Constituer une base de connaissances privée pour les banques : compression et RAG

Fin décembre, l'équipe conformité d'une banque régionale a tiré un bilan interne. Sur les disques partagés, les pièces jointes des courriels et les systèmes sous-traités, les procédures, les bulletins réglementaires et les rapports de due diligence représentaient ensemble plus de deux millions de documents. Leur objectif sonnait pourtant banal : permettre aux collaborateurs de poser des questions en langage naturel et d'obtenir des réponses accompagnées de leurs sources.

Trois obstacles les ont immobilisés. Les données ne pouvaient pas quitter le réseau interne. Les formats de documents formaient un chaos, les scans et les PDF dominant largement. Et par-dessus tout, la crainte d'un modèle sûr de lui mais dans l'erreur, où chaque phrase doit pouvoir remonter à une source précise avant d'être crue.

C'est précisément le problème que UglyPear Data décortique depuis plusieurs années. Ce que nous construisons, c'est une fondation de génie des données pour la compression de documents haute performance et la génération augmentée par la recherche (RAG), ancrée sur un seul principe : un déploiement entièrement privé, où les données ne quittent jamais le réseau interne. Voyons ce que cela exige réellement pour une institution financière qui veut dresser une base de connaissances privée digne de confiance.

Le temps perdu, et les risques qui pèsent

Une part considérable du temps des travailleurs du savoir s'évapore dans la recherche d'information. Une enquête IDC menée auprès de 1 200 travailleurs de l'information révèle que les employés consacrent en moyenne 4,5 heures par semaine simplement à retrouver des documents. Dans un environnement financier, ce chiffre a tendance à grimper. Les procédures foisonnent, les versions se multiplient, les recherches interservices s'enchaînent, et il suffit de confirmer quelle version est la bonne pour y laisser la moitié d'une journée.

Le problème plus profond tient à la sensibilité des données elles-mêmes. Le rapport IBM « Cost of a Data Breach » de 2025 indique que, parmi les données volées, les informations personnelles clients (PII) représentaient 53 %, les PII des employés 37 %, et la propriété intellectuelle 33 %. Et pour la propriété intellectuelle, le coût par enregistrement compromis peut atteindre 178 dollars. Pour une banque, une société de courtage ou un assureur, confier par lots des contrats, des dossiers clients et des rapports de recherche à un modèle de cloud public revient à laisser la porte du coffre ouverte.

Les volumes, eux, ne cessent de gonfler. Le rapport Komprise de 2026 établit que 74 % des grandes entreprises stockent plus de 5 PB de données non structurées, que 40 % dépassent 10 PB, et que 85 % des responsables informatiques anticipent une hausse continue des dépenses de stockage jusqu'en 2026. Les archives, l'imagerie et les journaux d'une institution financière sont exactement ce type de données qui occupent de l'espace sans être souvent sollicitées, alourdissant silencieusement la facture.

Pourquoi la compression est un préalable, pas une option

Beaucoup imaginent le RAG comme un simple déversement de documents dans une base vectorielle, suivi de questions. La réalité est moins propre. Les documents bruts envoyés à un modèle — volumineux, bruités, pleins de texte répétitif — font exploser à la fois le coût en tokens et le bruit de recherche. Les réponses s'effilochent, la facture monte, et la couche de recherche finit par renvoyer les mauvais extraits.

Notre démarche insère une passe de prétraitement avant que quoi que ce soit n'entre dans la base : les PDF, les images, la vidéo, l'audio, les fichiers Office, l'OFD, les scans et d'autres formats courants sont traités de manière uniforme, compressés quand cela aide, désensibilisés quand c'est nécessaire, et structurés quand cela compte. Selon nos références publiques, un document OFD de 443 pages est traité de bout en bout en environ 124 secondes, et les ressources image compressées avant d'être envoyées à GPT-4o réduisent le coût en tokens d'environ 85,9 %. Le volume diminue généralement de 60 à 80 %, ce qui signifie qu'un même budget de recherche couvre davantage de matière, et qu'une même réponse s'appuie sur un contexte plus propre.

Ce gain n'est pas qu'une ligne de coût : il change la façon dont les équipes utilisent la base. Une recherche moins chère à chaque requête rend les questions répétées abordables, et c'est précisément ce qui transforme un projet pilote en outil quotidien.

Une fondation privée, vérifiable de bout en bout

Récemment, nous avons fait avancer la base de connaissances privée vers un stade réellement livrable et vérifiable. Un système minimal d'acceptation a passé des tests de bout en bout, couvrant toute la chaîne : du téléversement et de l'ingestion incrémentale à la recherche multi-chemin tracée jusqu'à la source, en passant par les questions-réponses à citations contraintes et la mesure de l'usage. Il peut être déployé en une seule commande, sous forme de conteneur au sein de l'intranet du client, en fonctionnement entièrement hors ligne.

Pour une institution financière, cela veut dire dresser une base de connaissances interne où aucune donnée n'est envoyée vers un service externe, et où chaque réponse porte sa source. Après optimisation, la recherche et les questions-réponses, qui exigeaient auparavant plus d'une minute, répondent désormais en moins d'une seconde — assez vite pour que les gens s'en servent vraiment plutôt que de renvoyer un courriel à un collègue.

La souveraineté des données n'est pas un argument marketing ici : elle est la condition de conception. Tout, de l'analyse des documents à la génération des réponses, s'exécute sur les serveurs propres du client ou dans son réseau interne.

Trois routes, et ce qui les sépare vraiment

Les institutions financières se trouvent face à trois routes pour une base de connaissances, et les vraies différences résident dans la souveraineté des données et le prétraitement documentaire.

Pour les institutions aux exigences élevées de souveraineté, aux types de documents hétérogènes et qui souhaitent voir des résultats rapidement, une fondation RAG privée est généralement le choix le plus solide. Elle règle d'abord l'étape la plus difficile — faire entrer les documents proprement dans le modèle — au lieu de la laisser à la charge de quelqu'un d'autre.

Quelques repères pratiques pour réussir le déploiement

Traitez les informations sensibles en amont. Notre fondation intègre 13 catégories de détection de informations sensibles par IA, désensibilisant les zones comme les visages, les pièces d'identité et les sceaux, afin que les champs qui ne devraient jamais atteindre un modèle restent hors du contexte. N'espérez pas tout régler d'un coup. Démarrez avec une seule classe de documents à forte valeur, comme les bulletins réglementaires ou les manuels produits, prouvez que cela fonctionne, puis étendez. Et inscrivez dans les critères d'acceptation que chaque réponse doit citer sa source : sans traçabilité, une réponse n'est tout simplement pas fiable en finance, où une mauvaise citation peut entraîner une mauvaise décision.

Réfléchissez au budget de recherche, pas seulement au modèle. Compresser avant l'ingestion est ce qui rend un grand ensemble documentaire hétérogène abordable à interroger à répétition. Les économies de tokens se cumulent à chaque question posée, ce qui explique pourquoi un investissement unique de prétraitement continue de payer.

Pour explorer les capacités de la fondation et les produits associés, la page des solutions UglyPear Data détaille les options de déploiement privé adaptées aux environnements réglementés.

FAQ

Q : Avec une base de connaissances RAG, est-il vrai que les données ne quittent jamais l'intranet ?
R : Dans un déploiement privé, tout — de l'analyse des documents, la compression et la vectorisation jusqu'à la génération des réponses — s'exécute sur les serveurs propres du client ou dans son réseau interne. Aucun service cloud externe n'intervient, si bien que la souveraineté des données reste à l'institution.

Q : Des formats difficiles comme les scans et l'OFD peuvent-ils être utilisés directement ?
R : Oui. La fondation couvre huit formats courants — PDF, images, vidéo, audio, Office, OFD, scans et d'autres — et peut analyser et compresser les fichiers de mise en page scannés et OFD avant l'ingestion.

Q : La compression détruit-elle le contenu essentiel ?
R : La compression suit un principe de priorité à l'usage. Selon nos références publiques, un OFD de 443 pages est traité en environ 124 secondes de bout en bout, avec un volume réduit de 60 à 80 % tout en préservant la lisibilité, et les sceaux et mises en page bénéficient d'une protection dédiée.

Q : Un déploiement privé est-il plus coûteux que l'appel à un modèle de cloud public ?
R : À court terme, un déploiement privé exige votre propre capacité de calcul, mais ce qu'il économise à long terme, c'est le coût en tokens et le risque de conformité. Compresser les documents avant l'ingestion réduit fortement le coût en tokens (les ressources image d'environ 85,9 % selon nos références publiques), et supprime la perte potentielle liée à une fuite de données.

Q : Les petites équipes peuvent-elles aussi l'utiliser ?
R : La fondation privée convient avant tout aux scénarios intranet d'institutions de taille moyenne à grande. Les particuliers ou les petites équipes peuvent démarrer avec le produit de bureau de UglyPear Data pour gérer localement la compression et l'organisation de documents.

Essayez maintenant

Si votre institution évalue la mise en place d'une base de connaissances privée, voici de bonnes portes d'entrée :

• Aperçu des produits : SmartSlim et MagiFiler
• Fondation de génie des données RAG : UglyPear Data
• Pratiques d'ingénierie et références publiques : Blog UglyPear Data