vibe ; notez que certains menus décrits ici peuvent avoir changé de nom ou d’emplacement.
De l’évaluation au déploiement : le parcours complet
Un projet Forge suit quatre phases, guidées par un ingénieur de déploiement sur le terrain (FDE) de Mistral. Tu ne configures rien seul depuis une console. Le projet est plutôt un engagement conjoint entre ton organisation et Mistral AI, avec des jalons définis, des livrables mesurables et un calendrier prévisible : 2 à 4 semaines pour l’évaluation, 4 à 8 semaines pour la préparation des données, 4 à 6 semaines pour l’entraînement et les itérations, et 2 à 4 semaines pour le déploiement et la surveillance. Au total, compte 3 à 6 mois selon la complexité du cas d’usage et la qualité des données. Connaître cette séquence à l’avance t’évite de promettre un résultat à ta direction en six semaines.
Phase 1 : Évaluation (2 à 4 semaines)
L’objectif est de déterminer si Forge est la bonne approche et de définir les critères de réussite. L’équipe de Mistral travaille avec ton sponsor métier et ton équipe technique sur quatre fronts. L’audit du cas d’usage commence par les questions les plus simples mais aussi les plus inconfortables : quel problème exact résous-tu ? As-tu vraiment testé l’ingénierie de prompt et le RAG ? Pourquoi sont-ils insuffisants ? L’évaluation des données mesure le volume disponible et son état réel — structuré ou non, annoté ou brut, à jour ou obsolète.
Vient ensuite la mesure de référence, une étape que beaucoup sautent et regrettent plus tard. Tu dois évaluer les performances du modèle généraliste sur les tâches cibles ; sans cela, tu ne peux pas quantifier la valeur ajoutée de Forge. La phase se conclut par la définition des KPI : précision, rappel, temps de traitement et satisfaction utilisateur.
Le livrable est un document de cadrage contenant la définition du cas d’usage, l’inventaire des données, les métriques de référence, les KPI cibles et un calendrier provisoire. Une décision conjointe de feu vert/feu rouge suit. Si les données sont insuffisantes ou si le cas d’usage ne justifie pas Forge, l’équipe de Mistral t’orientera vers le RAG ou l’ingénierie de prompt. Un « non » à ce stade t’économise plusieurs mois de travail et un budget significatif.
Phase 2 : Préparation des données (4 à 8 semaines)
Cette phase construit le jeu de données d’entraînement. C’est l’étape la plus critique et la plus longue, car la qualité du modèle dépend directement de la qualité des données utilisées pour l’entraîner. Le travail commence par la collecte : extraction de documents, d’exemples et de cas d’usage depuis tes systèmes internes. Vient ensuite le nettoyage — suppression des doublons, des documents obsolètes et des données corrompues — suivi de la structuration, qui transforme les données brutes en paires instruction-réponse utilisables pour l’entraînement. Lorsque le cas d’usage l’exige, l’annotation par tes experts métier ajoute des étiquettes, des catégories ou des métadonnées. Une validation finale par ces mêmes experts garantit que le corpus reflète les pratiques réelles et le niveau de qualité attendu.
Répartis les rôles par écrit dès le départ. Ton équipe de données gère la collecte, le nettoyage et la structuration. Tes experts métier gèrent l’annotation et la validation. Le FDE de Mistral fournit un guidage méthodologique, valide les formats et recommande les volumes et les standards de qualité.
Quatre pièges reviennent constamment. Un corpus qui surreprésente certains cas produit un modèle biaisé dans les mêmes proportions. Des documents obsolètes créent un modèle qui répond avec assurance en se basant sur des procédures périmées, ce qui est plus dangereux que l’absence de réponse. Quelques centaines d’exemples ne suffisent jamais pour un affinage de qualité. Enfin, si tu dois faire un compromis, choisis un corpus plus petit et homogène plutôt qu’un massif de qualité inégale.
Phase 3 : Entraînement et itération (4 à 6 semaines)
Le modèle de base est affiné sur ton jeu de données, puis évalué sur un ensemble de validation composé de données qu’il n’a jamais vues pendant l’entraînement. Les résultats sont comparés à la référence et aux KPI cibles définis en phase 1. Tout écart déclenche une itération : ajustement des hyperparamètres, enrichissement du jeu de données ou correction des erreurs identifiées. En parallèle, tes experts mènent une validation métier en testant le modèle sur des cas réels. Un modèle qui atteint les métriques mais échoue sur des fichiers quotidiens n’est pas prêt.
En pratique, atteindre le niveau cible nécessite 2 à 4 itérations, chacune durant 1 à 2 semaines. Le FDE possède toute la partie technique : configuration de l’entraînement, optimisation des hyperparamètres, diagnostic des problèmes de performance et recommandations d’amélioration des données. Ton équipe n’a besoin d’aucune expertise en apprentissage automatique ; le FDE agit comme ton interface technique avec la plateforme Forge.
Phase 4 : Déploiement et surveillance (2 à 4 semaines)
Le modèle personnalisé est déployé sur l’infrastructure cible — Mistral Cloud, un VPC dédié ou on-premise — et s’intègre dans ton environnement via Mistral Enterprise, Enterprise Search ou tes applications internes grâce aux API. Des tests de charge valident les performances en conditions de production. La formation prépare les utilisateurs finaux à un modèle qui se comporte différemment d’un modèle généraliste. Des tableaux de bord suivent la performance, le volume et la satisfaction.
Cette surveillance éclaire directement la gouvernance. Elle détecte la dégradation progressive des performances, les cas d’usage imprévus et les signaux appelant un réentraînement, comme la disponibilité de nouvelles données ou des changements de procédure. Un modèle Forge n’est pas statique. Prévois un cycle trimestriel pour les domaines en évolution rapide, un cycle semestriel pour les domaines stables, et des cycles à la demande pour les changements majeurs comme de nouvelles réglementations, des fusions ou des lancements de produits.
Budget et ressources à prévoir
Côté Mistral, l’engagement inclut un FDE dédié pour la durée du projet, l’infrastructure d’entraînement (GPU) et un support technique et méthodologique. De ton côté, réserve 10 % à 20 % du temps de ton sponsor métier, une équipe de données d’une à deux personnes à temps partiel durant la phase 2, quelques heures hebdomadaires d’experts métier pour la validation, et un budget de projet variant selon la complexité (à définir lors de la phase d’évaluation). Provisionne réellement ces ressources. Un projet où le sponsor n’a pas libéré ce temps calera en phase 2.
Viktiga punkter
- Le processus Forge prend 3 à 6 mois répartis en quatre phases : évaluation, données, entraînement et déploiement
- La préparation des données est la phase la plus critique — la qualité des données détermine la qualité du modèle
- Un FDE de Mistral t’accompagne de bout en bout — ton équipe n’a besoin d’aucune expertise en apprentissage automatique
- Prévois un cycle de réentraînement pour maintenir la performance dans le temps