Tutoriels

Un assistant peut transformer des notes en compte-rendu en dix minutes — ou inventer une décision. Ce tutoriel montre comment garder la main : plan fixe, faits seulement, relecture par quelqu’un qui était dans la pièce.

Un long document se résume sans coller le fichier brut ni les annexes. Ce tutoriel part d’un rapport de demande de subvention ou d’un règlement intérieur d’association, avec listes d’inscrits, RIB et extraits en annexe. Vous gardez le sommaire, vous travaillez un chapitre à la fois, et vous assemblez le résumé vous-même.

Les bénévoles s’en servent déjà pour les demandes de subvention et les courriels. Une règle d’usage n’est pas un règlement de vingt pages : c’est une page qu’on lit avant d’ouvrir l’outil. Voici comment l’écrire sans inventer des interdits que l’association n’a pas décidés.

Vous n’avez jamais parlé à une IA ? Ce tutoriel vous guide du compte à la première question, sans jargon.

L’IA répond à côté quand la demande est floue. Quatre étapes et des exemples concrets suffisent pour cadrer.

Un PDF de dizaines de pages se résume plus vite avec une IA — à condition de protéger les données et de vérifier chaque fait utile.

Un email délicat se prépare avec l’IA, mais c’est vous qui relisez, ajustez et signez.

Une réunion peut se transformer en compte rendu clair sans tout retaper à la main. Ce tutoriel suit une réunion de travail à Dunkerque : prévenir, enregistrer, transcrire, résumer, relire — sans publier le mot à mot ni les noms inutiles.

Publier régulièrement ne demande pas une soirée entière. Ce tutoriel suit le post d’une association à Roubaix : idée, texte, visuel, adaptation au réseau, puis programmation — en quinze minutes chronométrées.

Comment créer une image avec l’IA ? En décrivant une scène claire, sans coller le français dans les pixels, puis en ajoutant le texte ensuite. Ce tutoriel suit un paysage de la Côte d’Opale, du premier essai jusqu’aux droits incertains.

L’IA peut clarifier un devis sans toucher à vos prix. Ce tutoriel suit un artisan de la Somme : notes de visite, descriptif lisible, conditions, relecture — vous restez maître des montants et des délais.

Une réponse d’avis se prépare en cinq minutes, pas à la va-vite. Ce tutoriel suit un commerce à Lens : remercier, désamorcer, rester humain — et ne jamais publier sans relecture.

Une fiche produit se rédige à partir de ce que vous savez vraiment. Ce tutoriel suit une boutique à Amiens : notes, brouillon IA, relecture des faits — sans laisser l’outil inventer un prix ou une matière.

Une traduction fluide n’est pas une traduction prête à envoyer. Ce tutoriel suit un gîte en Baie de Somme : message d’accueil, réponse à un voyageur, relecture des noms et du vous — sans coller de contrat.

Un courrier administratif se comprend mieux une fois anonymisé. Ce tutoriel suit un courrier reçu d’une mairie de l’Oise : masquer, coller, faire expliquer, préparer la suite — sans exposer vos données.

Un CV ciblé se prépare sans inventer de parcours. Ce tutoriel suit une candidature vers une offre à Valenciennes : offre réelle, écarts, reformulation honnête, relecture — en une vingtaine de minutes.

L’IA peut jouer le recruteur ; elle ne peut pas inventer votre vécu. Ce tutoriel suit une préparation d’entretien à Lille : offre réelle, simulation à voix haute, retour, seconde passe — sans embellir le parcours.

Un tableau se fait expliquer avant d’être « analysé ». Ce tutoriel suit le fichier de ventes d’un commerce à Lens : colonnes, questions en français, contrôle des totaux — sans y coller de salaires nominatifs.

Une présentation se construit d’abord au plan. Ce tutoriel suit une association à Arras : message, plan validé, slides, relecture des chiffres — sans statistiques inventées sur les diapositives.

Un assistant « sur vos docs » n’est utile que si les bons fichiers y sont — et si vous savez attraper les pages inventées. Ce tutoriel suit le dossier interne d’une TPE : consignes, corpus, tests, vérifications.

NotebookLM sert à réviser ce que vous avez déjà lu, pas à faire rendre un devoir à votre place. Voici le parcours d’un carnet de sources à un quiz utile.

On peut automatiser le tri et le brouillon. On ne laisse pas partir seul un mail client. Voici un scénario réaliste pour une petite boîte.

Vous préférez parler plutôt que taper ? Ce tutoriel montre comment utiliser un assistant à la voix sur téléphone, avec ses limites.

Vos conversations peuvent servir à améliorer un modèle. Ce tutoriel montre où chercher le réglage dans les outils courants, sans promettre un effacement magique.

Une photo circule et paraît trop belle pour être vraie ? Voici un geste de trois minutes : recherche inversée, sans surpromettre.

Une newsletter d’association se tient avec des faits du bureau et une relecture humaine. L’IA aide à rédiger ; elle n’invente pas la vie de l’asso.

L’IA propose des menus ; elle ne voit pas votre frigo. Donnez des contraintes réelles, puis ajustez avant d’aller au marché.

L’IA peut aider aux devoirs sans les faire à la place de l’enfant. Voici une méthode en quatre gestes, pour les parents.

L’IA accélère la mise en forme du compte rendu d’AG. Elle ne remplace ni la présence en salle, ni la fidélité aux votes, ni la signature humaine.

L’IA aide à explorer des pistes de logo ou d’affiche. La zone texte, les droits et la version finale restent sous votre responsabilité.

L’IA structure votre réponse à partir du DCE que vous avez. Elle n’invente ni références, ni chiffres d’affaires, ni moyens fantômes.

L’IA aide à structurer une demande de subvention. Les chiffres, le budget et les pièces restent ceux de l’association.

L’IA aide à formuler une annonce claire. Le poste décrit doit être réel ; aucune promesse ni critère discriminant ne doit entrer « grâce » au modèle.

Une bonne FAQ part des vraies questions. Chaque réponse est vérifiée ; l’IA ne crée pas une politique que vous n’avez pas.

Vous voulez un assistant privé qui lit vos PDF sans envoyer le contenu dans le cloud. Ce tutoriel construit la chaîne complète : Ollama pour le modèle, Open WebUI pour l’interface, un embedding multilingue et une base de connaissances. L’exemple fil rouge s’appuie sur des documents publics régionaux (délibérations, guides d’aides) tels qu’une collectivité lilloise ou une association amiénoise pourrait les traiter en interne. Les noms de tags et les libellés de menus changent : on vous montre le geste, puis vous copiez le tag exact du jour.

Open WebUI donne une interface de chat familière au-dessus d’Ollama, sans envoyer vos conversations vers un service distant. Ce tutoriel pose Docker Compose, démarre l’image, crée le premier compte administrateur, connecte Ollama et fixe les réglages essentiels avant une mise à jour. Idéal pour une TPE de Tourcoing, un labo associatif à Compiègne ou un poste technique de collectivité qui veut un « ChatGPT privé » sur le réseau local. Les variables d’environnement évoluent : on indique le geste, vous vérifiez le README de la version épinglée.

La question revient dans chaque atelier IAHDF : mon PC peut-il faire tourner une IA locale, et laquelle ? Ce guide vous apprend à lire votre mémoire (VRAM ou unifiée), à relier ordres de grandeur et familles de modèles (Gemma 4, Qwen3, Qwen 3.8 27B, Ministral 3, Mistral Small 4, gpt-oss…), et à choisir une quantification sans croire aux captures marketing. Pas de classement chiffré inventé : une méthode pour mesurer chez vous, à Lille comme à Beauvais.

Les Mac Apple Silicon (M1, M2, M3, M4 et suivants) sont devenus des postes sérieux pour l’IA locale grâce à la mémoire unifiée. Ce tutoriel explique pourquoi, démarre MLX et Ollama sans promettre de débits inventés, situe LM Studio, et pose les limites honnêtes — y compris pour un Qwen 3.8 27B. Que vous soyez indépendant à Lille, designer à Roubaix ou médiateur numérique à Amiens, vous repartirez avec une méthode de comparaison sur votre machine, pas avec un tableau de scores fantômes.

Ollama suffit à la plupart des usages. Quand vous devez comprendre ce qui se passe sous le capot — backend CUDA, Metal ou Vulkan, nombre de couches offloadées, taille de contexte — llama.cpp devient l’outil de référence. Ce tutoriel s’adresse aux profils développeurs : compiler, lancer `llama-server`, lire les flags, et mesurer chez vous. Pas de tableau de records : une méthode pour gagner en contrôle sur un PC de Douai, un Mac de Lille ou un serveur associatif à Amiens.

Beaucoup de tours de PC en Hauts-de-France embarquent une Radeon plutôt qu’une carte NVIDIA. Bonne nouvelle : l’IA locale n’est pas réservée au camp vert. Moins bonne : la compatibilité dépend du modèle de GPU, de l’OS et du backend (ROCm ou Vulkan). Ce tutoriel pose une méthode honnête pour faire tourner Ollama ou llama.cpp sur AMD, sans inventer de palmarès face à NVIDIA. L’objectif : savoir si votre machine de Valenciennes, Lille ou Beauvais peut servir — et comment le prouver.

Votre Open WebUI est installé, vos PDF sont indexés, et pourtant l’assistant invente une aide qui n’existe pas ou rate l’article du règlement sous ses yeux. Ce n’est pas (toujours) la faute du LLM : c’est souvent le pipeline RAG. Ce tutoriel explique chaque réglage utile — taille de chunks, overlap, embedding, top-k, recherche hybride, reranker — et propose une méthode A/B sans faux pourcentages. Prérequis : instance Open WebUI déjà en place ([[ta02|install Docker]]) et idéalement la chaîne de [[ta01|Qwen + RAG]].

Dans un RAG, le LLM attire la lumière, mais l’embedding décide quels passages il verra. Sur des documents français — guides d’aides, règlements, délibérations — un mauvais choix se traduit par des réponses à côté malgré un excellent modèle de chat. Ce tutoriel pose le rôle de l’embedding, présente des familles candidates (bge-m3, multilingual-e5, nomic-embed et autres), et détaille un protocole de test que vous pouvez rejouer sur votre corpus. Pas de scores recall inventés : une méthode pour trancher chez vous, à Lille, Amiens ou Valenciennes.

Beaucoup d’archives municipales, de délibérations et de dossiers associatifs en Hauts-de-France existent surtout en PDF scannés. Sans OCR, votre RAG indexe du vide : l’assistant répond à côté ou invente. Ce tutoriel suit le chemin complet — détecter le scan, extraire le texte, contrôler la qualité, puis brancher le résultat sur votre pipeline d’indexation — avec des commandes de principe et des gestes de vérification que vous pourrez refaire sur un lot réel.

Un RAG qui « a l’air intelligent » peut citer la mauvaise page. Ce tutoriel vous montre comment prouver — ou infirmer — la fiabilité de votre assistant documentaire : constituer un jeu de questions ancré dans vos PDF, définir ce que vous appelez une bonne réponse, automatiser une passe d’évaluation (script maison ou Ragas), puis corriger chunks, OCR ou consignes. Exemple fil rouge : la base documentaire d’une PME industrielle près de Valenciennes et le règlement d’une asso à Amiens.

Quand Open WebUI ne suffit plus, coder son RAG donne le contrôle : quels fichiers entrer, comment découper, où stocker les vecteurs, quelle consigne imposer au modèle. Ce tutoriel dessine une architecture LlamaIndex (avec un clin d’œil LangChain), un Qdrant local via Docker, et un LLM servi par Ollama. Fil rouge : la documentation interne d’une TPE logistique à Dunkerque. Prérequis : Python à l’aise, Docker disponible, et des documents déjà en texte (sinon [[ta09|OCRisez d’abord]]).

Tout le monde n’a pas une équipe Python à temps plein. Flowise et Langflow permettent d’assembler un assistant RAG en relient des nœuds : chargeur de documents, base vectorielle, modèle, mémoire, sortie chat. Ce tutoriel compare les deux pistes, pose un déploiement Docker de principe, construit un flux RAG minimal, puis prépare l’intégration vers un site. Fil rouge : une Maison des associations à Roubaix qui veut un assistant sur son règlement intérieur et ses fiches d’activités — sans coller de dossiers adhérents nominatifs.

Répondre automatiquement aux visiteurs, oui — mais uniquement à partir de contenus que vous maîtrisez, avec un filet humain et un hébergement choisi. Ce tutoriel couvre l’architecture, la préparation des FAQ et guides, la construction du RAG, l’intégration web, les mentions et le cadre données (principes, pas un conseil juridique). Fil rouge : une mairie de taille moyenne dans l’Aisne qui publie un assistant sur les démarches courantes, et une PME commerçante à Saint-Quentin qui indexe fiches produits et SAV.

Installer Open WebUI pour soi est une chose ; le donner à toute une équipe en est une autre. Comptes, groupes, droits sur les modèles et les bases de connaissances, bonnes pratiques de partage : ce tutoriel s’adresse aux PME et associations des Hauts-de-France qui veulent un portail IA interne sans chaos. Prérequis : une instance déjà installée (voir [[ta02|installer Open WebUI]]). Matériel : dimensionnez selon la charge concurrente et la doc des modèles — parlez en ordres de grandeur, pas en mesure de labo.

Ouvrir Open WebUI sur Internet sans reverse proxy ni HTTPS, c’est offrir une interface d’IA (et souvent ses documents) à des scanners automatiques. Ce tutoriel détaille une posture prudente pour une PME ou une collectivité des Hauts-de-France : risques, Caddy ou Nginx, certificats, authentification / SSO, pare-feu, sauvegardes, mises à jour. Prérequis : Linux de base, Docker, et une instance déjà utile en local ([[ta02|installation]], [[ta14|usage équipe]]).

Une IA locale qui ne connaît que ses poids reste muette sur l’actualité. SearXNG, métamoteur auto-hébergé, permet à Open WebUI d’aller chercher des pages web sans passer par une boîte de recherche propriétaire unique. Ce tutoriel couvre le pourquoi, l’installation Docker de principe, la connexion, les tests, et les limites honnêtes. Fil rouge : une rédaction associative à Boulogne-sur-Mer et un service communication de communauté de communes près d’Abbeville.

Votre modèle local répond bien aux questions, mais il ne « fait » rien tout seul : pas de météo réelle, pas de calcul fiable sur un fichier métier, pas d’appel à un service interne. Dans Open WebUI, outils, fonctions et pipelines permettent d’étendre l’interface pour qu’une demande puisse déclencher une action contrôlée. Ce tutoriel pose le vocabulaire, le parcours d’installation, trois exemples commentés et les précautions indispensables pour une mairie, une association ou un atelier en Hauts-de-France qui veut rester maître des données.

Local ou cloud : peut-on avoir les deux ? Oui, à condition de ne pas mélanger les dossiers dans le même réflexe. Open WebUI permet souvent de déclarer plusieurs connexions : un backend local (Ollama ou équivalent) et des fournisseurs via API. Ce tutoriel pose pourquoi l’hybride existe, comment brancher les connexions, quelles règles d’usage écrire, et comment journaliser sans transformer le chat en zone grise. Scène typique : une mairie de l’Avesnois, un cabinet à Arras, une asso culturelle à Dunkerque.

Puis-je parler à mon IA locale ? Oui, à condition de brancher une dictée (STT) et éventuellement une synthèse (TTS) qui restent sous votre contrôle. Open WebUI peut s’appuyer sur Whisper en local pour transformer la parole en texte, puis lire la réponse à voix haute selon les modules disponibles. Ce tutoriel détaille les composants, les réglages, la qualité en français, la latence, et les gestes RGPD autour de l’audio — utile en atelier d’accessibilité à Lens ou en permanence associative à Saint-Quentin.

Mon IA locale peut-elle lire une facture ? Souvent oui, avec un modèle multimodal (vision-langage) capable d’analyser une image et de répondre en texte. Gemma, Qwen-VL et d’autres familles évoluent vite : vérifiez la disponibilité réelle sur Ollama et la documentation du jour. Ce tutoriel montre comment installer, prompting d’extraction, sortie structurée, protocole de test sur factures fictives, et limites — pour une asso de Roubaix, un artisan à Beauvais ou un service facturation de collectivité.

Transcrire sans envoyer l’audio chez un tiers ? C’est l’intérêt de faster-whisper (et stacks voisines) sur une machine maîtrisée. Ce tutoriel couvre l’installation de principe, la transcription, la question délicate de la diarisation, le résumé par LLM local, et la précision en français — avec un angle concret pour les conseils municipaux et réunions structurées en Hauts-de-France. La promesse « zéro donnée dehors » ne tient que si toute la chaîne reste locale et que les fichiers sont gérés proprement.

Automatiser sans envoyer mes données à OpenAI ? Oui, en gardant n8n et Ollama sur votre serveur. Ce tutoriel guide l’installation de principe (souvent Docker), la connexion au modèle local, un premier flux utile, la notion d’agent, et la sécurité — pour une TPE de Tourcoing, une mairie expérimentale ou une asso qui centralise des demandes. Vérifiez la licence n8n adaptée à votre usage commercial ou associatif sur la documentation officielle du jour : ce texte ne tranche pas à votre place.

Comment tenir mon RAG à jour automatiquement ? En séparant clairement ingestion et chat, puis en laissant n8n surveiller un dossier pour pousser les nouveaux documents vers Qdrant, pendant qu’Ollama fournit embeddings et réponses. Ce tutoriel détaille l’architecture, l’ingestion auto, le chat, et les tests — pour une base documentaire d’association à Douai, un centre de ressources régional, ou un service qualité d’entreprise à Valenciennes. Sans discipline de sources, le RAG automatisé multiplie les erreurs plus vite qu’un classeur.

Comment donner à l’IA l’accès à mes outils sans bricolage opaque ? Le Model Context Protocol (MCP) propose un standard pour exposer des capacités (fichiers, agenda, base, API internes) à des clients IA compatibles. Ce tutoriel explique le concept, guide un premier serveur, montre le branchement côté client, donne trois exemples de périmètre, et insiste sur la sécurité — pour un labo associatif à Lille, une DSI de collectivité, ou un indépendant qui veut éviter les plugins jetables.

Vous codez en PHP, Python ou JavaScript dans une PME de Lille, une ESN de Valenciennes ou un service numérique de collectivité à Amiens, et vous voulez une aide à la rédaction sans coller le dépôt sur un cloud tiers. Ce tutoriel pose une alternative locale à Copilot : l’extension Continue dans VS Code, branchée sur un modèle de code open source servi par Ollama sur votre machine. On détaille l’installation, le choix du tag modèle (toujours à recopier depuis la documentation du jour), l’autocomplétion, le chat contextuel, et la manière d’évaluer les performances chez vous — sans scores inventés ni tok/s de labo IAHDF. IAHDF reste indépendant : aucun éditeur ne paie ce contenu.

Vous voulez spécialiser un modèle sur le vocabulaire de votre métier — jargon d’une mutuelle lilloise, procédures d’une mairie d’Amiens, style de tickets d’une ESN de Valenciennes — et vous vous demandez s’il faut entraîner ou simplement brancher un RAG. Ce tutoriel expert parcourt le fine-tuning LoRA d’un petit modèle (ordre 8B, famille Qwen3) avec Unsloth : préparation des données, entraînement, évaluation qualitative, export vers un format servable (souvent GGUF) et mise à disposition via Ollama. On insiste sur les risques — surapprentissage, coût compute, droits sur les données — et sur les cas où un RAG ([[ti04|AnythingLLM]] ou Open WebUI) reste préférable. IAHDF est indépendant ; aucune librairie ne paie ce contenu. Les tags et APIs évoluent : copiez toujours les identifiants exacts depuis la documentation officielle du jour.

Vous avez validé un modèle en local avec Ollama sur un poste, et la question suivante tombe en comité de direction à Lille ou en atelier technique à Amiens : comment servir une cinquantaine d’utilisateurs sans coller tout le monde sur le même laptop ? Ce tutoriel expert présente vLLM comme runtime d’inférence orienté débit, exposant une API compatible OpenAI, pour brancher chats internes, outils type Continue, ou scripts métier. On détaille l’installation sous Linux (souvent Docker), le lancement, les paramètres qui comptent, la gestion de charge, le monitoring, et surtout les risques — coût GPU, saturation, données, exposition réseau — sans inventer de tok/s ni de prix. Pour l’hébergement GPU en France, croisez avec [[ta28|serveur GPU France]]. IAHDF est indépendant.

Vous n’avez pas de carte graphique adaptée chez vous, mais vous voulez héberger un modèle d’IA pour une équipe, un atelier ou une expérimentation sérieuse. Louer une instance GPU chez un hébergeur français (OVHcloud, Scaleway et d’autres) permet de garder une proximité juridique et géographique tout en accédant à de la puissance mutualisée. Ce tutoriel vous guide sans inventer de tarifs : vous apprendrez à lire les grilles du jour, à choisir selon la VRAM et le réseau, à déployer une stack locale type Ollama / Open WebUI ou vLLM, puis à verrouiller l’accès. L’angle Hauts-de-France : la proximité des data centers régionaux et la latence perçue depuis Lille, Amiens ou Valenciennes comptent autant que le catalogue marketing.

Une IA sur un Raspberry Pi, c’est possible — à condition d’accepter des petits modèles et des usages calmes. Ce tutoriel dit ce qui marche vraiment sur un Raspberry Pi 5 ou un mini-PC sobre : familles de modèles légers (Gemma 4 E2B, Qwen3 1.7B et équivalents du jour), installation Linux, ressenti de vitesse en ordres de grandeur qualitatifs, et limites franches. Pas de tok/s mesurés en labo IAHDF, pas de tableaux de VRAM de banc d’essai : vous apprendrez à juger sur votre machine. Angle régional : les FabLabs et ateliers numériques des Hauts-de-France qui veulent montrer une IA locale sans promettre un chat fluide digne d’un serveur GPU loué.

Générer des images sans abonnement cloud, c’est possible avec ComfyUI et des modèles d’image ouverts — à condition d’avoir une machine adaptée et de lire les licences avant tout usage professionnel. Ce tutoriel avance pas à pas : installation, choix d’un checkpoint, premier graphe texte-vers-image, réglages utiles, et vigilance juridique sur les fiches Hugging Face. Ordre de grandeur matériel : un GPU avec de l’ordre de 12 Go de mémoire vidéo ou plus rend l’expérience confortable pour beaucoup de flux courants ; en dessous, attendez-vous à des résolutions plus modestes ou des modèles plus légers. IAHDF reste indépendant des éditeurs de modèles et des interfaces cités.

Remplacer Alexa par une IA locale, c’est une question que se posent beaucoup de foyers et d’ateliers en Hauts-de-France une fois qu’Ollama tourne déjà sur un mini-PC. Home Assistant peut dialoguer avec un modèle local pour comprendre une demande en français courant — « baisse le chauffage du bureau », « est-ce que la porte du garage est fermée ? » — sans envoyer la voix ni le contexte chez un géant du cloud. Ce tutoriel avancé pose l’architecture, l’intégration, la voix, des scénarios réalistes et surtout les limites : ce n’est pas un remplacement magique d’un assistant commercial rodée depuis des années. IAHDF reste indépendant : aucune marque n’est sponsorisée, les menus évoluent, vérifiez toujours la documentation officielle Home Assistant et Ollama du jour.

Comment mettre à jour sans perdre mes conversations ? C’est la question qui revient dès qu’Open WebUI et Ollama deviennent l’outil quotidien d’une asso lilloise, d’un atelier à Amiens ou d’une petite équipe à Valenciennes. Une mise à jour d’image Docker mal préparée peut laisser une interface jolie… et un volume de chats inaccessible, ou des modèles à retélécharger au plus mauvais moment. Ce tutoriel avancé décrit une routine : inventaire, sauvegarde, mise à jour, vérifications, restauration, puis automatisation légère. IAHDF est indépendant : pas de chemins magiques inventés, des placeholders clairs, des ordres de grandeur qualifiés, et le renvoi permanent vers la documentation officielle Docker, Open WebUI et Ollama du jour.

Comment faire tourner une IA sur mon PC ? Avec Ollama, vous téléchargez un outil léger, vous lancez un modèle en une commande, et la conversation reste sur votre machine. Ce tutoriel couvre Windows, Mac et Linux, le choix d’un premier modèle raisonnable (ordre de grandeur : 8 à 16 Go de RAM), les commandes utiles, le déplacement du dossier des modèles, et le dépannage courant. IAHDF est indépendant : aucune affiliation avec l’éditeur. Les tags de modèles évoluent : copiez toujours le nom exact depuis la documentation officielle du jour.

Existe-t-il une IA locale sans lignes de commande ? Oui : LM Studio propose une interface graphique pour chercher un modèle, le télécharger, discuter, et parler à vos documents sur votre ordinateur. Ce tutoriel s’adresse aux débutants qui veulent éviter le terminal, avec un PC d’environ 16 Go de RAM ou un Mac Apple Silicon comme ordre de grandeur confortable. Aucun prérequis technique. IAHDF est indépendant de l’éditeur : lisez toujours la licence actuelle avant un usage professionnel. Les noms de modèles et de formats évoluent ; copiez les indications depuis l’app et la documentation du jour.

Quelle appli open source pour une IA privée ? Jan se présente comme un assistant installable sur votre ordinateur, capable de faire tourner des modèles en local et, si vous le souhaitez, de basculer vers des API distantes. Ce tutoriel couvre l’installation, le hub de modèles, la discussion, l’ajout optionnel d’une clé API, les extensions et les limites honnêtes. Matériel d’ordre de grandeur : PC avec environ 16 Go de RAM. Aucun prérequis. IAHDF est indépendant : nous ne sommes pas affiliés à l’éditeur. Vérifiez toujours les licences et la documentation du jour pour les noms de modèles et les conditions d’usage.

Vous voulez interroger vos PDF, notes et règlements sans coller le contenu dans un chat cloud, et sans assembler Docker, Knowledge et prompts système à la main. AnythingLLM propose un RAG « sans code » : interface graphique, espaces de travail, documents attachés, modèle local via Ollama. Ce tutoriel suit le plan Installer → Workspaces → Documents → Réglages → comparaison avec Open WebUI. L’exemple fil rouge : une association amiénoise ou une TPE de Roubaix qui indexe des documents déjà publics (statuts, guides d’aides, procédures internes non confidentielles) sur un PC avec environ 16 Go de mémoire vive. IAHDF n’est pas lié à Mintplex Labs : on décrit le geste, pas un partenariat.

Les classements du mois changent, les démos filmées aussi. Ce qui compte pour vous, c’est l’outil qui tient sur vos mails, vos comptes rendus, vos questions métier et vos contraintes de confidentialité. Ce tutoriel propose une méthode simple : pourquoi créer son propre test, une liste d’environ vingt prompts en français prêts à coller, une grille de critères qualitatifs (sans notes inventées ni podium IAHDF), puis des règles pour interpréter les écarts. Exemple fil rouge : une salariée à Lille, un indépendant à Valenciennes ou un bénévole à Amiens qui compare deux assistants le même jour, sur les mêmes textes. IAHDF ne touche aucun de ces services et ne désigne pas de gagnant absolu.