Ajustement d’embeddings pour la recherche spécialisée (sentence-transformers)
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Je fais d’abord l’inventaire des documents : formats, langues, documents scannés à passer en OCR, versions obsolètes à écarter. Je construis ensuite la chaîne d’indexation avec découpage adapté à vos documents, puis le stockage vectoriel dans PostgreSQL avec pgvector. Les réponses sont générées par le modèle de votre choix, hébergé ou local selon la sensibilité des données. Avant livraison, nous constituons ensemble une liste d’une cinquantaine de questions réelles pour mesurer la pertinence des réponses et ajuster le découpage. Avec 8 ans de pratique, je sais où se cachent les difficultés de ce type de mission. Outils utilisés : FastAPI, Python, pgvector, Next.js. Comptez environ 22 jours une fois le brief validé.
Procédures, contrats, notes techniques : l’information existe mais elle est dispersée dans des centaines de PDF et de fichiers Word. Les équipes perdent du temps à chercher et finissent par demander au collègue qui sait.
Un moteur de questions et réponses limité à vos documents, qui cite systématiquement ses sources. Les droits d’accès sont respectés et les documents peuvent être ajoutés sans intervention technique.
Deux mois de suivi pour ajuster l’indexation sur les nouveaux documents.
Paiement à la livraison pour les petites prestations ; acompte demandé au-delà.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.