Aller au contenu

Comment ça marche

Trois étapes. C'est tout.

Pas besoin d'être ingénieur. Pas besoin de configurer quoi que ce soit.

1
Déposez vos documents

Glissez-déposez vos PDFs, Word, présentations. DEPOSIUM® les lit, les analyse et les structure automatiquement. Même les documents scannés (OCR intégré).

2
Posez vos questions

En français, en anglais, comme vous parleriez à un collègue. "Quelle est la procédure de maintenance du compresseur ?" — DEPOSIUM® cherche dans tous vos documents et vous répond avec les sources.

3
Découvrez les connexions

DEPOSIUM® ne se contente pas de chercher : il cartographie les liens entre vos documents. Références croisées, contradictions, thèmes récurrents — votre savoir prend forme.

De vos fichiers à vos réponses

VOS DOCUMENTS
PDF, Word, MD
Connecteurs API/MCP
DEPOSIUM®
Extraction intelligente
Stockage fichiers
Espaces de travail
VOS RÉSULTATS
Réponses chat sourcées
MCP (Claude, OpenAI, Cursor…)

De l'ETL à l'ET(K)L

1
Extract

Vos documents, quelle que soit la source (PDF, DOCX, bases de données, APIs)

2
Transform

Extraction de texte, OCR, chunking intelligent, nettoyage

3
Knowledge

Enrichissement à l'ingestion : graphe de connaissance, ontologie contextuelle, analyse structurelle, temporalité

4
Load

Indexation dans un moteur hybride (BM25 + vectoriel + graphe) prêt à être interrogé

Parce qu'on enrichit à l'ingestion, chaque requête est plus précise. Pas de post-processing coûteux, pas d'hallucination par manque de contexte.

Sous le capot : la recherche hybride 5 signaux

La recherche vectorielle seule perd en précision quand le volume augmente. DEPOSIUM® combine 5 mécanismes indépendants pour maintenir la qualité à grande échelle.

Pourquoi les systèmes RAG classiques hallucinent — même avec peu de documents

Le problème n'est pas le volume. Même avec 10 documents, un système RAG classique peut inventer des réponses. L'IA récupère des passages "proches" de votre question, mais pas forcément les bons — et génère une réponse fluide quand même. Le pire : vous ne voyez pas la différence.

1
Recherche vectorielle

Recherche sémantique par le sens (pas seulement par mot-clé), sur un index vectoriel quantifié — compact (~8× plus léger) et à haut rappel, même à grande échelle.

2
BM25 textuel

Recherche exacte par mots-clés. Retrouve les références précises (numéros, noms propres, acronymes) que le vectoriel peut manquer.

3
Graphe de connaissance

Traverse les relations entre entités pour trouver des documents liés indirectement. Le vectoriel ne fait jamais ces connexions.

4
Fusion RRF

Évaluation par Reciprocal Rank Fusion, faux positifs neutralisés.

5
Reranking neuronal

Le juge final relit réellement la question et chaque document candidat.

Taux d'hallucination selon le volume de documents

↓ Plus bas = plus fiable

30% 25% 20% 10% 5% 0% 1 10 100 1K 10K 100K 1M Documents RAG classique * DEPOSIUM®
Source d'erreur RAG classique * DEPOSIUM®
Mauvais document récupéré 1 à 15% < 1% (5 signaux + reranker)
Réponse inventée par le LLM 3 à 10% 0% mesuré (citation sourcée obligatoire)
Contexte incomplet (info répartie sur plusieurs docs) 5 à 15% < 2% (graphe de connaissance)
Taux d'hallucination global estimé 10 à 30% 0% mesuré sur 800+ pages

* Estimations RAG classique basées sur les benchmarks sectoriels (RAGAS, faithfulness). DEPOSIUM® : mesuré sur benchmark interne de 800+ pages.

Performances mesurées, pas promises

Benchmark sur 10 000 requêtes du moteur de graphe de connaissance *, version locale et cloud.

2,15 ms
Temps de réponse
Version locale — 76× plus rapide que Neo4j
< 150 Mo
Mémoire utilisée
Local et cloud — 28× moins que Neo4j
Stable
Même perf sous charge
Pas de dégradation, même à 10 000 requêtes
DEPOSIUM® Local 2,15 ms DEPOSIUM® Cloud 3,27 ms FalkorDB 12,8 ms Neo4j 164 ms Temps de réponse — ↓ Plus bas = plus fiable
DEPOSIUM® Local DEPOSIUM® Cloud FalkorDB Neo4j
Temps de réponse 2,15 ms 3,27 ms 12,8 ms 164 ms
Mémoire utilisée 147 Mo 136 Mo 850 Mo 4 200 Mo
Débit (req/s) 1 480 545 15 000 2 800

* Le moteur de graphe de connaissance est l'un des 5 signaux de la recherche hybride DEPOSIUM® (BM25, sémantique, graphe, fusion RRF, reranking). Ces signaux sont combinés pour produire chaque réponse du chat. Benchmark sur Intel i5-10310U, 16 Go RAM, Linux.

Stack technique

Conforme par design.

Couche Ce qu'on utilise Pourquoi
Interface Application web moderne Rapide, fonctionne sur tout appareil
Analyse Graphe de connaissance Comprend les relations entre vos documents
Modèles IA Open-source, de 250 Mo à 120B Précis, auditables, sobres
Sécurité Contrôle d'accès par rôle Permissions fines pour votre équipe
Stockage S3-compatible ou local Vos fichiers restent où vous décidez
Intégrations Serveur MCP, API REST, CLI S'intègre dans vos outils existants
Déploiement Docker / Kubernetes Cloud européen, on-premise, ou hybride

Prêt à retrouver ce que vos documents savent ?

Essai gratuit, sans carte bancaire. Vos premiers résultats en quelques minutes.