Mnemia est une solution RAG souveraine (génération augmentée par récupération) qui transforme vos fichiers PDF, Excel, Texte, PowerPoint et Word en base de connaissances, interrogeable en langage naturel.
Installation Windows en un clic, traitement 100 % local, réponses et citations vérifiables.
Vos données ne quittent jamais votre infrastructure.
Mnemia est validé sur deux corpus d'évaluation — documents entreprise HAAPII Services et corpus PDF FinePDFs. Voici les scores réels, pas des promesses.
Sur un corpus de PDFs métier (lookup direct + difficulté moyenne), la précision dépasse 97 %. C'est ce que 80 % de vos utilisateurs constaterons au quotidien.
Sur le banc d'évaluation complet (questions simples, intermédiaires et très complexes sur classeurs Excel multi-feuilles), la version 100 % locale apporte une réponse fiable dans 75% des cas, sinon elle vous dira qu'elle n'a pas trouvé de réponse pertinente.
En passant sur un modèle open-source plus puissant (120 milliards de paramètres) hébergé sur cloud dédié SecNumCloud, la précision grimpe à 84 % — sans jamais renoncer à la souveraineté.
Méthodologie : pipeline identique sur les 3 runs (P1 query-rewriting + P4 reranking bge-m3 GPU, embedder bge-m3 LocalTorch). Scoring automatique sur 90 questions de référence. Détails sur la page Optimisations.
De vos fichiers à la réponse sourcée
Deux flux de travail autour d'une même base de connaissances :
d'abord l'indexation de vos documents, puis l'interrogation en langage naturel.
Sélectionnez un ou plusieurs fichiers/dossiers depuis l'explorateur Windows, puis faites un clic droit « Indexer avec Mnemia ». Tous les formats bureautiques sont pris en charge.
Le service indexe les fichiers, suit leurs modifications et les ré-indexe automatiquement en cas de modification.
Chaque document est segmenté en chunks sémantiques cohérents.
Chaque chunk est converti en vecteur mathématique par l'embedder bge-m3.
Les vecteurs sont rangés dans la base vectorielle locale.
L'utilisateur pose une question en langage naturel dans le chat.
La question est vectorisée puis comparée aux chunks de la base.
Les extraits les plus pertinents sont remontés et reclassés.
La question et les extraits sont assemblés en un prompt contextualisé.
Le modèle rédige une réponse appuyée sur le contexte fourni.
Une réponse fiable, précise et sourcée — avec citations vérifiables.
Partout où vous voyez cette étincelle, Mnemia enrichit l'étape standard d'un RAG avec ses propres optimisations : c'est ce qui sépare une réponse approximative d'une réponse précise, sourcée et fiable.
Un RAG classique se contente des étapes de base (63% de précision en moyenne) — Mnemia gagne des points de précision à chacune d'elles (entre 75.6% et 97.5% de précision en moyenne). Voir les 12 optimisations en détail.
Comprendre ce qu'apporte un RAG
Les grands modèles de langage sont entraînés sur des corpus de texte généralistes et publics : ils n'ont aucune idée de vos process, de vos contrats, de vos KPIs ou de votre histoire. La génération augmentée par récupération (RAG) résout cela en connectant le modèle à vos propres documents — sans jamais les exposer à l'extérieur.
« Je ne sais pas répondre… ou je vais inventer. »
« Quel est le CA cumulé de notre filiale sur les 6 dernières années ? »
« Je ne dispose pas d'informations spécifiques sur votre filiale. À titre indicatif, vous pourriez consulter vos rapports annuels… »
« Voici la réponse, avec les sources. »
« Quel est le CA cumulé de notre filiale sur les 6 dernières années ? »
« 12,4 M€ cumulés sur 2019-2024 : Nord 4,8 M€ · Sud 4,1 M€ · Ouest 2,2 M€ · Est 1,3 M€ — source : KPIs_consolidés_2024.xlsx, 6 feuilles annuelles. »
« La génération augmentée par récupération permet à un LLM de consulter vos données d'entreprise en temps réel avant de fournir une réponse. Outre la contextualisation des modèles génératifs, le RAG permet d'améliorer la traçabilité de l'information et de supprimer le risque d'hallucinations. »
Direction Générale des Entreprises — Guide RAG, novembre 2024
Télécharger le Guide RAG de la DGEL'expérience
Un LLM classique répond à partir de ses connaissances pré-entraînées, figées à une date donnée et étrangères à votre activité. Mnemia inverse la logique : à chaque question, le modèle ne s'appuie que sur les passages réellement extraits de vos documents internes, et chaque réponse cite ses sources. Pas d'invention, pas de connaissance externe — uniquement ce qui est écrit dans votre corpus.
Sur les 6 derniers exercices (2019-2024), le chiffre d'affaires cumulé s'élève à 12,4 M€, réparti ainsi :
La rémunération brute annuelle de Claire Doe a évolué comme suit :
Soit une progression de +32,8 % sur 6 ans.
Cas d'usage concrets
Cinq métiers où vos collaborateurs gagnent en autonomie sans envoyer la moindre donnée à l'extérieur.
Finance / Contrôle de gestion
« CA cumulé 2019-2024 ? » → 12,4 M€, avec détail par zone et citations des feuilles sources.
Commercial / Avant-vente
Devis, contrats, comptes-rendus client — la rotation des équipes ne fait plus disparaître l'historique.
Ressources humaines
« Jours d'ancienneté après 10 ans ? » → l'article exact de l'accord, cité, sans éplucher des dizaines de PDF.
Juridique / Conformité
« Quelle clause type pour les contrats SaaS ? » → le passage exact + traçabilité totale.
Support produit
Vos tickets résolus, manuels et FAQs unifiés. L'agent trouve la procédure en quelques secondes.
Parlons de votre corpus
Mnemia s'adapte à vos formats internes. Décrivez votre corpus et vos questions : nous vous dirons ce qui sera direct, ce qui demandera un ajustement, et l'usage LLM (local ou cloud dédié) le plus adapté.
Discuter de mon casRécapitulatif
Conçu pour les organisations qui ne peuvent pas — ou ne veulent pas — confier leurs documents à un cloud tiers.
Vos documents ne quittent jamais votre poste. Pas de cloud imposé, pas de télémétrie, pas de fuite. RGPD by design.
Un installeur Windows EXE unique. Aucun Docker, aucun Python à installer, aucune ligne de commande. Service prêt en moins de 10 minutes.
PDF, Excel multi-feuilles, PowerPoint, Word, Markdown, texte. Le BasicReader Mnemia comprend même les supports PPTX que certains RAG basiques ne savent pas gérer.
Embedding bge-m3 100 % local (GPU torch direct). LLM au choix : gpt-oss:20b fourni par défaut en modèle local, ou bien tout autre modèle local de votre choix, ou bien encore un modèle puissant en cloud dédié, ou fonctionnement hybride selon la sensibilité de la question. Tout est possible !
Dépose un fichier dans un dossier surveillé, il est indexé. Menu contextuel Windows pour indexation à la demande. Auto-skip des fichiers corrompus.
Choix des modèles (réponse standard / approfondie), gestion des clés API par provider, dictée vocale configurable (Speech To Text), dark/light mode,...
Pour les organisations qui exigent la souveraineté la plus stricte, nous livrons Mnemia clé en main sur un NVIDIA DGX Spark — un supercalculateur IA de la taille d'un livre. Les modèles open-weight les plus puissants tournent 100 % en local, au service de toute une équipe, sans qu'aucune donnée ne quitte vos locaux.
Évolutif : deux DGX Spark se chaînent via leur lien réseau 200 Gb/s pour servir des modèles encore plus grands (jusqu'à 405 Md de paramètres).
Vous lancez Mnemia-Setup.exe, vous cliquez sur « Suivant » jusqu'au bout, et votre RAG d'entreprise est opérationnel. Aucun Docker à maintenir, aucun Python à installer, aucun serveur à provisionner — tout tourne en service Windows sur le poste de votre choix.
Indexation continue, supervisée depuis votre barre des tâches.
Un module Windows en arrière-plan qui surveille vos dossiers et fichiers indexés. Dès qu'un fichier est créé, modifié ou supprimé, il est ré-indexé automatiquement. Une icône dans le system tray vous montre l'avancement en temps réel — et permet d'indexer un fichier ou un dossier d'un simple clic droit dans l'explorateur.
Vos documents sont stockés sous forme de « mémoire » interrogeable.
Chaque document est découpé en morceaux sémantiques (chunks) puis converti en vecteurs mathématiques par notre embedder bge-m3. Ces vecteurs sont stockés dans une base de données vectorielle locale (Weaviate) qui tourne directement sur votre poste. Aucun envoi vers un serveur tiers, jamais.
L'interface où vos collaborateurs posent leurs questions.
Une interface web moderne accessible depuis le navigateur, qui ressemble à ChatGPT — mais dont les réponses ne proviennent que de vos documents internes. Conversation contextuelle, citations cliquables, choix du modèle (local ou cloud dédié), historique consultable.
L'assistant d'installation détecte automatiquement votre GPU, télécharge les modèles (embedding, reranker, LLM local, dictée vocale) et installe le service Windows puis démarre les composants.
Pas d'administrateur réseau, pas de cluster à provisionner. Votre solution RAG est prête en 10 minutes.
Passez à l'action
Nous installons une instance Mnemia sur l'un de vos postes ou un environnement de test, indexons un échantillon de votre corpus et vous montrons les réponses obtenues sur vos vraies données — en 1 à 2 jours, sans engagement.