Comprendre la machine. Choisir le bon mode. Protéger ses données.

RAG AI Knowledge Machine est une plateforme privée de recherche documentaire augmentée par intelligence artificielle. Elle relie des contenus autorisés et indexés à des modèles de langage afin de retrouver, organiser, citer, expliquer ou rédiger des informations.

Son objectif n’est pas de présenter une « vérité automatique », mais de fournir une assistance contrôlée : la provenance des informations, le mode de réponse, les droits d’accès et le niveau de confidentialité restent des éléments centraux.

Non. RAG AI est un environnement privé, expérimental et accessible sur invitation. Aucun visiteur ne peut créer librement un compte. L’administrateur attribue chaque accès au cas par cas, avec un rôle et des permissions déterminés.

Le service peut proposer une interface conversationnelle comparable à un chat, mais son fonctionnement repose aussi sur un corpus documentaire, des connecteurs, des règles de confidentialité, des modes de réponse et un espace d’administration séparé.

Le terme décrit une chaîne complète plutôt qu’un simple modèle : collecte autorisée, importation, classement, extraction, indexation vectorielle, recherche, filtrage, génération, citations et contrôle humain.

La « machine » désigne donc l’écosystème qui transforme des documents dispersés en connaissances consultables, sans faire disparaître les limites ou l’origine des contenus.

La plateforme est en développement actif. Ses interfaces, modèles, paramètres, connecteurs, rôles, modes de réponse et mécanismes de confidentialité peuvent être corrigés ou améliorés.

• une fonction peut être temporairement indisponible ;
• le comportement d’un mode peut être précisé ou renforcé ;
• un modèle peut être remplacé pour des raisons de qualité ou de capacité ;
• une nouvelle validation des conditions peut être demandée après une évolution importante.

Le Centre de versions constitue le journal de référence des modifications validées : nouvelles fonctions, correctifs, changements de sécurité, évolutions de l’interface, mises à jour des modèles, adaptations des politiques et éventuelles limitations connues.

Il est accessible sur rayan-ai.ch/versions. Une note de version peut aussi être communiquée par e-mail lorsqu’un changement concerne directement un compte ou une règle d’utilisation.

Non. Cette page explique le fonctionnement de manière pédagogique. En cas de divergence, les documents versionnés applicables restent les conditions générales d’utilisation et la politique de confidentialité.

Les demandes peuvent être envoyées à [email protected]. Pour accélérer le diagnostic, il est utile d’indiquer la date, l’interface utilisée, le mode de réponse, le mode de confidentialité, le message affiché et les étapes permettant de reproduire le problème.

Ne transmettez jamais votre mot de passe, une clé API ni un secret de connexion dans un e-mail de support.

Pas nécessairement. Il s’agit avant tout de quatre chaînes de réponse. Un même modèle de langage peut être utilisé dans plusieurs chaînes, mais la place donnée aux sources, à la recherche documentaire et à la génération n’est pas la même.

Le mode détermine donc comment la réponse est construite. Le modèle sélectionné détermine plutôt avec quel moteur la génération est effectuée.

Le RAG commence par chercher des passages pertinents dans les contenus indexés auxquels l’utilisateur a droit. Ces passages deviennent un contexte documentaire pour restituer ou générer la réponse.

RAG Only privilégie la base documentaire. La réponse doit rester directement rattachée aux contenus indexés et autorisés. Il s’agit du mode le plus strict pour rechercher une information interne, contrôler sa provenance ou obtenir une réponse avec des sources visibles.

• aucun complément général ne doit être inventé en dehors du corpus ;
• les passages pertinents et les citations sont prioritaires ;
• si le corpus ne permet pas de répondre, le système doit le dire plutôt que combler le vide.

Le système commence par produire une base issue du RAG, puis un modèle de langage peut reformuler, synthétiser ou compléter la réponse. La partie documentaire reste le point d’ancrage et les sources doivent rester identifiables lorsque l’interface le prévoit.

Ce mode est utile lorsqu’une réponse sourcée doit être rendue plus claire ou plus pédagogique, tout en signalant que le complément du modèle n’est pas automatiquement confirmé par les documents.

Le modèle de langage compose principalement la réponse, mais il reçoit des passages récupérés dans le RAG comme contexte interne. Le résultat est généralement plus fluide et plus synthétique, tandis que les sources peuvent être moins visibles selon la configuration.

Ce mode ne doit pas basculer silencieusement vers le modèle seul : une récupération documentaire réelle doit avoir eu lieu. Il convient toutefois de vérifier davantage l’interprétation produite par le modèle.

LLM Only interroge le modèle sans recherche dans la base RAG. La réponse repose sur les connaissances générales et les capacités de génération du modèle configuré.

• aucune source RAG n’est utilisée ;
• aucune citation documentaire interne n’est garantie ;
• le risque d’erreur, d’information dépassée ou d’hallucination est plus élevé ;
• une confirmation supplémentaire peut être demandée avant l’exécution.

Dans RAG + LLM, la recherche documentaire reste la structure principale et le modèle vient ensuite améliorer la présentation. Dans LLM + RAG, le modèle construit la réponse et utilise les passages récupérés comme matériau de contexte.

• retrouver une information vérifiable dans les sources : RAG Only ;
• obtenir une explication claire tout en gardant les références : RAG + LLM ;
• produire une synthèse fluide fondée sur le corpus : LLM + RAG ;
• explorer une idée générale sans consulter le Knowledge Hub : LLM Only.

Le choix du mode ne remplace pas la vérification humaine. Pour une décision importante, privilégiez le mode offrant la meilleure traçabilité.

Dans les modes qui exigent le RAG, le système doit s’abstenir, indiquer qu’il ne dispose pas de contexte suffisant ou proposer de reformuler la question. Il ne doit pas transformer l’absence de résultat en information certaine.

La politique interne « Je ne sais pas » vise précisément à éviter une réponse faussement sourcée lorsque la recherche n’a rien trouvé de pertinent.

Non. Leur affichage dépend du mode de réponse et de la configuration active. RAG Only et RAG + LLM privilégient la visibilité des sources. LLM + RAG peut utiliser des passages en contexte sans les afficher tous. LLM Only ne consulte aucune source RAG.

Le nombre maximal de sources et de citations peut également être configuré par mode. Une citation visible indique une provenance, mais ne garantit pas que l’interprétation soit parfaite.

Plusieurs éléments peuvent varier : modèle chargé, température, formulation de la question, historique disponible, état de l’index, nombre de passages récupérés, seuil de pertinence, ordre des sources et version du système.

Une différence n’implique pas automatiquement une panne. Pour comparer correctement, il faut conserver le même mode, les mêmes paramètres, le même corpus et une formulation identique.

Non. Les deux réglages sont indépendants :

• le mode de réponse définit comment la réponse est construite ;
• le mode de confidentialité définit ce qui peut être conservé et combien de temps.

Il est donc possible, par exemple, d’utiliser RAG Only en mode Normal, Anonymous ou Sensible.

Le mode Normal permet la conservation contrôlée des échanges afin d’exploiter, diagnostiquer, sécuriser et améliorer le système. Peuvent notamment être conservés :

• la question ou le message ;
• la réponse générée ;
• l’historique de la conversation ;
• l’adresse IP, la date et l’heure ;
• le nom ou l’identifiant du compte WordPress ;
• certaines métadonnées techniques lorsque l’observabilité est activée.

La durée annoncée est de trois mois au maximum. Les données ne sont ni vendues ni utilisées en dehors de l’écosystème RAG AI. Rayan Gori est actuellement la seule personne autorisée à consulter ces données conservées.

Le mode Anonymous empêche la persistance durable du contenu dans les bases applicatives RAG AI. La question, la réponse, l’adresse IP, le nom du compte, l’historique et les métadonnées d’appareil ne doivent pas être enregistrés comme données de conversation.

Le contenu existe toutefois de manière transitoire pendant son transport sécurisé et pendant le calcul de la réponse. Sans ce traitement temporaire en mémoire, le système ne pourrait pas répondre.

Le mode Sensible reprend les protections du mode Anonymous et ajoute une protection visuelle de la réponse. Le contenu n’est pas conservé dans la base RAG et la réponse disparaît de l’interface après un délai déterminé.

Le délai de base est de 30 secondes, mais il peut évoluer selon la configuration. Après la purge, le contenu n’est plus récupérable depuis l’historique. Un marqueur technique neutre peut indiquer qu’une purge a eu lieu, sans contenir la question, la réponse, un extrait, l’IP ou l’identité.

La question doit être reçue, copiée dans une zone de travail temporaire, envoyée au composant de recherche ou au modèle, puis renvoyée au navigateur. Ces opérations utilisent la mémoire vive pendant un temps court.

En mode Anonymous ou Sensible, l’objectif est que ce contenu ne soit pas écrit durablement dans l’historique applicatif, la base de conversations, l’index documentaire ou les journaux fonctionnels. La mémoire de travail est libérée ou réutilisée après le traitement.

Oui. Le compte peut rester nécessaire pour vérifier que vous avez le droit d’accéder au service, mais l’identité ne doit pas être attachée durablement au contenu de la question ou de la réponse en mode Anonymous.

Les événements strictement nécessaires à la sécurité du compte, par exemple une connexion ou une tentative anormale, peuvent relever de journaux de sécurité séparés. Ils ne doivent pas contenir le texte de la conversation Anonymous.

Elle ne doit pas être enregistrée avec la conversation dans les bases applicatives RAG AI. En revanche, une adresse IP est nécessaire au fonctionnement d’une connexion Internet et peut être traitée temporairement par le navigateur, le serveur, le tunnel, l’hébergeur ou le fournisseur d’accès.

La promesse porte donc sur la non-persistance applicative dans RAG AI, et non sur une invisibilité réseau absolue face à tous les intermédiaires techniques.

L’interface retire la réponse visible et remplace éventuellement le contenu par un message neutre indiquant qu’il a été purgé. La conversation ne doit pas pouvoir restaurer la question ou la réponse depuis l’historique RAG.

La durée est réglée à 30 secondes par défaut, mais l’interface peut afficher une autre valeur si la configuration change. La valeur visible au moment de l’échange fait foi pour cette session.

Non. Aucun site web ne peut garantir l’impossibilité d’une photographie, d’une capture d’écran, d’un copier-coller effectué avant la purge, d’une extension intrusive ou d’un logiciel malveillant installé sur le terminal.

Le mode Sensible réduit fortement la durée d’exposition dans RAG AI, mais la sécurité du téléphone ou de l’ordinateur utilisé reste indispensable.

Non, et aucune plateforme connectée ne devrait promettre cela. Le mode est conçu pour supprimer l’historique et l’association durable avec l’identité dans l’application RAG AI. Il ne peut pas neutraliser un terminal compromis, un navigateur modifié, une surveillance du réseau local ou les obligations légales éventuelles d’un prestataire technique.

Écrivez à [email protected] en précisant la nature de la demande : accès, rectification, suppression, fermeture du compte ou question sur une durée de conservation.

Une vérification d’identité proportionnée peut être demandée afin d’éviter qu’un tiers ne récupère ou ne supprime vos informations. Les échanges Anonymous ou Sensibles déjà purgés peuvent ne plus exister et ne peuvent alors pas être communiqués.

• retirez les noms, adresses, numéros et détails non nécessaires ;
• choisissez Anonymous ou Sensible avant de saisir le message ;
• vérifiez visuellement que le bon mode est actif ;
• évitez d’envoyer mots de passe, clés API, secrets professionnels ou données de tiers sans autorisation ;
• fermez la session sur un appareil partagé.

N’envoyez pas le contenu sensible. Rechargez l’interface, vérifiez l’état affiché et signalez l’incident à l’administrateur avec une capture ne contenant aucune donnée confidentielle.

En cas de doute, considérez que le mode n’est pas actif tant que l’interface ne confirme pas clairement son état.

Le Knowledge Hub est l’ensemble organisé des contenus que RAG AI peut rechercher : articles, documents, métadonnées et autres ressources autorisées. Chaque source peut être associée à une provenance, un propriétaire, une audience, un type de contenu, une visibilité et un périmètre d’usage.

Le Hub n’est pas une copie indistincte de tout Internet. Il contient uniquement les sources importées, validées et indexées dans l’écosystème.

• Importer : récupérer le contenu et ses métadonnées depuis une source autorisée ;
• classer : attribuer des catégories, taxonomies, niveaux d’accès et informations de contexte ;
• indexer : transformer le contenu en fragments recherchables et en représentations vectorielles.

Un document peut donc être présent et classé sans être encore interrogeable par le RAG tant que l’indexation n’est pas terminée.

Un connecteur est un pont contrôlé entre RAG AI et une source externe ou une interface. Il vérifie l’origine de la demande, traduit les données dans un format compris par le Core et applique les permissions nécessaires.

Le connecteur WordPress permet notamment à l’interface ai.rayangori.ch d’envoyer une question au cœur RAG AI et de recevoir la réponse sans exposer directement les services internes.

Le flux général comprend l’inventaire des articles autorisés, l’extraction du contenu utile, la normalisation des métadonnées, la proposition ou validation de taxonomies, puis l’indexation des fragments.

Une modification importante ou une suppression dans WordPress doit être répercutée dans l’index afin d’éviter qu’une ancienne version continue d’être retrouvée.

Un long document est difficile à comparer directement à une question. RAG AI le découpe en fragments cohérents, puis calcule pour chacun une représentation numérique appelée vecteur ou embedding.

La question reçoit elle aussi une représentation vectorielle. Le moteur peut alors retrouver les fragments dont le sens est proche, même lorsque les mots exacts ne sont pas identiques.

Elles donnent du contexte à la recherche et limitent les erreurs de mélange. Selon la source, elles peuvent décrire :

• la nature ou le format du contenu ;
• le propriétaire ou l’origine ;
• l’audience visée ;
• la famille de sources ;
• la visibilité et le périmètre d’accès ;
• des indicateurs de qualité ou de confiance éditoriale.

Un indicateur tel que true_score ne transforme pas un texte en vérité absolue : il aide à qualifier ou prioriser la source selon les règles du projet.

Le système peut suggérer des catégories ou des termes, mais une étape de validation humaine est prévue pour les changements sensibles. Cette séparation entre suggestion et application réduit le risque d’une taxonomie incohérente.

Un audit en lecture seule peut également comparer l’état attendu et l’état réel avant une indexation définitive.

Les droits d’accès, le rôle du compte, l’audience, la visibilité, le périmètre et le connecteur utilisé peuvent filtrer les sources avant la recherche. Le fait qu’un contenu existe dans le Hub ne signifie pas que tous les comptes ont le droit de le consulter.

Le filtrage doit intervenir avant d’envoyer les passages au modèle afin d’éviter qu’une réponse révèle une source non autorisée.

Une seule source peut dépasser le seuil de pertinence, ou les autres résultats peuvent être redondants, moins fiables ou non autorisés. Le nombre maximal de sources et de citations est également configurable pour chaque mode.

Ajouter artificiellement des références faibles n’améliore pas la réponse. La qualité et la pertinence priment sur le volume.

Elle prouve surtout que le système a utilisé ou associé une source. Il reste possible que le passage soit ancien, ambigu, incomplet ou mal interprété. La citation permet la vérification ; elle ne remplace pas la lecture critique.

Les connecteurs et procédures d’indexation doivent détecter les modifications, remplacer les fragments concernés et retirer les entrées supprimées. Les audits finaux servent à vérifier que l’index correspond à la source de référence.

En cas de doute, consultez la date de la source et le Centre de versions, puis signalez le contenu obsolète.

Les causes fréquentes sont : indexation incomplète, formulation trop éloignée du vocabulaire du document, filtre d’audience, seuil de pertinence trop élevé, métadonnée incorrecte, source désactivée ou droits insuffisants.

Une reformulation avec des termes plus précis, le titre du document ou le contexte recherché peut améliorer le résultat.

Le top-k indique combien de fragments les plus proches sont récupérés avant filtrage ou génération. Une valeur trop faible peut manquer une information ; une valeur trop élevée peut ajouter du bruit et diluer le contexte.

Le réglage optimal dépend de la longueur des documents, du mode de réponse et de la capacité du modèle.

Un résumé court aide l’utilisateur à comprendre rapidement pourquoi une source est proposée. Il doit rester distinct du texte original et ne pas masquer le lien vers la source complète.

Comme tout contenu généré, ce résumé peut être imparfait ; il sert d’orientation et non de remplacement du document.

Un Large Language Model est un modèle entraîné à prédire et générer du texte. Il peut résumer, reformuler, expliquer, traduire ou rédiger, mais il ne possède pas une compréhension humaine ni une base de vérité garantie.

Dans RAG AI, le LLM peut être absent, complémentaire ou dominant selon la chaîne de réponse choisie.

Le cœur RAG AI est conçu pour exécuter les modèles configurés sur son infrastructure privée, notamment via un service local de modèles. Cela réduit la dépendance à une API publique et permet de mieux contrôler la chaîne de traitement.

Cette exécution locale ne signifie pas que toute la connexion est hors réseau : l’interface WordPress, le tunnel sécurisé et l’hébergement web participent toujours au transport de la requête. Le détail d’un déploiement peut évoluer et doit être suivi dans les notes de version.

Les modèles diffèrent par leur taille, leur vitesse, leur style, leur capacité de raisonnement, leur consommation de mémoire et leur aptitude à suivre des instructions. Un petit modèle peut être très rapide pour une tâche simple ; un modèle plus lourd peut mieux traiter une synthèse complexe.

Le choix peut être automatique, associé à un persona ou laissé à l’administrateur selon les droits du compte.

La température règle la diversité des choix de mots du modèle. Une valeur basse favorise des réponses plus stables et prévisibles ; une valeur plus haute augmente la variété et la créativité, mais aussi le risque de digression.

• basse : extraction, synthèse factuelle, réponses professionnelles ;
• moyenne : explication naturelle et rédaction équilibrée ;
• haute : idéation ou création, avec vérification renforcée.

La température ne rend pas une information plus vraie. Elle change surtout la variabilité de la génération.

Un token est une unité de texte utilisée par le modèle : mot court, morceau de mot, ponctuation ou nombre. La limite de sortie fixe la quantité maximale que le modèle peut générer.

Une limite trop basse peut couper la réponse ; une limite très haute augmente le temps, la mémoire et le risque de répétition. Le nombre de tokens ne correspond pas exactement au nombre de mots.

La fenêtre de contexte est la quantité totale d’informations que le modèle peut considérer à la fois : question, instructions, historique, passages RAG et réponse en cours.

Lorsque le contexte est saturé, des éléments doivent être résumés, réduits ou retirés. Un contexte plus grand n’est utile que si les informations ajoutées sont pertinentes.

Chaque source consomme de la place dans la fenêtre de contexte. Trop de passages peuvent ralentir le système et noyer l’information importante. RAG AI permet donc de définir des plafonds par mode, tout en conservant la possibilité d’afficher plusieurs références lorsque cela apporte une réelle valeur.

Le CPU peut exécuter un modèle, mais le GPU accélère généralement fortement les calculs parallèles. La quantité de mémoire vidéo disponible limite la taille du modèle et du contexte pouvant être chargés efficacement.

Le matériel influence surtout le temps de réponse, la capacité et la fluidité. Il ne garantit pas à lui seul l’exactitude du contenu.

Le modèle peut devoir être chargé en mémoire, l’index peut effectuer une première recherche à froid, ou plusieurs services peuvent se réveiller après une période d’inactivité. Les réponses suivantes peuvent alors être plus rapides.

Un persona est un profil d’instructions qui règle le ton, la structure, les priorités et les garde-fous de la réponse. Il ne crée pas une nouvelle base de connaissances et ne modifie pas les droits d’accès.

Le persona ne peut pas contourner le mode de confidentialité, rendre visible une source interdite ou transformer une information incertaine en fait établi.

Le Bibliothécaire constitue le profil de référence orienté recherche, classement, synthèse prudente et citation. Il privilégie le corpus, distingue ce qui est trouvé de ce qui est interprété et doit reconnaître l’absence d’information pertinente.

Lorsqu’il est activé, le Rédacteur aide à produire des documents structurés : courriers, notes, comptes rendus, propositions ou textes professionnels. Il organise les informations fournies, adapte le registre et signale les éléments manquants.

Il ne doit pas inventer de faits pour compléter un document. Les personas supplémentaires et leur statut de déploiement sont annoncés dans le Centre de versions.

Non, sauf règle explicitement affichée et validée par l’administration. Le persona concerne la méthode de réponse ; les sélecteurs RAG/LLM et Normal/Anonymous/Sensible restent des contrôles séparés.

Un modèle ne possède pas spontanément une mémoire personnelle. Une continuité n’existe que si l’application lui renvoie un historique ou des informations enregistrées et autorisées.

En mode Anonymous et Sensible, aucun historique de conversation ne doit être conservé pour alimenter une session ultérieure. En mode Normal, la continuité dépend des fonctions activées et de la durée de conservation.

Non. La création autonome est désactivée. L’administrateur de RAG AI Knowledge Machine attribue les accès au cas par cas, après avoir déterminé l’interface, le rôle et les permissions nécessaires.

Une demande d’accès ne crée aucun droit automatique. Un compte peut être limité, suspendu ou retiré si les conditions ne sont plus remplies.

Selon le type d’accès, l’e-mail peut indiquer le nom de la plateforme, l’identifiant, le rôle attribué, le lien de connexion, les premières consignes de sécurité et la procédure de définition ou récupération du mot de passe.

Les e-mails de notification peuvent aussi annoncer une modification de rôle, une suspension, une alerte de sécurité ou une mise à jour importante. Les instructions réellement configurées côté serveur priment sur le texte d’un ancien message.

Ces noms d’interface ne remplacent pas les permissions techniques réelles. L’administrateur peut ajuster le mapping à mesure que le projet évolue.

Le compte WordPress sert principalement à l’accès utilisateur, au connecteur de chat et aux fonctions éditoriales autorisées. Le compte /admin appartient à un plan de contrôle séparé : modèles, sources, comptes, sécurité, journaux et versions.

Posséder un compte WordPress ne donne pas automatiquement accès à /admin. Les deux droits doivent être accordés séparément.

Oui. Les sources disponibles peuvent être filtrées selon le rôle, l’audience, le périmètre ou la visibilité. Deux comptes posant la même question peuvent donc recevoir des résultats différents si leurs permissions ne sont pas identiques.

Il ne doit jamais être stocké ni envoyé comme texte lisible. Les systèmes d’authentification enregistrent un hachage cryptographique salé, qui permet de vérifier le mot de passe sans conserver sa valeur originale.

L’administrateur ne doit pas pouvoir vous communiquer votre ancien mot de passe ; il peut uniquement déclencher ou autoriser une réinitialisation.

Les tentatives répétées peuvent déclencher un blocage temporaire, des délais supplémentaires et une alerte à l’administrateur. Ces protections limitent les attaques automatisées par essais successifs.

En cas de blocage légitime, attendez la fin du délai ou contactez l’administrateur. Ne multipliez pas les essais avec différents mots de passe.

La plateforme utilise des cookies ou jetons de session limités dans le temps, transmis sur des connexions sécurisées et configurés pour réduire les risques d’accès par un site tiers. Une session peut être invalidée après expiration, déconnexion, changement de mot de passe ou action de sécurité.

Sur un appareil partagé, utilisez toujours la déconnexion complète.

• cessez immédiatement d’utiliser le compte depuis l’appareil suspect ;
• changez le mot de passe depuis un terminal de confiance ;
• écrivez à [email protected] ;
• indiquez l’heure approximative et les événements constatés, sans envoyer votre mot de passe.

Envoyez une demande à [email protected] en précisant le compte WordPress, le compte /admin ou les deux. Une vérification d’identité peut être demandée.

La suppression du compte et la suppression des conversations sont deux opérations distinctes. Les données résiduelles suivent la politique de confidentialité et les obligations de sécurité applicables.

Selon la version de l’interface :

• Conversation affiche l’échange en cours ;
• Médias regroupe les fichiers ou contenus associés lorsque cette fonction est activée ;
• Analyse peut présenter le mode choisi, les sources, les citations ou des informations sur le traitement.

Le contenu exact de ces zones peut évoluer. Une note de version doit accompagner tout changement majeur.

Le Core est le coordinateur central. Il reçoit les demandes autorisées, applique les réglages, interroge le moteur vectoriel, prépare le contexte, appelle le modèle sélectionné et renvoie une réponse structurée.

Il expose des routes techniques aux connecteurs, mais ces routes ne sont pas destinées à une utilisation directe sans authentification et autorisation.

La base relationnelle conserve les informations structurées nécessaires au fonctionnement : configurations, références de sources, états d’indexation, comptes ou journaux selon le composant. Son rôle est différent de celui de l’index vectoriel.

Les règles de conservation dépendent du type de donnée et du mode de confidentialité.

Qdrant est le moteur de recherche vectorielle. Il stocke les représentations numériques des fragments indexés et permet de retrouver rapidement ceux dont le sens est proche de la question.

Il ne remplace pas le document original ni les permissions : les métadonnées et filtres restent indispensables.

Le composant d’extraction transforme un document complexe en contenu exploitable : texte, titres, sections, tableaux et métadonnées lorsque le format le permet. Cette étape précède le découpage et l’indexation.

Une extraction automatique peut perdre une mise en page ou mal interpréter un tableau ; un contrôle reste nécessaire pour les documents importants.

Il charge et exécute les modèles de langage configurés sur l’infrastructure. Le Core lui transmet les instructions, le contexte et les limites de génération, puis récupère le texte produit.

La taille du modèle, la mémoire disponible et le matériel déterminent la vitesse et la capacité de traitement.

Le tunnel permet de publier les points d’accès nécessaires sans exposer directement les services internes sur Internet. Il relaie les connexions HTTPS vers l’infrastructure contrôlée et facilite l’application de règles réseau.

Le tunnel constitue une couche de protection, pas une garantie absolue. Les comptes, applications et serveurs doivent rester correctement configurés.

Les composants peuvent être isolés dans des conteneurs ou services séparés. Chacun reçoit une fonction, des ports internes, des volumes et des permissions limités. Une panne ou une compromission d’un composant est ainsi moins susceptible de donner automatiquement accès à tout le système.

Cette encapsulation facilite aussi les mises à jour, sauvegardes et redémarrages ciblés.

La séparation réduit les privilèges, améliore le diagnostic et permet de remplacer un composant sans reconstruire toute la plateforme. L’interface n’a pas besoin d’un accès direct à la base vectorielle, et le modèle n’a pas besoin de gérer les comptes WordPress.

L’interface web, le tunnel, le Core, la base vectorielle et le service de modèles sont distincts. WordPress peut rester disponible alors qu’un autre composant redémarre, manque de mémoire ou rencontre une erreur.

Le message de diagnostic et l’état des services dans /admin permettent d’identifier le maillon concerné.

Elles permettent à un administrateur autorisé d’arrêter progressivement les services en cas d’incident, puis de relancer la pile dans un ordre contrôlé. Elles sont protégées et ne sont pas accessibles aux comptes ordinaires.

Une interruption volontaire peut donc être visible pendant une maintenance ou une réponse à incident.

Non. Les sauvegardes protègent les composants durables selon les procédures d’exploitation, mais les contenus Anonymous et Sensibles sont volontairement conçus pour ne pas être restaurables comme conversations.

Une sauvegarde ne doit pas contredire la durée maximale annoncée pour les données du mode Normal. Les politiques de purge doivent inclure les copies de sauvegarde selon leur cycle technique.

Les accès publics doivent utiliser HTTPS/TLS. Ce chiffrement protège le contenu pendant son transport entre le navigateur et les points d’entrée de la plateforme contre une lecture directe sur le réseau.

Il ne protège pas un appareil déjà compromis ni une session ouverte laissée accessible. Le certificat, les navigateurs et les serveurs doivent rester à jour.

• chiffrement : rend une donnée illisible sans clé, tout en permettant son déchiffrement autorisé ;
• hachage : produit une empreinte non réversible, utilisée notamment pour vérifier un mot de passe ;
• anonymisation applicative : empêche l’enregistrement durable du contenu et de son association à l’identité dans RAG AI.

Ces mécanismes se complètent mais ne sont pas interchangeables.

La plateforme ne doit pas prétendre à un chiffrement de bout en bout si le Core et le modèle doivent lire la question pour produire une réponse. Le transport HTTPS est chiffré ; la protection au repos dépend de la configuration effective des serveurs, volumes et sauvegardes.

Une fonctionnalité ne doit être annoncée comme « chiffrée au repos » qu’après vérification technique et documentation dans une version publiée.

Chaque interface, rôle et service doit disposer uniquement des droits nécessaires. Un utilisateur de chat ne doit pas pouvoir administrer les modèles ; WordPress ne doit pas interroger directement les bases internes ; un connecteur ne doit transmettre que les données prévues.

Ce principe du moindre privilège réduit l’impact d’une erreur ou d’un compte compromis.

L’espace d’administration utilise des comptes séparés, des sessions limitées, des contrôles d’accès, des protections contre les tentatives répétées et des journaux de sécurité. Les fonctions critiques, telles que l’arrêt d’urgence, ne sont visibles qu’aux administrateurs habilités.

Les journaux d’administration peuvent conserver la date, le compte et l’action afin d’assurer la traçabilité, sans devoir enregistrer le contenu d’une conversation Anonymous.

Aucun système connecté ne peut promettre un risque nul. HTTPS, l’isolation des services, le tunnel, les contrôles d’accès, la réduction des journaux et les purges automatiques rendent l’interception ou l’exploitation beaucoup plus difficile.

Un appareil infecté, un mot de passe volé, une extension malveillante, une mauvaise configuration ou une vulnérabilité inconnue restent néanmoins possibles. La sécurité repose sur plusieurs couches et une surveillance continue.

Une donnée non conservée ne peut pas être extraite ultérieurement de l’historique applicatif. La minimisation réduit donc l’impact potentiel d’un accès non autorisé à la base de conversations.

Elle ne protège toutefois pas la donnée pendant qu’elle est visible sur l’écran ou traitée temporairement pour produire la réponse.

Les e-mails servent aux invitations, alertes et informations de service. Ils traversent des systèmes de messagerie externes et ne doivent jamais contenir un mot de passe en clair, une clé secrète ou le contenu complet d’une conversation sensible.

Vérifiez l’adresse de l’expéditeur et méfiez-vous d’un message demandant vos identifiants ou vous dirigeant vers un domaine inattendu.

Écrivez à [email protected] avec une description factuelle, l’heure, le composant concerné et une méthode de reproduction minimale.

N’exploitez pas davantage la faille, ne consultez pas les données d’un tiers et ne publiez pas de secret. L’administrateur pourra arrêter un service, révoquer une session ou appliquer un correctif.

• maintenir le système et le navigateur à jour ;
• utiliser un mot de passe unique et robuste ;
• éviter les extensions de navigateur non fiables ;
• verrouiller l’écran et se déconnecter sur un appareil partagé ;
• ne jamais coller de secret technique dans le chat.

Oui. Une réponse peut être inexacte, incomplète, datée, ambiguë ou formulée avec trop d’assurance. Le RAG améliore la traçabilité, mais il ne supprime pas les erreurs d’extraction, de recherche, de source ou d’interprétation.

Vérifiez les éléments importants dans la source originale et auprès d’un professionnel compétent lorsque la décision comporte un risque.

C’est une information plausible produite par le modèle sans fondement suffisant. Elle peut prendre la forme d’un fait inventé, d’une citation inexistante, d’un lien erroné ou d’une conclusion non soutenue.

Le risque est plus élevé en LLM Only et diminue lorsque le système exige un contexte RAG pertinent, sans toutefois disparaître complètement.

Non. La plateforme peut aider à comprendre, préparer des questions ou structurer un document, mais elle ne réalise pas d’examen clinique, de diagnostic, de consultation juridique individualisée ni d’évaluation professionnelle complète.

Pour la santé, la psychologie, le droit, le social, la finance, la sécurité ou toute décision importante, faites vérifier le résultat par une personne qualifiée.

Non. RAG AI n’est pas un service d’urgence et sa disponibilité n’est pas garantie. En cas de danger immédiat, contactez les services d’urgence compétents ou une personne capable d’intervenir directement.

La source peut être ancienne, contestable ou hors contexte. Le moteur peut sélectionner un passage pertinent mais incomplet, et le modèle peut en tirer une conclusion trop large. La citation donne le moyen de contrôler le raisonnement ; elle ne transforme pas la sortie en décision automatique.

L’utilisateur reste responsable de ce qu’il décide, publie, transmet ou exécute à partir d’une réponse. Il doit vérifier les faits, respecter les droits des tiers et ne pas présenter la sortie du système comme une validation professionnelle lorsque ce n’est pas le cas.

Sont notamment interdits : partage ou revente d’un compte, contournement des permissions, extraction massive non autorisée, prompt injection visant des secrets, fraude, phishing, introduction de fichiers malveillants, saturation volontaire du service et recherche de données auxquelles l’utilisateur n’a pas droit.

Les règles détaillées figurent dans les conditions générales d’utilisation.

Non. Vous devez disposer du droit d’utiliser le contenu et respecter la confidentialité des tiers. N’envoyez pas un document protégé, un dossier professionnel confidentiel ou des données personnelles obtenues sans autorisation.

L’importation dans le Knowledge Hub est une opération distincte de l’envoi temporaire d’un fichier dans une conversation.

Aucune disponibilité continue n’est garantie. Des maintenances, mises à jour, redémarrages, incidents réseau ou limites matérielles peuvent interrompre temporairement le chat, l’indexation ou l’administration.

Les informations importantes doivent être conservées ailleurs ; RAG AI ne doit pas être l’unique copie d’un document.

Oui. Une mise à jour du corpus, du modèle, du prompt système, de la taxonomie, des paramètres ou de l’interface peut modifier le résultat. Les changements validés sont documentés dans le Centre de versions.

Une évolution substantielle des droits, des règles ou du traitement des données peut nécessiter une nouvelle acceptation.

Adresse unique : [email protected].

Elle peut être utilisée pour une demande d’accès, une fermeture de compte, une demande relative aux données, un incident de sécurité, un problème technique ou une question sur les conditions d’utilisation.

• date et heure approximatives ;
• ordinateur, tablette ou téléphone ;
• navigateur utilisé ;
• mode RAG/LLM et mode de confidentialité ;
• étapes exactes avant le problème ;
• message d’erreur visible et capture anonymisée.

Ne joignez jamais une conversation sensible, un mot de passe ou une clé secrète.

Oui. Elle doit évoluer avec les systèmes réellement déployés. Chaque version indique une date et un numéro. Une nouvelle question peut être ajoutée lorsqu’un fonctionnement devient stable, qu’un incident révèle un besoin d’explication ou qu’une fonctionnalité change.

FAQ-1.0.1 | 2 septembre 2026 : correction responsive des onglets et des accès rapides sur mobile et mini-mobile ; suppression des tirets cadratins dans le contenu éditorial.