AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups

Imaginez un groupe de scientifiques travaillant ensemble dans un laboratoire, comme un groupe de musique qui jamme dans un garage. Ils ont leur partition (les articles publiés) et leurs instruments (les données), mais la véritable magie opère lors des moments désordonnés et non enregistrés : les plaisanteries internes, les avertissements du type « ne touche pas à ce bouton », et les raccourcis astucieux qu'ils inventent à la volée. C'est ce qu'on appelle la connaissance tacite — ce que vous savez parce que vous l'avez fait, et non parce que vous l'avez lu. Habituellement, lorsqu'un membre du groupe part, ce savoir secret s'en va avec lui.

Pour résoudre cela, les scientifiques tentent d'utiliser l'Intelligence Artificielle (IA) pour agir comme une super-mémoire pour ces groupes. Imaginez l'IA comme un bibliothécaire très rapide et très intelligent capable de lire chaque livre de la bibliothèque instantanément. Cependant, la plupart de ces « bibliothécaires » appartiennent à de grandes entreprises. Cela crée un problème : si vous posez une question au bibliothécaire d'une entreprise, celle-ci peut garder une copie de votre question pour entraîner son prochain bibliothécaire, ou elle peut ne pas vous montrer exactement comment elle a trouvé la réponse. Pour les scientifiques, qui doivent pouvoir vérifier leur travail et préserver la confidentialité de leurs données, c'est inacceptable. Ils ont besoin d'un bibliothécaire qu'ils peuvent construire eux-mêmes, garder dans leur propre sous-sol et en qui ils peuvent avoir une confiance totale.

C'est là qu'intervient AquiLLM. C'est un nouvel outil open-source conçu spécifiquement pour les groupes de recherche afin de capturer ce savoir informel et non formulé. L'article décrit comment l'équipe a amélioré AquiLLM pour qu'il ressemble davantage à un assistant de recherche local et utile qui vit sur les propres ordinateurs du groupe. Au lieu d'envoyer des données vers le cloud, il utilise la Génération Augmentée par Récupération (RAG). Imaginez le RAG comme un système où l'IA ne se contente pas de deviner des réponses à partir de son propre cerveau ; au lieu de cela, elle court d'abord vers une étagère spécifique, saisit les pages exactes dont elle a besoin, puis les lit à haute voix pour répondre à votre question. Cela garantit que l'IA s'en tient aux faits dont le groupe dispose réellement, plutôt que d'inventer des choses.

Les auteurs de cet article n'ont pas seulement construit une version basique ; ils lui ont offert une mise à jour majeure basée sur les besoins réels des scientifiques (comme les astrophysiciens). Ils ont ajouté des fonctionnalités qui permettent au système de « voir » des images et des graphiques, et pas seulement de lire du texte, et lui ont donné une « mémoire » qui se souvient de qui vous êtes et de ce dont vous avez discuté auparavant, sans mélanger les différents projets. Ils ont également veillé à ce que le système soit modulaire, ce qui signifie que vous pouvez remplacer des pièces comme le cerveau ou les yeux sans reconstruire tout le robot.

L'article suggère que ces améliorations rendent le système bien plus performant pour gérer la nature complexe, visuelle et collaborative de la science réelle. Cependant, les auteurs précisent avec prudence que si le système fonctionne bien pour trouver des faits dans des documents, il éprouve encore quelques difficultés lorsqu'on lui demande de comparer des informations provenant de nombreuses sources différentes ou lorsque la « mémoire » devient trop pleine. Ils n'ont pas prouvé qu'il est parfait ; ils ont simplement montré qu'il s'agit d'une étape prometteuse vers une IA qui respecte la vie privée et aide les équipes à préserver leur sagesse collective.

La Grande Mise à Jour : D'un Robot Maladroit à un Partenaire de Laboratoire Intelligent

Alors, qu'est-ce que l'équipe a fait exactement à AquiLLM ? Considérez le système original comme un robot utile mais légèrement maladroit. Il pouvait parler, mais il était lent, ne pouvait pas voir d'images et oubliait parfois ce que vous lui aviez dit cinq minutes auparavant. La nouvelle version est comme si on lui avait fait une transplantation de cerveau, de nouveaux yeux et un carnet de notes personnel.

1. Le « Cerveau Local » et la « Bibliothèque Locale »
Le plus grand changement est que tout se passe directement sur les propres ordinateurs du groupe. L'équipe a remplacé le besoin de services commerciaux externes coûteux par des modèles à poids ouverts (open-weight models). Imaginez qu'au lieu d'appeler un consultant célèbre et coûteux pour résoudre un problème, vous ayez un tuteur local brillant qui vit chez vous. Ce tuteur (le modèle d'IA) est gratuit à utiliser, et vous possédez toutes les notes qu'il prend. L'équipe a spécifiquement choisi des modèles comme Qwen3.6-27B pour la discussion et Qwen3-VL pour voir les images. Ils ont également remplacé les outils de recherche externes par des outils locaux, ce qui signifie que la partie « moteur de recherche » de l'IA réside également dans le sous-sol du groupe, et non dans un cloud d'entreprise. Cela permet de garder les données sensibles, comme les recherches non publiées ou les notes privées, totalement hors d'internet.

2. Donner des « Yeux » à l'IA (Capacités Multimodales)
La science ne se résume pas aux mots ; elle concerne aussi les graphiques, les photos d'étoiles et les diagrammes. L'ancien système peinait avec ces éléments. Le nouvel AquiLLM peut désormais « voir ». Il utilise un modèle multimodal capable d'examiner l'image d'un graphique, de comprendre la signification des lignes et d'en discuter comme le ferait un humain. C'est comme passer d'un robot qui ne peut que lire un menu à un robot qui peut regarder la nourriture dans l'assiette et dire quel goût elle a. C'est crucial pour les chercheurs qui doivent discuter des figures de leurs articles sans avoir à décrire chaque pixel en texte.

3. La « Mémoire Personnelle » vs le « Carnet de Notes Partagé »
L'une des nouvelles fonctionnalités les plus intéressantes est une couche de mémoire. Imaginez que vous avez une conversation avec un ami. Vous ne voulez pas réexpliquer toute votre vie à chaque fois que vous dites « bonjour ». Le nouveau système possède deux types de mémoire :

• Faits Stables : C'est comme une carte d'identité permanente. Il se souvient de votre nom, de votre sujet de recherche préféré et de votre ton.
• Mémoire Épisodique : C'est comme un journal de vos discussions récentes. Si vous avez posé une question sur un amas d'étoiles spécifique hier, l'IA s'en souvient aujourd'hui.
  Crucialement, cette mémoire est privée à l'utilisateur et au projet. Elle n'est pas mélangée aux données de tous les autres. L'article note que cette mémoire est optionnelle et doit être activée, car stocker trop d'informations peut devenir désordonné. Si la mémoire échoue, le système revient simplement aux documents, de sorte qu'il ne casse pas toute la conversation.

4. « Compétences » et « Packs de Compétences »
C'est une façon ingénieuse d'enseigner à l'IA comment travaille une équipe spécifique. Imaginez qu'un nouvel stagiaire rejoigne un laboratoire. Il doit connaître les règles spécifiques : « Trace toujours les données en bleu » ou « Vérifie cette liste de contrôle avant de lancer l'expérience ». Dans le nouveau système, ces règles sont regroupées dans des Compétences (Skills). Lorsqu'un chercheur entame une discussion sur un projet spécifique, l'IA charge automatiquement le « Pack de Compétences » de ce projet. C'est comme si l'IA mettait un chapeau différent selon l'équipe à laquelle elle parle. Une équipe de spectroscopie reçoit un ensemble d'instructions, et une équipe de photométrie en reçoit un autre, le tout sans que l'IA ne s'embrouille.

5. Le « Bibliothécaire Intelligent » (Context Packing)
L'IA a une limite sur la quantité de choses qu'elle peut lire à la fois (sa « fenêtre de contexte »). Si vous lui donnez une bibliothèque entière, elle peut être submergée. L'équipe a ajouté un système de compactage de contexte sensible à la saillance (salience-aware context packing). Voyez cela comme un bibliothécaire ultra-efficace qui sait exactement quelles pages d'un livre sont les plus importantes pour la question que vous posez. Au lieu de simplement couper la fin du livre de manière aléatoire, le système classe l'information : « Cette phrase est critique », « Cette image est pertinente », « Ce vieux message de chat peut être résumé ». Il utilise un outil appelé LLMLingua-2 pour réduire le texte sans en perdre le sens, permettant à l'IA d'intégrer plus d'informations importantes dans son cerveau sans planter.

Le Test de Réalité : Qu'est-ce qui reste Difficile ?

Les auteurs sont très honnêtes sur ce que ce système ne peut pas encore faire. Ils ne prétendent pas qu'il s'agit d'une baguette magique.

• C'est un Système Hybride : Le système est encore un mélange d'ancien et de nouveau code. Certaines parties fonctionnent parfaitement sur des ordinateurs locaux, tandis que d'autres sont encore configurées pour le cloud. Cela peut causer des comportements étranges, comme le fait que le système se comporte différemment selon le « mode » dans lequel il se trouve.
• Latence de la Mémoire : Comme les mises à jour de la mémoire se font en arrière-plan (pour maintenir la rapidité du chat), il y a un léger délai. Si vous posez une question juste après avoir dit quelque chose de nouveau à l'IA, il se peut qu'elle ne vous ait pas encore « entendu ».
• Le Test du « Tacite » : L'équipe a testé le système sur des documents formels comme des articles d'astronomie, et il a bien fonctionné. Mais ils admettent ne pas l'avoir encore pleinement testé sur des éléments plus désordonnés, comme les messages Slack, les comptes rendus de réunion ou les commentaires de code. Ils suggèrent que capturer ce genre de connaissance informelle et « tacite » est le prochain grand défi.
• Vitesse vs Intelligence : Le système est rapide, mais parfois, il doit choisir entre vitesse et précision. Si l'ordinateur manque de mémoire (VRAM), il doit ralentir ou abandonner certaines informations.

L'Essentiel à Retenir

AquiLLM est une étape significative pour la recherche scientifique. Il s'éloigne de l'idée que l'IA doit être une boîte noire appartenant à une corporation et la remet entre les mains des chercheurs. En rendant le système local, multimodal et conscient de sa mémoire, il respecte la vie privée et le flux de travail de la science. L'article suggère que, bien qu'il ne soit pas parfait, c'est un outil puissant pour maintenir intact le cerveau collectif d'un groupe de recherche, même lorsque les membres arrivent et partent. Ce n'est pas un problème résolu, mais c'est un prototype très prometteur pour l'avenir de la science collaborative.