> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/nouveau/studio/data-recipe.md). # Recettes de données Unsloth Découvrez comment créer, construire et modifier des jeux de données avec les recettes de données d'Unsloth Studio. Data Recipes d'Unsloth Studio vous permet de téléverser des documents comme des fichiers PDF ou CSV et de les transformer en jeux de données utilisables / synthétiques. Créez et modifiez visuellement des jeux de données via un flux de travail en graphe de nœuds. Ce guide vous permettra d’aborder les bases avant de plonger dans Unsloth Data Recipes.

### Comment fonctionne Data Recipes Data Recipes suit le même parcours de base. Vous ouvrez la page des recettes, créez ou choisissez une recette, construisez le flux de travail dans l’éditeur, le validez, exécutez un aperçu, puis lancez le jeu de données complet une fois que le résultat semble correct. Ajoutez des données d’amorçage et des blocs de génération, validez le flux de travail, prévisualisez un exemple de sortie, puis lancez la création du jeu de données complet. Unsloth Data Recipes est propulsé par **NVIDIA NeMo** [**Data Designer**](https://github.com/NVIDIA-NeMo/DataDesigner).

Exemple de génération d’un jeu de données et de fine-tuning d’un modèle

À première vue, un flux de travail habituel devrait ressembler à ceci : 1. Ouvrez la page des recettes. 2. Créez une nouvelle recette ou ouvrez-en une existante. 3. Ajoutez des blocs pour définir le flux de travail de votre jeu de données. 4. Cliquez sur **Valider** pour détecter rapidement les problèmes de configuration. 5. Exécutez un aperçu pour inspecter rapidement des lignes d’exemple. 6. Lancez une création complète du jeu de données lorsque la recette est prête. 7. Suivez la progression et la sortie en direct dans le graphe ou dans **Exécutions** vue pour plus de détails sur le mode. 8. Sélectionnez le jeu de données obtenu dans **Unsloth** et affinez un modèle. ### Commencer La page des recettes est le point d’entrée principal. Les recettes sont stockées localement dans le navigateur, ce qui vous permet de revenir plus tard sur votre travail sauvegardé. Depuis ici, vous pouvez créer une recette vierge ou ouvrir une recette d’apprentissage guidée. {% hint style="info" %} Les recettes peuvent être exportées et importées, il est donc facile de partager des flux de travail avec d’autres utilisateurs d’Unsloth :tada:. Si vous essayez de construire un type de jeu de données précis, demandez sur le Discord d’Unsloth. Quelqu’un a peut-être déjà une recette à partager. {% endhint %}

Si vous découvrez le concept des flux de travail, les recettes d’apprentissage sont le moyen le plus rapide de voir comment les données d’amorçage, les prompts, les expressions et les validateurs s’articulent dans un exemple fonctionnel. Si vous connaissez déjà la forme du jeu de données que vous voulez, partir de zéro est généralement plus rapide. #### Choisissez un point de départ

Si vous souhaitez :	Commencez avec :
_{Construire rapidement un flux de travail personnalisé}	_{Commencer à vide}
_{Apprendre le produit à partir d’un exemple}	_{Commencer à partir d’une recette d’apprentissage}
_{Continuer le travail précédent}	_{Ouvrir une recette enregistrée}

### Ce que vous construisez dans l’éditeur L’éditeur est l’endroit où la recette prend forme. Vous ajoutez des blocs depuis la feuille de blocs, les configurez dans des boîtes de dialogue, les reliez sur le canevas, puis validez ou exécutez le flux de travail.

Exemple de création d’un flux de travail de description de produit

{% columns %} {% column %} L’éditeur comporte quelques éléments principaux : * L’en-tête de la recette, où vous renommez la recette et basculez entre **Éditeur** et **Exécutions** * Le canevas, où le graphe de la recette est affiché * La feuille de blocs, où vous ajoutez de nouveaux blocs * Les boîtes de dialogue de configuration, où vous définissez les prompts, les références, les alias de modèles, les validateurs et les paramètres d’amorçage. * Les **Exécuter** et **Valider** commandes flottantes * il faut ajouter plus ici {% endcolumn %} {% column %} Les blocs les plus courants dans une recette sont : * **Graine** pour les données d’entrée provenant de Hugging Face, de fichiers locaux structurés (ou de documents non structurés qui sont découpés en lignes. * **LLM + Modèles** pour les fournisseurs, les configurations de modèle, les blocs de génération LLM et les profils d’outils partagés. * **Expression** pour les transformations basées sur Jinja2 qui ne nécessitent pas d’appel à un LLM. * **Validateurs** pour filtrer le code généré incorrect grâce à des linters intégrés pour Python, SQL et JavaScript/TypeScript. * **Échantillonneurs** pour les colonnes déterministes telles que les catégories et sous-catégories. {% endcolumn %} {% endcolumns %} ### Comment fonctionnent les références La plupart des blocs qui produisent des données (avec quelques exceptions) deviennent une référence pour les blocs ultérieurs. C’est l’une des idées principales derrière Data Recipes. Vous créez une valeur une fois, puis vous la réutilisez dans les prompts, les expressions, les sorties structurées et les étapes de validation. {% hint style="info" %} Les expressions Jinja vous aident à travailler avec des valeurs qui existent déjà dans la recette. Vous pouvez référencer des champs imbriqués comme `{{customer.first_name}}` , combiner des valeurs comme `{{customer.first_name}} {{customer.last_name}}` et ajouter une logique conditionnelle avec des motifs tels que `{% if condition %}...{% endif %}` {% endhint %}

Exemple de références affichées dans l’éditeur

Par exemple : * Un bloc de catégorie nommé `domaine` peut être référencé comme `{{ domain }}` * une colonne d’amorçage peut être utilisée directement dans un prompt LLM, les colonnes de vos données d’amorçage (par ex. colonnes d’un jeu de données HF, csv) * une sortie LLM structurée peut exposer des champs pour les prompts ultérieurs * un bloc d’expression peut combiner des valeurs antérieures sans autre appel au modèle ### Que se passe-t-il ensuite ? Les exécutions d’aperçu servent à itérer rapidement. Elles renvoient des lignes d’exemple et des analyses dans l’éditeur afin que vous puissiez inspecter les données générées avant de lancer une exécution complète. Les exécutions complètes créent un artefact de jeu de données local et persistant. Ce résultat apparaît ensuite dans le sélecteur de jeux de données local d’Unsloth, où vous pouvez l’inspecter à nouveau et l’utiliser pour le fine-tuning. Vous pouvez éventuellement publier votre jeu de données dans votre dépôt Hugging Face. ### Blocs de construction principaux {% columns %} {% column %}

{% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} #### La configuration du modèle est répartie en deux couches utilisables : * **Fournisseur de modèle** définit le point de terminaison et l’authentification * **Configuration du modèle** définit le nom du modèle et les paramètres d’inférence Cette configuration fonctionne avec des fournisseurs hébergés, des points de terminaison auto-hébergés, `vLLM` , `llama.cpp` , ou toute API compatible OpenAI que vous exécutez en dehors d’Unsloth. {% hint style="info" %} Les recettes ne se limitent pas à un seul modèle. Vous pouvez ajouter plusieurs **Fournisseurs de modèle** et **Configuration du modèle** blocs, puis utiliser différents modèles pour différentes étapes, par exemple un pour le code et un autre pour les tâches de texte général. {% endhint %} Après la configuration du modèle, vous pouvez utiliser quatre types de blocs LLM : | Bloc | Sortie | Idéal pour | | ------------- | ---------------- | ------------------------------------------------------------------------ | | Texte LLM | Texte libre | Instructions, explications, conversations et descriptions | | LLM structuré | JSON | Sortie nécessitant des champs fixes et une structure prévisible | | Code LLM | Code | Python, SQL, TypeScript et autres tâches de génération de code | | LLM juge | Évaluation notée | Noter les sorties avec une ou plusieurs notes définies par l’utilisateur | #### Profils d’outils {% columns %} {% column %} Les blocs de profil d’outil définissent un accès partagé aux outils basé sur MCP pour un ou plusieurs blocs LLM. Utilisez-les lorsqu’une étape de génération a besoin d’outils, par exemple pour consulter la documentation du code via `Context7`. L’image à gauche montre Context7 MCP ajouté et configuré dans la boîte de dialogue du bloc Profil d’outil : {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} #### Validateurs {% columns %} {% column %} Le bloc Validateur cible principalement les blocs de code LLM en exécutant les sorties de code générées via un linter et une validation de syntaxe. Cela vous aide à exclure les lignes de code mauvaises ou invalides du jeu de données final en les filtrant. Les options intégrées couvrent la validation Python, SQL et JavaScript/TypeScript. {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} ### Valider, prévisualiser et exécuter Une fois le flux de travail de la recette en place, l’étape suivante est l’exécution. Le schéma recommandé est : valider d’abord, prévisualiser pour obtenir un retour rapide et inspecter les données générées dans la vue des exécutions, puis lancer le jeu de données complet lorsque vous estimez que le résultat satisfait votre plan. Utilisez les contrôles d’exécution dans cet ordre : {% stepper %} {% step %} #### Valider Cliquez sur **Valider** pour détecter les problèmes de configuration. {% endstep %} {% step %} #### Prévisualiser Exécutez un aperçu pour inspecter des lignes d’exemple et des analyses {% endstep %} {% step %} #### Affiner Affinez les prompts, les références, les paramètres d’amorçage ou les validateurs. Itérez jusqu’à vous sentir satisfait des données générées {% endstep %} {% step %} #### Lancez la création complète du jeu de données {% endstep %} {% endstepper %}

--- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://unsloth.ai/docs/fr/nouveau/studio/data-recipe.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.