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

# Modèles sur mesure

> Modèle d'embedding fine-tuné sur vos données, verrouillé par acceptation contre un jeu d'évaluation figé de vraies requêtes, promu sur un gain mesuré.

Conare construit la pile de récupération propre à votre entreprise : un modèle d'embedding fine-tuné sur vos données, évalué contre vos vraies requêtes, servi avec son propre reranker et la base de données où résident vos données.

Ce n'est pas une API en libre-service — c'est un engagement, parce que le travail est spécifique à vos données. Voici exactement comment cela se déroule.

## Comment se déroule l'engagement

<Steps>
  <Step title="Connectez vos données">
    Votre corpus arrive via les [connecteurs](/integrations/overview) ou l'API — les mêmes chemins d'ingestion que le reste de la plateforme. Vos données entraînent **votre** modèle ; elles ne sont pas mutualisées avec celles de quiconque.
  </Step>

  <Step title="Figer le jeu d'évaluation">
    Nous construisons un jeu de référence à partir de vos vraies requêtes et de résultats jugés — figé avant le début de l'entraînement, afin que la cible ne dérive pas pour flatter le modèle. Ce jeu est le seuil d'acceptation pour tout ce qui suit.
  </Step>

  <Step title="Entraîner et évaluer">
    Le modèle est fine-tuné sur votre distribution et évalué contre le jeu figé sur les métriques qui déterminent la qualité de récupération : rappel sur vos requêtes, position de classement de la bonne réponse, et comportement de non-réponse calibré.
  </Step>

  <Step title="Promouvoir seulement sur une victoire prouvée">
    Un candidat n'est déployé que s'il bat l'incumbent sur votre jeu d'évaluation. Aucune mise à niveau basée sur le ressenti : s'il ne gagne pas sur vos requêtes, il ne sert pas.
  </Step>

  <Step title="Servir épinglé">
    Le modèle gagnant sert votre trafic avec un épinglage de version explicite — la même [garantie jamais-silencieusement-substituée](/embeddings/api#model-pinning) que l'API hébergée — aux côtés d'un reranker ajusté à la même distribution. La maintenance continue maintient le modèle à jour à mesure que vos données évoluent.
  </Step>
</Steps>

## Ce que vous obtenez au final

* Un modèle d'embedding mesurablement meilleur **sur vos requêtes** que l'API générique que vous utilisez aujourd'hui — avec les preuves d'évaluation à l'appui.
* Un reranker apparié, pour que le rappel de première étape et l'ordre final s'améliorent ensemble.
* Un service dans la même plateforme que vos données — pas de pipeline inter-fournisseurs à exploiter.

## Démarrer une conversation

Les modèles sur mesure sont dimensionnés par engagement — la taille du corpus, le volume de requêtes et les critères d'évaluation façonnent le travail.

<Card title="Réservez un appel" icon="calendar" href="https://cal.com/amurzin/30min">
  30 minutes avec le fondateur : apportez une description de votre corpus et une poignée de vraies requêtes pour lesquelles la récupération vous déçoit aujourd'hui.
</Card>