De FileMaker au cloud : comment SchallOS associe les logiciels d'entreprise à l'IA, au runtime et aux mises à jour

SchallOS - Plateforme d'applications intelligentes

Lors du développement d'une application métier, l'accent est d'abord mis sur les tâches visibles. On crée des tables, on définit des relations, on conçoit des formulaires de saisie et on automatise les processus opérationnels. Dès que les premiers utilisateurs peuvent travailler avec la solution, une grande partie du projet semble être achevée. C’est toutefois lors de la mise en œuvre pratique que commence la phase la plus exigeante à long terme. Une application métier doit être maintenue, étendue et adaptée aux nouvelles exigences. Les modifications doivent être documentées, les nouvelles versions déployées et les données existantes transférées en toute sécurité. À cela s’ajoutent les différents droits d’accès des utilisateurs, les sauvegardes de données, les analyses d’erreurs et la question de savoir si la solution doit être exploitée en local, sur un serveur dédié ou dans le cloud.

De nombreuses plateformes de développement se concentrent principalement sur la création de l'application proprement dite. Pour les mises à jour, la documentation, le déploiement et l'exploitation, des outils supplémentaires et des procédures spécifiques viennent s'ajouter par la suite. Au fil du temps, il en résulte un environnement technique composé de nombreux éléments distincts, que seul un effort considérable permet de maintenir cohérent. SchallOS adopte donc une approche plus globale. La plateforme est conçue pour accompagner une application métier non seulement lors de sa création, mais aussi tout au long de son cycle de vie : du développement à l'exploitation continue, en passant par la documentation et le déploiement, ainsi que les mises à jour.

Lire la suite

De l'exportation de données ChatGPT à votre propre IA de connaissances : étape par étape avec Ollama et Qdrant

Le chemin vers la propre mémoire de l'IA

Dans la première partie de cette série d'articles, nous avons vu que l'exportation des données ChatGPT est bien plus qu'une simple fonction technique. Dans tes données exportées se trouve une collection de pensées, d'idées, d'analyses et de conversations qui se sont accumulées au fil du temps. Mais tant que ces données ne sont qu'une archive sur le disque dur, elles restent exactement cela : une archive. L'étape décisive consiste à rendre ces informations à nouveau utilisables. C'est précisément ici que commence la construction d'une IA de la connaissance personnelle.

L'idée est en fait étonnamment simple : une IA ne doit pas seulement travailler avec des connaissances générales, mais aussi avoir accès à tes propres données. Elle doit rechercher des conversations antérieures, trouver des contenus appropriés et les intégrer dans de nouvelles réponses. Ainsi, une IA ordinaire devient une sorte de mémoire numérique. Il s'agit de la deuxième partie de la série d'articles, dans laquelle il est maintenant question de la pratique.

Lire la suite

RAG avec Ollama et Qdrant comme moteur de recherche universel pour ses propres données

Étendre l'IA locale aux bases de données avec RAG, Ollama et Qdrant

Dans un monde de l'information de plus en plus confus, il est de plus en plus important de rendre ses propres bases de données consultables de manière ciblée - non pas par une recherche classique en plein texte, mais par des réponses sémantiquement pertinentes. C'est précisément là qu'intervient le principe de la base de données RAG, c'est-à-dire une solution de recherche assistée par l'IA, qui se compose de deux éléments centraux :

Lire la suite

Ollama rencontre Qdrant : une mémoire locale pour ton IA sur Mac

Mémoire pour l'IA locale avec Ollama et Qdrant

IA locale avec mémoire - sans cloud, sans abonnement, sans détour

Dans un article précédent j'ai expliqué comment utiliser Ollama sur Mac install. Ceux qui ont déjà franchi cette étape disposent maintenant d'un modèle de langage local performant - par exemple Mistral, LLaMA3 ou un autre modèle compatible auquel il est possible de s'adresser via l'API REST.

Mais de lui-même, le modèle ne "sait" que ce qui est écrit dans le prompt actuel. Il ne se souvient pas des conversations précédentes. Ce qui manque, c'est la mémoire.

Lire la suite