Le tuning peut concerner : l’ajustement des hyperparamètres (taux d’apprentissage, nombre de couches, taille du batch), l’optimisation du modèle via fine-tuning sur des données spécifiques, ou encore le calibrage des seuils de décision. Il vise à améliorer la précision, la robustesse ou la capacité de généralisation. En environnement métier, un bon tuning permet d’adapter un modèle préentraîné à un cas d’usage concret sans repartir de zéro. Il nécessite des compétences avancées en machine learning, des outils de validation croisée, et une bonne compréhension des enjeux métiers. Le tuning est aussi essentiel pour garantir la reproductibilité et la stabilité du modèle dans le temps. Il peut être automatisé (AutoML, grid search) ou effectué manuellement selon le niveau de maturité du projet.