Vous cherchez « délai de paiement » dans un contrat. Ctrl+F ne renvoie rien, alors qu’une clause indique « le règlement intervient sous 30 jours ». Les mots diffèrent, mais l’idée est la même. Une recherche sémantique PDF locale vise précisément ce rapprochement, sans envoyer le document vers un service distant.
Recherche sémantique ou Ctrl+F : deux besoins différents
Ctrl+F recherche une chaîne de caractères exacte. C’est le bon choix pour retrouver un numéro de facture, un nom propre ou une expression dont vous connaissez l’orthographe. Il est rapide, prévisible et ne nécessite aucun modèle.
La recherche sémantique compare plutôt le sens de la requête avec celui des passages du document. Elle peut donc rapprocher « délai de paiement » de « règlement sous 30 jours », ou « fin du contrat » de « conditions de résiliation ». Elle ne remplace pas la recherche exacte : elle répond à un autre besoin, lorsque vous connaissez le sujet mais pas les mots employés par l’auteur.
Comment les embeddings restent locaux
Document Flare extrait d’abord le texte de chaque page avec pdf.js, puis le découpe en passages qui se recouvrent légèrement. Un embedding est une représentation numérique d’un texte : des passages au sens voisin produisent des vecteurs proches. La requête reçoit elle aussi un vecteur, puis l’outil classe les passages selon leur similarité cosinus.
Ces calculs utilisent Transformers.js et le modèle multilingue Xenova/paraphrase-multilingual-MiniLM-L12-v2, dans sa variante ONNX quantifiée q8. Le modèle représente environ 115 Mio. Il est téléchargé depuis Hugging Face uniquement après votre activation explicite, puis conservé dans le cache du navigateur. L’inférence s’exécute avec ONNX Runtime Web : WebGPU est utilisé lorsqu’il est disponible, avec un repli sur WASM sinon.
Le PDF, son texte et vos requêtes restent sur l’appareil. L’index est gardé en mémoire et n’est pas persisté. Le coût de cette confidentialité est concret : un téléchargement initial important, de la mémoire vive pour les passages et leurs vecteurs, puis du temps de calcul pour indexer le document.
Pas-à-pas : rechercher un concept dans votre PDF
- Ouvrez l’outil Recherche sémantique.
- Déposez un PDF. Un seul fichier est accepté, avec une limite de 50 Mio et 1 000 pages.
- Attendez l’extraction du texte. Si le document est un scan sans couche texte suffisante, le panneau vous proposera de passer par l’OCR.
- Cliquez sur le bouton d’activation. L’interface annonce le téléchargement d’environ 115 Mio avant de le déclencher et affiche sa progression.
- Laissez l’indexation se terminer. Chaque passage du PDF est transformé en embedding sur votre appareil.
- Saisissez une idée plutôt qu’un mot isolé. Par exemple : « pénalités en cas de retard », « procédure de remboursement » ou « obligations du prestataire ».
- Examinez les passages classés. Chaque résultat indique sa page et un score de proximité. Vous pouvez sélectionner les pages trouvées pour les transmettre à l’outil d’extraction, ou exporter les résultats dans un fichier texte.
Pour une référence parfaitement connue, commencez par Ctrl+F. Pour une notion formulée de plusieurs manières dans un rapport long, lancez la recherche sémantique.
Cas d’usage concrets
Dans un contrat, vous pouvez chercher les idées de résiliation, de renouvellement ou de responsabilité sans deviner chaque formulation juridique. Dans un rapport annuel, une requête comme « risques liés aux fournisseurs » peut faire remonter des passages parlant de dépendance ou de chaîne d’approvisionnement. Dans un mémoire, « limites de la méthode » peut retrouver une discussion sur les biais ou les réserves, même sans titre identique.
Le classement reste une aide à la lecture, pas une preuve que tous les passages pertinents ont été trouvés. Pour archiver uniquement certaines pages après vérification, utilisez ensuite Extraire des pages PDF. Pour obtenir une vue d’ensemble plutôt qu’une liste de passages, comparez avec le résumé PDF par IA locale.
Limites et coût réel du modèle
Le premier usage nécessite une connexion
Le modèle d’environ 115 Mio doit être téléchargé une première fois. Une connexion lente ou filtrée peut interrompre cette étape. L’outil fonctionne hors connexion uniquement si le modèle est déjà présent dans le cache du navigateur. Effacer les données du site ou utiliser un autre profil impose généralement un nouveau téléchargement.
Les gros documents consomment davantage de RAM
Le texte est découpé, vectorisé et indexé en mémoire. Plus le document contient de passages, plus l’indexation prend du temps et utilise de mémoire vive. Les plafonds restent un fichier, 50 Mio et 1 000 pages, mais atteindre ces limites ne garantit pas une expérience fluide sur une machine peu dotée.
Un scan exige une étape préalable
Sans texte extractible, aucun passage ne peut être vectorisé. Commencez alors par reconnaître le texte avec l’OCR local. L’ordre des colonnes, les tableaux et les erreurs d’OCR peuvent ensuite affecter la pertinence des résultats.
Multilingue ne signifie pas infaillible
Le modèle couvre notamment le français, l’anglais, l’arabe et l’espagnol, mais sa qualité varie selon la langue, le vocabulaire spécialisé et la longueur des formulations. Un score élevé indique une proximité calculée, pas une validation juridique ou scientifique. Reformulez la requête et vérifiez toujours le passage dans son contexte.
Pour contrôler vous-même les échanges réseau pendant le téléchargement puis l’indexation, suivez notre protocole de vérification du trafic. Vous distinguerez ainsi le chargement ponctuel du modèle du traitement local de votre document.
