Pour votre documentation aéronautique, le RAG (Retrieval Augmented Generation) est la bonne réponse sur ce qui bouge (AMM, IPC, bulletins de service, révisions) et le fine-tuning est la bonne réponse sur ce qui reste stable (vocabulaire des chapitres ATA, format de rapport, raisonnement qualité EN 9100). Dans la pratique, un projet sérieux combine rarement une seule des deux briques : il les répartit selon le type de document.
Cet article détaille ce que chaque approche gère bien sur un corpus aéronautique réel, propose un tableau de décision par type de document (ATA, AMM, CCTP, 8D) et présente l'architecture hybride que nous mettons en oeuvre chez les sous-traitants et bureaux d'études qui nous mandatent sur ce type de projet.
En bref
RAG : indexe vos documents et cite ses sources, sans réentraînement, idéal sur une documentation qui change (AMM, IPC, bulletins de service). Fine-tuning : ancre durablement un vocabulaire et un comportement (chapitres ATA, format 8D, raisonnement EN 9100), sans mémoriser des faits datés. Hybride : le fine-tuning règle le comportement de génération, le RAG alimente les faits à jour. Sur la majorité des corpus aéronautiques, on commence par le RAG et on ajoute un fine-tuning léger seulement si un problème de vocabulaire ou de format persiste.
RAG en une phrase, fine-tuning en une phrase
Le RAG change ce que le modèle voit au moment de répondre : vos documents sont découpés en chunks, convertis en vecteurs, stockés dans une base vectorielle, puis les passages les plus pertinents sont injectés dans le contexte du modèle à chaque question. Le fine-tuning change comment le modèle se comporte de façon permanente : on poursuit son entraînement sur des exemples annotés pour qu'il adopte un vocabulaire, un format de sortie ou un raisonnement donnés, une fois pour toutes.
Cette distinction est décisive sur un corpus aéronautique, parce que ce corpus mélange deux natures de contenu très différentes. D'un côté, une documentation vivante qui évolue à chaque révision d'AMM ou chaque nouveau bulletin de service (SB). De l'autre, un vocabulaire et des formats de rapport stables sur des années : la nomenclature des chapitres ATA, la structure d'un procès-verbal de contrôle, le raisonnement d'un 8D qualité. Confondre les deux besoins est l'erreur d'architecture la plus fréquente que nous constatons sur ce type de projet.
Pour une présentation plus générale de cette distinction hors contexte aéronautique, notre article RAG vs fine-tuning, le comparatif technique complet détaille les fondamentaux. Le vertical juridique a déjà validé ce même exercice de déclinaison métier avec notre comparatif RAG vs fine-tuning pour cabinet juridique : la mécanique de décision est transposable, seuls les types de documents et les contraintes réglementaires changent.
Ce que le RAG gère bien sur une base documentaire aéronautique qui bouge
La documentation technique aéronautique n'est jamais figée. Un AMM (Aircraft Maintenance Manual) est révisé plusieurs fois par an par l'OEM. Un IPC (Illustrated Parts Catalog) suit les évolutions de configuration d'un appareil. Un bulletin de service (SB) peut rendre obsolète une procédure du jour au lendemain. Sur ce type de corpus, le RAG a un avantage structurel que le fine-tuning ne peut pas reproduire.
Quand une nouvelle révision d'AMM arrive, il suffit de réindexer les chapitres modifiés dans la base vectorielle : la prochaine question posée par un technicien ou un ingénieur méthodes reçoit une réponse ancrée sur la dernière version approuvée, en quelques minutes. Aucun réentraînement, aucun cycle de validation de modèle. C'est la même logique que celle détaillée dans notre guide sur l'IA et la documentation technique aéronautique, qui couvre l'architecture RAG appliquée à un corpus ATA/AMM complet.
Le second avantage du RAG, non négociable dans ce secteur : la traçabilité de la source. Chaque réponse doit pouvoir renvoyer vers le numéro de section AMM, la révision et la page exacts, pour permettre à l'utilisateur de vérifier dans le document primaire avant d'agir. Un modèle fine-tuné ne cite pas ses sources : il génère depuis ce qu'il a appris, sans lien vérifiable vers un passage précis. Sur des procédures de sécurité, cette absence de traçabilité est disqualifiante.
Documents typiquement RAG
AMM, IPC, CMM, SRM, bulletins de service (SB), consignes de navigabilité (AD), CCTP d'un appel d'offres en cours, historiques de non-conformités par référence pièce. Le point commun : ce sont des documents qu'on veut interroger tels quels, à jour, avec citation de la source exacte.
Ce que le fine-tuning apporte : vocabulaire, format, raisonnement métier EN 9100
Le fine-tuning n'a de sens que sur des comportements stables, jamais pour stocker des faits datés. Sur un corpus aéronautique, trois usages ressortent nettement des projets que nous menons.
La reconnaissance du vocabulaire et de la structure ATA. Un modèle généraliste, non spécialisé, confond parfois des désignations proches ou interprète mal un acronyme propre à un OEM (Airbus, Safran, CFM). Un fine-tuning léger sur un corpus de documentation certifiée, avec des exemples de questions-réponses annotées par vos propres méthodes, réduit nettement ces erreurs de terminologie. Ce travail suppose de manipuler des extraits de documentation parfois soumis à des clauses de confidentialité contractuelle ou ITAR : notre article entraîner une IA sur des données aéronautiques confidentielles détaille comment constituer et sécuriser ce type de dataset.
Le format de sortie d'un rapport qualité. Un rapport 8D (méthode de résolution de problème en huit disciplines) ou une fiche de non-conformité suit une structure attendue par votre système qualité EN 9100. Si vous voulez qu'un assistant génère systématiquement un brouillon de 8D avec les huit sections dans le bon ordre et le bon niveau de formalisme, le fine-tuning ancre ce comportement bien mieux qu'un prompt, aussi détaillé soit-il.
Le raisonnement qualité récurrent. Classer une non-conformité selon votre propre nomenclature interne (défaut process, défaut matière, défaut fournisseur), ou extraire systématiquement les exigences d'un CCTP selon une grille de lecture propre à votre bureau d'études, sont des tâches de classification que le fine-tuning apprend durablement sur quelques centaines à quelques milliers d'exemples annotés.
Ce que le fine-tuning ne fait jamais bien : mémoriser fidèlement le contenu d'un AMM ou d'un IPC pour le restituer plus tard. Un modèle fine-tuné sur des centaines de pages de manuel n'en retient pas le texte exact, il en absorbe le style et le vocabulaire. C'est une confusion fréquente et coûteuse. Pour approfondir le fine-tuning appliqué à un modèle Mistral en contexte entreprise, voir notre guide fine-tuning Mistral sur données d'entreprise.
Tableau de décision par type de document
| Type de document | Nature | Architecture recommandée | Pourquoi |
|---|---|---|---|
| AMM (chapitres ATA) | Révisé plusieurs fois par an | RAG | Mise à jour immédiate sans réentraînement, traçabilité de la source |
| IPC / bulletins de service | Évolue avec la configuration flotte | RAG | Références pièces exactes, jamais figées dans un modèle |
| CCTP (appel d'offres) | Ponctuel, volumineux, unique par lot | RAG | Extraction d'exigences ciblées, pas de comportement à ancrer durablement |
| Rapport 8D / non-conformité | Récurrent, format et raisonnement stables | Fine-tuning léger + RAG | Format EN 9100 ancré par fine-tuning, historique retrouvé par RAG |
| Vocabulaire ATA / jargon OEM | Stable, transversal à tous les documents | Fine-tuning | Comportement terminologique durable, indépendant d'un document précis |
Ce tableau révèle une asymétrie nette : la majorité des documents aéronautiques (AMM, IPC, CCTP) relèvent naturellement du RAG, parce qu'ils changent et exigent une traçabilité de la source. Le fine-tuning ne devient pertinent que lorsque le problème identifié est un problème de comportement récurrent, pas un problème de contenu manquant.
L'approche hybride : fine-tuner le comportement, indexer les faits
Pour les bureaux d'études et sous-traitants avec des exigences élevées à la fois sur la précision documentaire et sur la conformité de format qualité, l'architecture hybride est souvent le choix le plus performant. Le principe : un fine-tuning léger sur la couche de génération ancre le vocabulaire ATA, le format de rapport et le raisonnement EN 9100, tandis que le RAG alimente la couche de récupération avec les extraits d'AMM, d'IPC ou d'historique de non-conformités pertinents pour chaque requête.
Concrètement, le modèle fine-tuné sait structurer une fiche de non-conformité selon votre référentiel qualité et utiliser la terminologie exacte de vos méthodes. Le RAG lui fournit les faits à jour : la révision AMM en vigueur, les bulletins de service applicables, les non-conformités similaires déjà traitées sur la même référence pièce. Selon la comparaison détaillée par IBM sur RAG et fine-tuning, les organisations qui combinent les deux approches obtiennent généralement de meilleurs résultats que celles qui n'en retiennent qu'une seule, à condition de bien répartir les rôles entre les deux briques. Le comparatif de Contextual AI sur le choix RAG vs fine-tuning en entreprise arrive à une conclusion similaire pour les cas d'usage à forte exigence de fraîcheur documentaire.
Sur le plan matériel, un SLM (Small Language Model) de 3 à 7 milliards de paramètres, fine-tuné en LoRA ou QLoRA puis quantifié, reste économique à opérer et déployable on-premise, sans dépendance à un cloud externe. C'est l'architecture que nous recommandons dès que la documentation relève de l'ITAR, de l'EAR ou d'un secret industriel contractuel avec un OEM, un sujet que notre article SLM embarqué pour la documentation technique aéronautique détaille du point de vue de l'inférence locale, et que notre guide déployer un SLM on-premise et sécurisé dans l'aéronautique approfondit du point de vue infrastructure (GPU, habilitations, MLOps). C'est aussi ce qui distingue durablement cette approche d'un simple usage de ChatGPT en sous-traitance, comme on le détaille dans IA souveraine vs ChatGPT chez les sous-traitants aéronautiques.
Point de méthode
Commencez toujours par un RAG seul sur votre documentation la plus consultée (AMM, IPC). N'ajoutez un fine-tuning que si vous identifiez un problème de comportement précis et récurrent : format de rapport non conforme, vocabulaire mal reconnu, classification qualité incohérente. Le fine-tuning en plus du RAG est un raffinement, pas un point de départ.
Cette exigence de traçabilité documentaire et de maîtrise du référentiel qualité rejoint directement les principes de la norme EN 9100, qui impose une maîtrise documentaire stricte à tout organisme de la chaîne aéronautique : quelle que soit l'architecture retenue, l'assistant IA reste un outil de navigation et de rédaction assistée, jamais un substitut au document approuvé ni à la vérification humaine.
RAG, fine-tuning ou hybride
Vous hésitez sur l'architecture à retenir pour votre documentation AMM, IPC ou CCTP ? Cadrons ensemble votre corpus et vos contraintes qualité.
Questions fréquentes
Pour aller plus loin
- IA et documentation technique aéronautique : architecture RAG complète sur un corpus ATA/AMM, de l'indexation à l'interface de consultation.
- SLM embarqué pour la documentation technique aéronautique : déployer un modèle offline en atelier, choix du modèle et du matériel.
- RAG vs fine-tuning, le comparatif technique complet : les fondamentaux hors contexte aéronautique, pour une vision généraliste.
- RAG vs fine-tuning pour cabinet juridique : le même exercice de décision décliné sur un autre vertical réglementé.
- Fine-tuning Mistral sur données d'entreprise : guide pratique pour préparer un dataset et conduire un fine-tuning léger.
- IA pour les sous-traitants aéronautiques à Toulouse : panorama des cas d'usage IA au-delà de la documentation.
- Assistant IA interne RAG : notre offre de cadrage et de déploiement d'un assistant documentaire sur mesure.
