Table des Matières
Pour maintenir à jour un LLM on-premise, traitez-le comme quatre éléments qui vieillissent à des rythmes différents : les documents dont il tire ses réponses, le logiciel qui le sert, les poids du modèle et le modèle d'embedding de la recherche. Réindexez les documents à chaque changement, appliquez les correctifs selon un cycle fixe, et ne changez de modèle que si votre jeu de test montre un gain.
Points clés
- Les connaissances internes d'un modèle s'arrêtent à sa date de coupure d'entraînement. Llama 3.3 70B est sorti le 6 décembre 2024 avec des données de pré-entraînement qui s'arrêtent en décembre 2023 (Meta).
- Le savoir de l'usine a sa place dans l'index documentaire, pas dans les poids. Le tenir à jour veut dire réindexer, pas réentraîner.
- La pile de service a besoin de son propre cycle de correctifs. Le bulletin NVIDIA de mai 2026 sur ses pilotes GPU couvrait les GPU de centre de données sous Linux, avec un score de gravité maximal de 8,8 (NVIDIA).
- Sur vos propres serveurs, le modèle ne change que si vous le changez. Les modèles cloud sont retirés selon le calendrier du fournisseur (OpenAI).
- Chaque changement passe par le même contrôle : jeu de test, préproduction, déploiement limité et retour arrière possible.
Qu'est-ce qui vieillit réellement dans un LLM on-premise ?
« Mettre à jour l'IA » recouvre en général cinq tâches différentes. Leurs déclencheurs, leurs responsables et leurs risques diffèrent : planifiez-les séparément.
| Élément | Ce qui vieillit | Déclencheur habituel | Comment mettre à jour | Ce qu'il faut tester |
|---|---|---|---|---|
| Documents et index | Nouvelles révisions, rapports, ordres de travail | Un document est approuvé ou retiré | Réindexation incrémentale ; marquer les révisions périmées | Questions portant sur les documents modifiés |
| Serveur d'inférence, pilote GPU, système d'exploitation | Correctifs de sécurité, prise en charge de nouveaux modèles | Avis de sécurité ou bulletin du fournisseur | Correctifs selon un cycle fixe, procédure d'urgence pour les failles graves | Jeu de test complet, temps de réponse, mémoire |
| Poids du LLM | Date de coupure ; de meilleurs modèles apparaissent | Un candidat passe votre jeu de test | Remplacement par étapes avec retour arrière | Jeu de test complet dans toutes vos langues |
| Modèle d'embedding et reranker | Qualité de la recherche, couverture linguistique | Les tests de recherche montrent un gain | Réindexation complète en parallèle, puis bascule | Rappel de la recherche sur vos questions |
| Prompts et adaptateurs de fine-tuning | Liés à une version de modèle | Tout changement de modèle | Réécrire les modèles de prompt ; réentraîner les adaptateurs | Tests propres à chaque tâche |
Pour les options de déploiement et la gouvernance autour de ces éléments, consultez notre guide de l'IA souveraine on-premise.
Pourquoi ne pas réentraîner le modèle sur les nouveaux documents ?
Parce que ce n'est pas là que doivent vivre les connaissances à jour. Chaque modèle a une date de coupure d'entraînement, souvent bien antérieure à sa sortie : Llama 3.3 70B est sorti un an après la fin de ses données de pré-entraînement (Meta). Vos procédures changent chaque semaine.
L'article qui a introduit la génération augmentée par la recherche (RAG) citait la mise à jour des connaissances comme un problème ouvert pour les modèles qui ne stockent le savoir que dans leurs poids (Lewis et al., 2020). Le RAG le résout en fournissant au modèle les passages pertinents au moment de la question. Des études ultérieures ont montré que la recherche documentaire faisait systématiquement mieux que le fine-tuning non supervisé pour ajouter des connaissances (Ovadia et al., 2023), et que les modèles apprennent lentement de nouveaux faits par fine-tuning, puis hallucinent davantage une fois qu'ils les ont appris (Gekhman et al., 2024). Nous comparons les deux approches dans fine-tuning ou RAG.
En pratique, une nouvelle révision d'une procédure de consignation doit être consultable le jour de son approbation, sans entraînement sur GPU ni changement de modèle.
Comment garder l'index documentaire à jour ?
Rattachez l'indexation à votre circuit d'approbation des documents, pas à un calendrier.
- Une seule source de vérité. Connectez-vous à la GED ou au partage de fichiers où se trouvent les révisions approuvées, pas à des copies sur le portable de quelqu'un.
- Indexer à l'approbation. Quand une révision est approuvée, indexez-la et marquez la précédente comme périmée dans la même opération. Notre guide RAG pour les manuels de maintenance explique pourquoi une révision obsolète dans l'index est un problème de sécurité.
- Gérer les suppressions. Les documents retirés doivent sortir de l'index, pas seulement cesser d'être mis à jour.
- Resynchroniser les droits. Les droits d'accès changent à la source ; l'index doit suivre, comme décrit dans sécuriser un LLM on-premise.
- Versionner l'index. Enregistrez quelles révisions de documents contient chaque construction de l'index, pour pouvoir rattacher une réponse à ce que le système savait à ce moment-là.
À quelle fréquence corriger la pile de service ?
Plus souvent que le modèle. Le serveur d'inférence, le pilote GPU, les bibliothèques CUDA, les images de conteneurs et le système d'exploitation reçoivent tous des correctifs de sécurité.
Le projet vLLM, un serveur d'inférence open source, publie ses avis de sécurité sur GitHub, classés de faible à élevé ; beaucoup concernent des requêtes capables de faire planter ou de bloquer le serveur. Notre analyse construire ou acheter compte combien sont parus en un an.
Les pilotes GPU comptent aussi. Le bulletin NVIDIA du 19 mai 2026 sur ses pilotes GPU citait parmi les produits concernés les branches de pilotes Linux R595, R580 et R535 pour les GPU de centre de données Tesla, entre autres gammes. NVIDIA indique que les vulnérabilités pouvaient entraîner un déni de service, une élévation de privilèges, une divulgation d'informations, une altération de données et une exécution de code, et la faille la plus grave obtenait un score de 8,8 (NVIDIA).
Une routine réaliste :
- Figez les versions exactes de chaque composant et tenez-en la liste.
- Examinez les nouveaux avis selon un cycle fixe, et décidez pour chacun s'il vous concerne.
- Prévoyez une procédure d'urgence pour les failles graves qui touchent votre configuration.
- Appliquez chaque correctif d'abord sur un serveur de préproduction, puis passez le jeu de test, car une mise à jour du pilote ou du serveur peut modifier la vitesse, la consommation mémoire, voire les réponses.
Sur un réseau isolé, chaque mise à jour franchit la coupure par un transfert maîtrisé ; l'IA en air gap décrit ce processus.
Quand faut-il changer le modèle lui-même ?
Moins souvent qu'on ne le pense. Un modèle on-premise garde le même comportement tant que vous ne le remplacez pas, ce qui est un vrai avantage pour des processus industriels validés.
Les modèles cloud ne fonctionnent pas ainsi. La page des retraits de modèles d'OpenAI indique par exemple que l'abandon de gpt-4.5-preview a été annoncé le 14 avril 2025 pour un arrêt le 14 juillet 2025, et celui d'o3 le 11 juin 2026 pour un arrêt le 11 décembre 2026 (OpenAI). Le comportement d'un modèle hébergé peut aussi changer d'une version à l'autre : des chercheurs ont mesuré que GPT-4 distinguait les nombres premiers des nombres composés avec 84 % de précision dans sa version de mars 2023, et 51 % dans celle de juin 2023 (Chen, Zaharia et Zou, 2023).
Les bonnes raisons de changer de modèle :
- Un candidat obtient un score nettement meilleur sur votre propre jeu de test, questions en arabe et en français comprises.
- Vous avez besoin d'une capacité absente du modèle actuel, comme une langue ou un contexte utile plus long.
- Le modèle actuel ou sa prise en charge par le serveur d'inférence n'est plus maintenu.
- Un modèle plus petit passe désormais les mêmes tests et libère de la mémoire GPU.
Les mauvaises raisons : une place dans un classement public ou une annonce de sortie. Notre guide pour choisir un LLM open-weight détaille les vérifications de licence, de taille et de langues, à refaire pour chaque nouvelle version.
Trois détails pratiques :
- Figer par commit. Hugging Face permet de télécharger un modèle à une branche, une étiquette ou un hash de commit précis, et exige le hash complet dans ce dernier cas (Hugging Face). Enregistrez ce hash avec les empreintes des fichiers.
- Vérifier le format de prompt. Un nouveau modèle peut attendre un autre modèle de conversation : adaptez les prompts avant de comparer les réponses.
- Réentraîner les adaptateurs. LoRA gèle les poids du modèle pré-entraîné et y ajoute de petites matrices entraînables (Hu et al., 2021). Un adaptateur appartient donc au modèle de base sur lequel il a été entraîné : un nouveau modèle de base impose de le réentraîner.
Que se passe-t-il quand on change de modèle d'embedding ?
Vous reconstruisez tout l'index. Un nouveau modèle d'embedding produit des vecteurs dans un autre espace, et la similarité entre anciens et nouveaux vecteurs n'a aucun sens : ils ne peuvent pas partager un index (Zilliz).
La méthode sûre consiste à construire le nouvel index à côté de l'ancien, à recalculer les embeddings de tous les documents en tâche de fond pendant que l'ancien index continue de servir, à valider le nouveau sur un ensemble de requêtes réservé, puis à basculer en une seule opération (Zilliz). Conservez le texte extrait de chaque document, pour qu'une réindexation n'oblige pas à repasser l'OCR sur des milliers de scans.
Comment déployer une mise à jour sans risque, étape par étape ?
Les systèmes d'apprentissage automatique sont fortement couplés. Des ingénieurs de Google ont appelé cela le principe CACE, « Changing Anything Changes Everything » (changer quoi que ce soit change tout), et l'appliquent aux hyperparamètres, à la sélection des données et à pratiquement tout autre réglage (Sculley et al., 2015). Traitez chaque mise à jour de la même façon, aussi petite soit-elle.
- Enregistrer le changement. Notez ce qui change, pourquoi, les versions et empreintes exactes, et qui l'a approuvé. Un registre de modèles comme MLflow attribue à chaque nouvel enregistrement d'un modèle le numéro de version suivant, et permet à la production de pointer vers un alias nommé, comme « champion », plutôt que vers une version fixe (MLflow).
- Installer en préproduction. Utilisez un serveur qui reproduit la production : même type de GPU, mêmes pilotes, même configuration.
- Passer tout le jeu de test. Comparez l'ancienne et la nouvelle version sur les mêmes questions, en arabe, en français et en anglais. Toute nouvelle erreur sur une question critique est bloquante. Notre guide pour évaluer un LLM sur vos propres documents présente la méthode.
- Vérifier vitesse et mémoire avec le nombre d'utilisateurs simultanés attendu.
- Faire un déploiement canari. Le SRE Workbook de Google définit le déploiement canari comme un déploiement partiel et limité dans le temps d'un changement, accompagné de son évaluation. Donnez la nouvelle version à un petit groupe, comparez-la avec le reste des utilisateurs, et vérifiez aussi des seuils absolus (Google SRE).
- Basculer en gardant le retour arrière. Déplacez l'alias ou l'entrée de configuration vers la nouvelle version. Conservez l'ancien modèle, les anciennes images et l'ancien index sur disque.
- Surveiller en production. Le cadre de gestion des risques de l'IA du NIST demande de surveiller le comportement du système en production, et des plans post-déploiement couvrant la réponse aux incidents, la reprise et la gestion des changements (NIST AI RMF 1.0). Recueillez les signalements de mauvaises réponses et ajoutez-les au jeu de test.
Qui doit gérer chaque mise à jour, et à quel rythme ?
Les rythmes ci-dessous sont un point de départ à adapter, pas une norme.
| Mise à jour | Rythme suggéré | Responsable |
|---|---|---|
| Documents et droits d'accès | En continu, à l'approbation ou au changement à la source | Propriétaires des documents, administrateur de la plateforme |
| Avis de sécurité | Examinés selon un cycle fixe, procédure d'urgence pour les failles graves | Sécurité informatique et infrastructure |
| Pilote et système d'exploitation | Selon votre cycle de correctifs existant | Infrastructure informatique |
| Candidats modèle et embedding | Examinés une ou deux fois par an, ou quand un besoin apparaît | Responsable du système d'IA avec les ingénieurs utilisateurs |
| Jeu de test | Après chaque incident ou mauvaise réponse signalée | Ingénieurs qui utilisent l'assistant |
Sans responsables nommés, les mises à jour s'arrêtent après le départ de l'équipe projet, et la qualité se dégrade sans bruit.
Ce que nous avons constaté chez KABAS AI
DALILE tourne sur les serveurs du client, fonctionne sans connexion internet et se connecte à des systèmes comme SAP, Oracle, Microsoft 365, les LIMS, les systèmes de gestion documentaire et les bases de données SQL. Nous assurons la mise en place et formons l'équipe du client. Comme le système se trouve dans le réseau du client, chaque mise à jour suit le processus de changement et de sécurité du client, et nous le prévoyons dès le départ.
Les recommandations que nous donnons en découlent :
- Convenir du processus de mise à jour avant la mise en service : qui approuve les changements de modèle, comment les fichiers arrivent sur les serveurs, et en combien de temps un avis de sécurité grave est traité.
- Garder l'application indépendante d'un modèle donné, pour qu'une meilleure version open-weight puisse remplacer l'actuelle après tests, sans réécrire les intégrations.
- Conserver le jeu de test, les fichiers de modèle et l'historique des mises à jour sur l'infrastructure du client, sous sa propriété.
- Séparer les mises à jour documentaires des changements de modèle. Les premières sont le travail quotidien des propriétaires des documents ; les seconds sont un projet ponctuel et testé.
Si vous voulez de l'aide pour concevoir le processus de mise à jour ou revoir un déploiement existant, notre équipe conseil peut le travailler avec vos équipes IT, OT et sécurité.
Sources
- Meta, Llama 3.3 70B Instruct model card, Hugging Face
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020
- Ovadia et al., Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, 2023
- Gekhman et al., Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations?, 2024
- vLLM, avis de sécurité sur GitHub
- NVIDIA, Security Bulletin: NVIDIA GPU Display Drivers, mai 2026
- OpenAI, Deprecations
- Chen, Zaharia et Zou, How is ChatGPT's behavior changing over time?, 2023
- Hugging Face, Download files from the Hub
- Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, 2021
- Zilliz, How do you change your embedding model without re-indexing everything?
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- MLflow, Model Registry
- Google SRE Workbook, Canarying Releases
- NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023
Questions fréquentes
À quelle fréquence faut-il mettre à jour un LLM on-premise ?
Il n'y a pas d'intervalle unique, car les éléments vieillissent à des rythmes différents. Les documents doivent être réindexés dès qu'une nouvelle révision est approuvée. Les avis de sécurité du serveur d'inférence, des pilotes et du système d'exploitation doivent être examinés selon un cycle fixe, avec une procédure d'urgence pour les failles graves. Le modèle lui-même ne doit changer que lorsqu'un candidat passe votre propre jeu de test avec un gain net.
Faut-il réentraîner le modèle quand nos documents changent ?
Non. Dans une architecture RAG (génération augmentée par la recherche), le modèle lit vos documents au moment de la question : une nouvelle révision de procédure est indexée, pas apprise. Les travaux qui comparent les deux approches montrent que la recherche documentaire fait mieux que le fine-tuning pour ajouter des connaissances, et que les modèles apprennent lentement de nouveaux faits par fine-tuning.
Une nouvelle version du modèle fonctionnera-t-elle avec nos prompts et notre fine-tuning actuels ?
Pas automatiquement. Un nouveau modèle peut attendre un autre modèle de conversation (chat template) ou un autre format de prompt, traiter l'arabe et le français différemment, et relever d'une autre licence. Un adaptateur LoRA est entraîné sur un modèle de base précis : il faut donc le réentraîner pour un nouveau modèle. Repassez tout le jeu de test avant de basculer.
Que se passe-t-il si nous ne changeons jamais de modèle ?
Un modèle on-premise garde le même comportement tant que vous ne le changez pas, ce qui est l'un de ses avantages. Ses connaissances internes restent figées à sa date de coupure d'entraînement, mais dans un système RAG les connaissances à jour viennent des documents. Ce que vous ne pouvez pas sauter, ce sont les correctifs du logiciel qui l'entoure : serveur d'inférence, pilotes GPU et système d'exploitation reçoivent des correctifs de sécurité.
Comment revenir en arrière après une mise à jour ratée ?
Conservez sur disque l'ancien modèle, les anciennes images de conteneurs et l'ancien index documentaire jusqu'à ce que la nouvelle version ait tourné en production pendant une période convenue. Faites pointer l'application vers les versions par une référence nommée, comme un alias de registre ou une entrée de configuration : revenir en arrière consiste alors à rebasculer cette référence, pas à réinstaller.



