Mémoire sémantique self-hosted (Qdrant) : patterns RAG utiles sans usine à gaz
# Mémoire sémantique auto‑hostée avec Qdrant : 4 patterns RAG pragmatiques et compatibles RGPD sur AISIA ## Introduction Les organisations qui souhaitent exploiter la recherche augmentée (RAG) to
# Mémoire sémantique auto‑hostée avec Qdrant : 4 patterns RAG pragmatiques et compatibles RGPD sur AISIA ## Introduction Les organisations qui souhaitent exploiter la recherche augmentée (RAG) tout en gardant la maîtrise totale des données rencontrent deux obstacles majeurs : la complexité d’infrastructure et les exigences de conformité (RGPD, futur AI Act). Avec AISIA, le magasin vectoriel **Qdrant** est déjà déployable (service *vector* – « Magasin vectoriel (data) »). Cet article montre comment mettre en place une mémoire sémantique self‑hosted sans créer une « usine à gaz », en s’appuyant sur les composants natifs d’AISIA et en respectant les exigences légales. ## 1. Installer et vérifier le composant Qdrant - **Déploiement** : utilisez le service *vector* fourni par AISIA (voir la liste des services déployables). - **Contrôle de santé** : interrogez l’API `GET /health` et assurez‑vous que le champ `qdrant=ok` apparaît (Health API : status=ok, version=6.12.79). - **Isolation de données** : créez un namespace dédié par organisation via les routes **/orgs** et **/orgs/:slug**. Chaque tenant possède son propre espace de collection Qdrant, facilitant l’audit RGPD et limitant les risques de fuite trans‑organisationnelle. ## 2. Pipeline RAG minimal – « chunk → embed → store → retrieve » 1. **Chunking** : découpez les documents