Construire une base de connaissances de recherche : RAG privé et compression

Le doctorant vient à peine de changer d'ordinateur. Le conseiller lui renvoie un dossier de candidature de trois cents mégaoctets, et le courrier rebondit contre la limite de taille des pièces jointes. Deux étages plus loin, quelqu'un rédige une revue de littérature et cherche une figure publiée il y a trois ans : trois dossiers fouillés, une version retrouvée — la mauvaise. Le matériau existe. Il est simplement éparpillé, obèse, et introuvable au moment où on en a besoin.

Ce genre d'instant n'est pas un accident. Les financeurs de recherche et les comités d'éthique durcissent depuis quelque temps leurs exigences sur les productions numériques. Un jeu de données, un brouillon ou une figure publiée doivent aujourd'hui rester traçables et auditables : qui a modifié quoi, quelle version est finale, où vit la source brute. Sur le papier, c'est raisonnable. Dans la réalité d'un laboratoire, les années de littérature, de propositions de financement et de carnets d'expérience s'accumulent en dizaines de gigaoctets de fichiers Office, bourrés de captures d'écran, de courbes et de pages scannées. La gouvernance devient un slogan dès lors que les fichiers eux-mêmes échappent à tout contrôle.

D'où vient le « poids mort » des documents académiques

La plupart des productions de recherche naissent dans un document Office. Un brouillon de thèse compte peut-être seulement quelques dizaines de milliers de mots ; pourtant les illustrations intégrées, les organigrammes, les captures d'instruments et les références scannées pèsent souvent plus lourd que le texte. S'ajoute l'imbrication : un graphique PowerPoint copié depuis Excel, un schéma Word rogné depuis un PDF. Objet dans objet, le fichier grossit, et personne ne s'assoit pour le ranger.

Une enquête mondiale commandée par M-Files et menée par Vanson Bourne a mesuré cette douleur avec précision : 96 % des employés déclarent peiner à retrouver la dernière version d'un document, et 83 % ont déjà recréé un fichier simplement parce qu'ils ne parvenaient pas à localiser celui qui existait déjà. Transposez cela dans un laboratoire et vous obtenez des doctorants qui réindexent le même corpus, et des équipes qui entretiennent chacune leur propre bibliothèque de référence « à peu près équivalente ». Le gaspillage n'est pas spectaculaire. Il se cumule cohorte après cohorte.

Un progrès récent, du côté de la compression, mérite attention. Le moteur de compression a récemment optimisé son pipeline Office complet, si bien que les images et les graphiques intégrés à l'intérieur d'un document sont désormais compressés de façon récursive, et non plus seulement le corps du texte. Pour un article scientifique ou un dossier de financement, cela signifie que les visuels intégrés responsables du gonflement du fichier finissent par être traités : le document rétrécit, le courriel passe, et la synchronisation entre appareils cesse de bloquer. En benchmarks publiés, un document OFD de 443 pages est traité de bout en bout en 124 secondes, et les images compressées réduisent le coût en tokens de leur alimentation à un modèle d'environ 85,9 % (référence GPT-4o). Pour qui rédige des synthèses ou des demandes de financement en touchant régulièrement à des modèles de la classe de GPT-4o, cette arithmétique est difficile à ignorer.

L'économie des tokens, vue d'un bureau de chercheur

Ce dernier point compte plus qu'il n'y paraît. La synthèse bibliographique, la rédaction de financements, et même du code de routine passent aujourd'hui par de grands modèles de langage, et ces modèles facturent à la token. Une figure collée dans un document comme capture haute résolution peut discrètement consommer des milliers de tokens à chaque fois qu'elle est envoyée au modèle, même quand l'information utile qu'elle contient est minuscule. Compresser ces images intégrées avant qu'elles n'atteignent jamais un modèle fait donc double emploi : le fichier est plus léger à stocker et à envoyer, et le même contenu coûte bien moins cher à faire raisonner. Pour un laboratoire qui paie déjà l'accès aux modèles, les économies s'additionnent sur des centaines de documents, sans que personne ne change sa façon de travailler.

Les données froides mangent le stockage en silence

L'étude clients de Komprise montre que 60 % à 70 % des données sur un NAS d'entreprise n'ont pas été consultées depuis plus de 90 jours, tout en occupant le stockage principal le plus coûteux. Les établissements de recherche en sont l'archétype : un projet se clôt, un article paraît, et les données brutes ne sont plus touchées par personne — mais elles ne peuvent être ni supprimées ni mal rangées, car un jour un évaluateur les réclamera, exactement telles quelles.

Les universités affrontent presque chaque année des évaluations d'établissement, des audits et des inspections, et ressortir des données brutes de trois ou cinq ans est une routine. À ce moment-là, plus personne ne se souvient dans quel dossier a atterri un rapport final, et deviner à partir du nom de fichier devient la seule option. Compressez et indexez la matière en avance, et quand la demande arrive réellement, une seule requête la localise sans qu'aucune main ne fouille.

C'est pourquoi la gestion des connaissances académiques doit résoudre non pas seulement « parvenons-nous à le trouver », mais aussi « parvenons-nous à le stocker à moindre coût et à le déplacer facilement ». Voilà exactement pourquoi la compression et la recherche vont de pair : réduisez d'abord le volume du document, puis laissez la base de connaissances le situer par le contenu plutôt que par le nom de fichier. Les deux capacités se renforcent au lieu de se disputer l'attention.

Où l'erreur humaine s'infiltre

Il vaut la peine de noter que la fuite ne vient que rarement d'une attaque sophistiquée. L'étude 2025 d'IBM sur le coût des violations de données révèle que 26 % des violations trouvent leur origine dans une erreur humaine — le chemin plus ordinaire, plus fréquent que l'intrusion externe. Dans un contexte de recherche, cela peut être les coordonnées d'un collaborateur laissées dans un brouillon partagé, ou un jeu de données sensible joint à un courriel envoyé à la mauvaise adresse. La leçon n'est pas de craindre le spectaculaire ; elle est de rendre le cas ordinaire sûr par défaut. La détection et le masquage automatiques des contenus sensibles au moment de l'ingestion suppriment toute une classe d'accidents avant qu'ils n'aient lieu.

RAG privé : les données restent sur le campus

Ce qu'UglyPear Data construit, c'est une combinaison de compression documentaire haute performance et d'un socle d'ingénierie des données pour la génération augmentée par récupération (RAG), déployée entièrement en privé — les données ne quittent jamais le réseau interne. Pour les organismes de recherche, où la souveraineté des données est presque non négociable, c'est le plancher, pas une fonctionnalité. Déployez sur le serveur du campus et la littérature, les carnets d'expérience et les rapports internes des enseignants et des étudiants demeurent dans la salle de serveurs locale, sans jamais transiter vers un cloud externe. L'option air-gapped reste envisageable pour les environnements les plus sensibles.

Au sein de ce socle, 13 catégories d'informations sensibles pour l'IA sont automatiquement détectées et masquées. Un numéro d'identification ou un contact de collaborateur enfoui dans un dossier de financement est traité avant l'ingestion, si bien que les recherches et les questions-réponses ultérieures ne feront pas remonter ce qui doit rester caché. La recherche elle-même respecte les permissions jusqu'au niveau du fragment : qui peut voir quel passage est appliqué au moment de la requête, plutôt que d'ouvrir d'un coup tout le dépôt.

Le socle se connecte aussi directement aux bases de données existantes de l'établissement, si bien que les données d'origine sont retrouvées et citées sans être déplacées ni sortir du domaine. Bien des campus disposent déjà d'un système documentaire ou d'un dépôt vieux de plusieurs années ; pas besoin de tout reconstruire — on branche et on utilise. La présentation technique de l'offre figure sur la page produits, avec les capacités de compression intégrée et de déploiement privé. Les mises à jour embarquent restauration par instantané et protection contre la suppression accidentelle, si bien que si une importation tourne mal, on peut revenir à dernier bon état.

Sur quoi peser son choix

Il y a plus d'une façon de bâtir une base de connaissances de recherche. Le tableau ci-dessous place quelques chemins courants contre le même jeu de dimensions, afin qu'un établissement pèse ce qui lui convient.

Aucune option n'est universelle. Un petit laboratoire se débrouille très bien avec un disque partagé. Mais pour soutenir un système inter-campus, multi-cohortes, qui passe aussi la revue de conformité, le déploiement privé adossé à une compression intégrée tend à équilibrer « sous contrôle » et « réellement utilisable ». Les détails de l'architecture privée sont disponibles sur la page produits.

Quelques scènes concrètes

En phase de revue bibliographique, on rassemble dans un même endroit les PDF et les notes des cinq dernières années, et l'on demande en langage naturel de faire remonter les passages pertinents au lieu de tourner les pages. En rédaction de proposition, les dossiers lauréats du cycle précédent, les commentaires d'experts et les notes de révision sont tous dans la base, si bien qu'une nouvelle section peut s'inspirer de ce qui a été fait avant. Pour la formation des doctorants, les encadrants peuvent accumuler d'anciens rapports d'ouverture et slides de soutenance dans une « base d'expérience » interrogeable, afin que les nouveaux éviten les mauvais détours. D'un campus à l'autre, les documents compressés sont plus légers et circulent plus vite, plus jamais bloqués par le plafond des pièces jointes.

Ces scènes paraissent banales. La difficulté est de les rendre routinières et peu exigeantes. Une base de connaissances prouve sa valeur précisément quand personne ne la surveille — et qu'elle retrouve et restitue pourtant.

FAQ

Q : Le déploiement privé implique-t-il une lourde charge d'exploitation ?
R : UglyPear Data fournit un déploiement entièrement privé, les données restant sur site, et il peut se connecter directement aux bases existantes de l'établissement afin que les données d'origine soient ingérées sans déplacement, réduisant la charge d'exploitation d'une construction à partir de zéro. La forme du déploiement est évaluée selon l'environnement.

Q : Faut-il abandonner notre système documentaire actuel ?
R : Non. Le socle se connecte directement aux bases existantes ; les données d'origine sont retrouvées et citées sans quitter le domaine, si bien que le dépôt actuel peut rester et être réutilisé.

Q : La compression va-t-elle flouter les graphiques et nuire à la qualité de l'article ?
R : La compression optimise la taille du document en traitant de façon récursive les images et graphiques intégrés pour réduire le volume ; les benchmarks publiés montrent un document OFD de 443 pages traité en 124 secondes, la clarté relevant des chiffres publics officiels.

Q : Comment empêcher la fuite des informations sensibles ?
R : Avant l'ingestion, 13 catégories d'informations sensibles pour l'IA sont détectées et masquées automatiquement ; la recherche applique des permissions au niveau fragment au moment de la requête, si bien qu'aucun contenu non autorisé n'apparaît.

Q : Pouvons-nous utiliser l'assistance d'un modèle pour écrire sans exposer les données internes ?
R : Oui, au sein de l'environnement privé vous pouvez brancher des modèles tandis que les données restent sur site ; la compression abaisse le coût en tokens de leur alimentation (images réduites d'environ 85,9 % sur base GPT-4o), si bien que vous obtenez la puissance du modèle sans exposition externe.

Essayez maintenant

Pour voir comment le RAG privé et la compression documentaire se déploient dans votre propre laboratoire ou département, consultez les présentations publiques de SmartSlim et du socle d'ingénierie des données RAG, ou lisez davantage de réflexions sur le choix et le déploiement sur le blog UglyPear Data. Quand le matériel est sous contrôle, trouvable et transportable, la recherche cesse d'être ralentie par ses propres documents.