FICHE · CAS DOCUMENTÉ

EDF — Construire un moteur de recherche documentaire sur des modèles souverains

La R&D d’EDF et Illuin ont testé un moteur RAG sur 2 000 documents : un modèle ouvert affiné rivalise avec GPT-4.

Documenté

Cas publiquement documenté, avec entreprise identifiable et source.

TailleGroupe

SecteurÉnergie / Environnement

FonctionIT / Data · Opérations

SolutionBase de connaissance

AutonomieAssisté

PreuveDocumenté

L’ESSENTIEL

Le cas en bref

Le problème: Certaines bases documentaires, comme celles du nucléaire, sont trop sensibles pour être envoyées à un modèle externe.
La réponse: La R&D d’EDF et Illuin ont testé un moteur RAG sur 2 000 documents : un modèle ouvert affiné rivalise avec GPT-4.
Le type de solution: Base de connaissance : l’humain garde la décision.
Le résultat clé: En 2023, EDF et Illuin ont construit un moteur de recherche documentaire de type RAG sur 2 000 documents.

Le mécanisme / workflow

Recherche Synthèse

Système
Préparer le corpus
Modèle
Affiner un modèle ouvert
Humain
Évaluer face à GPT-4Validation humaine

Données et entrées

Documents techniques internes

Outils nommés · voir la carte des outils

Llama

Outils et systèmes cités par la source

LLaMa 2 (13B, 70B)
Illuin Technology

Impact observé ou attendu

Résultats rapportés par la source

RAPPORTÉEn 2023, EDF et Illuin ont construit un moteur de recherche documentaire de type RAG sur 2 000 documents.
RAPPORTÉUn modèle LLaMa 2 13B affiné rivalise avec GPT-4 sur trois critères : précision, exhaustivité et factualité.

Valeur attendue dans la fiche

ConnaissanceInterroger des documents sensibles sans les exposer.
RisqueGarder la maîtrise des données critiques.

Type d’impact envisagé

accès à la connaissance technique
souveraineté des données

Pour se lancer · estimation Acolyte

ComplexitéMoyenne

Délai de mise en valeurPlusieurs mois

Exigence sur les donnéesMoyenne

Faisabilité organisationnelleÉlevée

PortéeStructurant

Ce qu’il faut réunir

Données : Documents techniques internes

Délai : estimation d’après la complexité (aucune durée citée par la fiche). Grille estimée par Acolyte à partir de la fiche ; elle se vérifie avec vos données et vos équipes. Le Diagnostic Data & IA ↗

Et dans une PME ? · estimation Acolyte

Une PME aux documents sensibles peut tester un modèle ouvert hébergé en France ou sur ses propres serveurs, plutôt que d’envoyer ses données à un modèle externe.

Évaluer un modèle ouvert hébergé chez un fournisseur européen sur 30 à 50 questions réelles
Comparer ses réponses à un modèle commercial sur des documents non sensibles
Ne passer à l’affinage que si l’écart le justifie

L’affinage d’un modèle demande des compétences rares ; l’hébergement souverain, non. Transposition proposée par Acolyte, pas un résultat de la source.

ANALYSE

Ce qu’il faut en retenir

Un petit modèle ouvert, affiné sur le bon corpus, peut suffire là où l’on croit avoir besoin du plus grand modèle.
Pour des données critiques, la souveraineté est une contrainte de conception, pas une option.

Limites et risques

Coût de l’affinage et de l’hébergement
Évaluation limitée à un corpus test
À vérifier : d’autres sources, non primaires (un cabinet de conseil), évoquent un portail d’IA générative ouvert à environ 160 000 salariés et plus de 400 cas d’usage ; à confirmer par une source EDF ou presse avant de l’ajouter à la fiche.
Il s’agit d’un projet de R&D ; la source ne dit pas s’il est passé en production.

Cadre réglementaire · lecture indicative

Risque minimal

Usage sans obligation spécifique au titre de l’AI Act, en dehors de la maîtrise de l’IA par les équipes. Le RGPD s’applique dès que des données personnelles sont traitées.

Lecture indicative d’Acolyte, pas un avis juridique. Comprendre les niveaux de risque →