Guides, tutoriels, glossaire, retours d’expérience et outils testés par des membres des Hauts-de-France. Écrits pour être compris sans connaissances techniques.
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.
