AWS AIF-C01 : Fine-tuning, RAG ou Prompt Engineering — le piège qui coûte des points sur 28 % de l’examen

Sur l’examen AWS Certified AI Practitioner (AIF-C01), le domaine « Applications of Foundation Models » pèse à lui seul 28 % des questions — soit environ 18 questions sur 65, plus que n’importe quel autre domaine du blueprint officiel AWS. C’est aussi le domaine où revient le plus souvent un même piège : confondre fine-tuning, RAG (Retrieval-Augmented Generation) et prompt engineering. Pour une vue d’ensemble des 5 domaines de l’examen, voir notre guide complet AIF-C01.

Le piège qui revient sur le domaine le plus pondéré de l’examen

Face à un scénario du type « une entreprise veut que son modèle réponde avec les informations les plus récentes de son catalogue produit », beaucoup de candidats répondent instinctivement « fine-tuning » — parce que c’est le terme le plus familier, celui qu’on associe spontanément à « personnaliser un modèle IA ».

C’est presque toujours la mauvaise réponse. Et l’inverse existe aussi : des scénarios où RAG semble la solution « moderne » par défaut, alors que la bonne réponse est prompt engineering, voire aucune modification du modèle. Ce piège n’est pas isolé — on retrouve la même logique de confusion sur d’autres certifications AWS, comme le choix entre EC2, Lambda et Fargate sur le CLF-C02.

Pourquoi cette confusion est si fréquente

Les trois techniques répondent à la même question de surface — « comment faire dire au modèle ce que je veux ? » — mais à des niveaux complètement différents :

• Prompt engineering : on ne touche ni aux poids du modèle ni à ses sources de données. On reformule uniquement l’instruction envoyée au modèle (chain-of-thought, zero-shot, few-shot).
• RAG : le modèle reste inchangé, mais on lui injecte, au moment de la requête, des informations externes récupérées dans une base de connaissances.
• Fine-tuning : le modèle est réentraîné sur un jeu de données spécifique, ce qui modifie ses poids de façon durable.

L’examen AIF-C01 ne demande jamais « quelle est la définition du fine-tuning ? ». Il pose des scénarios métier et attend que vous identifiiez le bon outil selon trois critères : la fraîcheur des données nécessaires, le coût et la complexité acceptables, et si le besoin porte sur le contenu (les faits) ou sur le comportement (le style, le format, le ton).

3 questions type AIF-C01 — et pourquoi la bonne réponse surprend

Question 1 — Catalogue produit à jour

Une entreprise e-commerce veut qu’un chatbot réponde aux questions clients avec les prix et stocks actuels, qui changent plusieurs fois par jour. Quelle approche recommander ?

Réponse attendue : RAG. Le fine-tuning capturerait un instantané du catalogue au moment de l’entraînement, obsolète en quelques heures. RAG permet d’interroger une base de données à jour à chaque requête, sans réentraîner le modèle.

Question 2 — Ton et structure imposés

Un cabinet juridique veut qu’un modèle génère systématiquement des résumés de contrats dans un format et un ton précis, indépendamment du contenu du contrat. Quelle approche recommander ?

Réponse attendue : fine-tuning. Il ne s’agit pas d’injecter des faits externes, mais de faire adopter au modèle un comportement stable et reproductible — exactement le cas d’usage du fine-tuning.

Question 3 — Test rapide sans budget de données

Une équipe veut évaluer, en quelques heures et sans jeu de données d’entraînement, si un modèle de fondation existant peut résumer des tickets support de façon satisfaisante. Quelle approche recommander ?

Réponse attendue : prompt engineering. Aucune donnée externe n’est nécessaire, aucun réentraînement n’est justifié pour un simple test — on commence toujours par la solution la moins coûteuse avant d’envisager RAG ou fine-tuning.

Ce qu’il faut retenir avant l’examen

Le domaine « Applications of Foundation Models » ne teste pas votre capacité à réciter des définitions, mais votre capacité à choisir le bon outil selon le contexte métier. La question à se poser systématiquement face à un scénario : est-ce que le problème porte sur des faits qui changent, sur un comportement à stabiliser, ou sur rien de plus qu’une meilleure formulation ? Une fois ce réflexe acquis, la méthode d’analyse de vos résultats d’examen blanc vous aidera à repérer si ce domaine reste un point faible avant le jour J.