> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Entraîner et déployer votre premier modèle

> Transformez des exemples réels issus de votre application en modèle spécialisé et comparez-le avant son déploiement.

Ce guide suppose que votre projet achemine déjà un trafic représentatif via Model Distillation.

<h2 id="1-build-a-dataset">
  1. Créer un jeu de données
</h2>

Ouvrez la page **Datasets** du projet et choisissez le trafic qui représente le mieux le comportement que vous souhaitez conserver.

Examinez un échantillon avant l’entraînement. Supprimez les exemples de mauvaise qualité et vérifiez que le jeu de données couvre les situations que les clients rencontrent réellement.

<Card title="Démarrage rapide de Datasets" href="/fr/model-distillation/studio/datasets-quickstart" arrow="true">
  Créez et examinez votre premier jeu de données dans l’interface utilisateur.
</Card>

<h2 id="2-improve-the-answers-when-needed">
  2. Améliorer les réponses si nécessaire
</h2>

Les réponses de votre modèle actuel peuvent servir directement de cibles d’entraînement. Si elles manquent de cohérence ou si vous souhaitez inculquer un meilleur comportement au modèle, réétiquetez le jeu de données avec un modèle plus performant.

Le réétiquetage génère un autre ensemble de réponses sans remplacer les réponses d’origine. Vous pouvez ainsi comparer les deux et choisir celui sur lequel entraîner votre modèle.

<h2 id="3-train-several-candidates">
  3. Entraîner plusieurs modèles candidats
</h2>

Choisissez les modèles à entraîner. Un petit sweep est généralement plus utile qu’un run unique, car le meilleur modèle pour une tâche donnée n’est pas toujours le plus grand.

L’interface gère le flux de travail d’entraînement et met les modèles entraînés à disposition pour la comparaison et le déploiement.

<Card title="Démarrage rapide du fine-tuning" href="/fr/model-distillation/studio/fine-tuning-quickstart" arrow="true">
  Lancez un run d’entraînement à partir d’un jeu de données prêt à l’emploi.
</Card>

<h2 id="4-compare-quality">
  4. Comparer la qualité
</h2>

Créez une évaluation et comparez chaque candidat aux réponses que vous souhaitez conserver. Examinez à la fois le score global et les exemples individuels pour identifier les points sur lesquels un modèle progresse ou régresse.

Ne déployez pas à partir d’une évaluation incomplète. Corrigez les comparaisons en échec et assurez-vous que le résultat reflète le comportement qui compte pour votre produit.

<Card title="Démarrage rapide des évaluations" href="/fr/model-distillation/studio/evaluations-quickstart" arrow="true">
  Lancez une comparaison directe dans l’interface utilisateur.
</Card>

<h2 id="5-deploy-the-winner-safely">
  5. Déployer le modèle gagnant en toute sécurité
</h2>

Ajoutez le meilleur modèle à l’acheminement du projet. Pour un déploiement canari en production, commencez par lui attribuer une partie du trafic, puis augmentez sa part à mesure que votre confiance grandit.

Après un déploiement complet, conservez le modèle précédent dans la configuration d’acheminement avec un poids nul. Vous pourrez ainsi revenir rapidement en arrière sans lui envoyer de nouveau trafic.

<Accordion title="API : flux de travail de l’agent">
  Fournissez à l’agent le nom du modèle proxy, l’entity W\&B, la fenêtre de jeu de données souhaitée, les modèles de base candidats, le modèle juge et la part de trafic du déploiement. Orientez-le ensuite vers les requêtes prêtes à copier dans :

  * [Démarrage rapide des jeux de données](/fr/model-distillation/studio/datasets-quickstart) ;
  * [Démarrage rapide du fine-tuning](/fr/model-distillation/studio/fine-tuning-quickstart) ;
  * [Démarrage rapide des évaluations](/fr/model-distillation/studio/evaluations-quickstart) ;
  * [Acheminement et versions](/fr/model-distillation/studio/routing-and-versions).

  Demandez-lui d’attendre que chaque ressource asynchrone ait atteint son état final de réussite avant de lancer l’étape qui en dépend.
</Accordion>