🏛️ Assistant Hippocratique : RAG basé sur les Aphorismes d'Hippocrate

“Je jure par Apollon médecin, par Asclépios, Hygie et Panacée…”
— Serment d’Hippocrate

🧠 Explorez les fondements de la médecine occidentale grâce à un système RAG (Retrieval-Augmented Generation) moderne, alimenté par les Aphorismes d’Hippocrate.

---

🎯 Objectifs du Projet

• ✨ Explorer un corpus historique de textes médicaux anciens.
• 🧠 Utiliser le RAG pour faciliter l’apprentissage interactif des textes classiques.
• 📚 Mettre en avant les principes hippocratiques via une interface numérique moderne.
• 🧑‍⚕️ Inspirer une approche pédagogique de la redécouverte des textes médicaux anciens.

---

⚖️ Enjeux Pédagogiques et Éducatifs

🧑‍🏫 Vulgarisation des textes fondateurs

• Permet aux utilisateurs d’explorer les bases de la médecine antique.
• Encourage une réflexion critique à travers l’analyse des textes originaux.
• Facilite la compréhension de l’évolution de la pensée médicale.

📚 Apprentissage Interactif

• Méthode active : poser des questions et recevoir des réponses contextualisées.
• Développe la compétence "recherche + synthèse" via un assistant IA.
• Favorise l’autonomie dans l’étude des textes classiques.

🧠 Référentiel Sémantique Médical Ancien

• Exploration du langage médical ancien via NLP.
• Première étape vers la création de référentiels sémantiques historiques.
• Ouvre la voie à l'analyse d'autres œuvres majeures (Galien, Avicenne, etc.).

💡 Exemple Concret d’un RAG Appliqué à un Corpus de Médécine Ancienne

• Démonstration pratique de la chaîne complète RAG, du PDF au serveur web.
• Documentation pédagogique claire et reproductible.

---

🗂 Structure du Projet

.
├── data/
│   ├── hippocrates_questions.json  # Questions prédéfinies
│   └── hippocrate_rag_data.json    # Données préparées pour le RAG
├── models/
│   └── config_schema.py            # Schéma Pydantic de configuration
├── prepare_corpus/
│   └── process_pdf.ipynb           # Notebook d'extraction du PDF
├── rag/
│   └── hippocrag.py                # Moteur RAG principal
├── templates/
│   └── index.html                  # Template Jinja2 de l’interface
├── app.py                          # Point d’entrée Flask
├── config_loader.py                # Chargement du YAML
├── Dockerfile                      # Définition du conteneur
├── docker-compose.yml              # Orchestration
├── rag_config.yaml                 # Fichier de configuration global
├── requirements.txt                # Dépendances python pour exécuter le projet dans un conteneur docker
└── requirements_pjt.txt            # Dépendances Python pour executer le projet en local

---

🤖 Fonctionnement Technique

🧠 Base de Connaissances

Les Aphorismes d’Hippocrate proviennent de :

• Titre : Aphorismes d'Hippocrate, traduits par Émile Littré
• Format numérique : PDF issu de archive.org
• Pages traitées : 96 à 260 (traduction française principale)

Ils sont découpés et stockés dans :

• data/hippocrate_rag_data.json
• Et indexés avec FAISS après encodage sémantique via Sentence-BERT (sentence-camembert-large).

🔍 Recherche Vectorielle

À chaque question posée :

1. La requête est encodée en vecteur.
2. Une recherche par plus proches voisins est effectuée dans l’index FAISS.
3. Les passages pertinents sont récupérés.

🧾 Génération de Réponse

La réponse est générée par un modèle LLM open-source (Mistral) via Ollama, reformulée en français à partir des extraits trouvés.

📊 Diagramme du Workflow RAG

graph TD
    A(Question utilisateur) --> B(Encodage vectoriel *CamemBERT*)
    B --> C(Recherche dans l'*index FAISS*)
    C --> D(Récupération des chunks pertinents)
    D --> E(Appel LLM *Mistral* → réponse générée)

Loading

---

🧾 Explication détaillée des étapes

1. [Question utilisateur]

   • L'utilisateur pose une question en langage naturel.
   • Exemple : "Quel est le rôle du régime dans la santé selon Hippocrate ?"

2. [Encodage vectoriel (CamemBERT)]

   • La question est encodée en vecteur grâce à un modèle sémantique comme CamemBERT ou Sentence CamemBERT large.
   • Permet de comparer la requête aux embeddings précalculés des aphorismes.

3. [Recherche dans index FAISS]

   • Le moteur de recherche vectorielle (FAISS) compare le vecteur de la question avec les embeddings stockés dans l’index.
   • Retourne les top_k passages les plus proches (ex: 6 fragments).

4. [Récupération des chunks pertinents]

   • Les textes associés aux vecteurs trouvés sont récupérés depuis la base JSON.
   • Ces chunks contiennent les informations nécessaires pour répondre à la question.

5. [Appel LLM (Mistral) → réponse générée]

   • Un prompt est construit à partir de la question et des contextes trouvés.
   • Le LLM (mistral, via Ollama) génère une réponse structurée en français.
   • Réponse renvoyée à l’utilisateur sous forme HTML ou texte brut.

---

🧰 Technologies Utilisées

Technologie	Usage
Flask	Backend API Web
Bootstrap 5.3	Interface responsive
Sentence-BERT	Encodage sémantique
FAISS	Indexation vectorielle
Mistral (Ollama)	Génération de réponses
Docker	Déploiement portable
Bleach	Sécurisation HTML

---

📦 Prérequis

✅ Logiciels requis

• Python 3.9+
• Docker (optionnel mais recommandé)
• Ollama (ou autre LLM compatible via API)
• Git (facultatif)

💻 Configuration Matérielle Recommandée

• Processeur : architecture moderne (x86 ou ARM comme M1/M2/M4)
• RAM : minimum 16 Go, idéalement 24 Go
• Stockage : espace disque suffisant (~5–10 Go)

✅ Testé avec succès sur un Mac M4 avec 24 Go de RAM, Python 3.11, Docker Desktop et Ollama.

---

🚀 Démarrage rapide

1. 🧬 Cloner le dépôt distant

Commencez par cloner le dépôt GitHub sur votre machine locale :

git clone https://github.com/micheldpd24/rag_aph_hippocrate.git
cd rag_aph_hippocrate

---

2. 🐳 Avec Docker Compose (Recommandé)

Assurer vous d'abord que dans le fichier configuration rag_config.yaml nous avons bien: rag: llm: endpoint: "http://ollama:11434/api/generate"

Lancez l’application en une seule commande grâce à Docker Compose :

docker compose up --build

Télécharger et lancer le modèle llm mistral

ollama run mistral

L’application sera accessible à l’adresse : http://localhost:5000

---

3. 💻 En mode développement local

a. Préparer l’environnement virtuel

python -m venv .venv

Sous macOS / Linux :

source .venv/bin/activate

Sous Windows (CMD) :

.venv\Scripts\activate

b. Installer les dépendances Python

pip install -r requirements.txt

c. Démarrer le serveur Ollama

Ouvrez un nouveau terminal et démarrez le service Ollama :

ollama serve

d. Télécharger le modèle LLM (ex. Mistral)

Toujours dans ce terminal :

ollama run mistral

e. Configuration du endpoint du llm du RAG:

Assurez vous d'abord que dans le fichier configuration rag_config.yaml vous avez bien: rag / llm / endpoint: "http://localhost:11434/api/generate"

f. Lancer l’application Flask

Revenez au terminal principal et exécutez :

python app.py

Accédez ensuite à l’interface via : http://localhost:5000

---

📊 Extraction & Préparation du Corpus

Le notebook prepare_corpus/process_pdf.ipynb extrait les aphorismes depuis le PDF et les prépare pour le RAG :

📄 Étapes Principales

1. Téléchargement du PDF
2. Nettoyage du texte (mots coupés, erreurs de numérotation)
3. Extraction structurée des aphorismes
4. Segmentation adaptée au RAG :
   • < 450 caractères → conservé tel quel
   • 450–800 → divisé en 2 parties

   • 800 → divisé en 3 parties avec chevauchement

✅ Format Final pour le RAG

Chaque document inclut :

• Un identifiant unique (s1.aph_01.p100)
• Le texte segmenté
• Des métadonnées (section, page, source)

---

🛠️ Configuration du Système RAG

Fichier central : rag_config.yaml

🖥️ Application Flask

Paramètre	Valeur par défaut
name	"HippocRAG"
debug	true
host	"0.0.0.0"
port	5000
secret_key	"change_this_secret"
data_dir	"data"
cache_dir	"cache"
question_cache_file	"questions_cache.json"

🔍 Moteur RAG

Paramètre	Valeur par défaut
model.name	"dangvantuan/sentence-camembert-large"
normalize_embeddings	true
index.json_path	"data/hippocrate_rag_data.json"
faiss_path	"hippocrate.index"
build_on_startup	true
top_k	6

🤖 LLM (Modèle de Génération)

Paramètre	Valeur par défaut / Description
provider	"ollama" → Fournisseur du modèle LLM utilisé
endpoint	- Local : "http://localhost:11434/api/generate" → Si lancé manuellement sur la machine - Container : "http://ollama:11434/api/generate" → Si lancé via Docker Compose
model	"mistral" → Modèle LLM utilisé pour générer les réponses

🔐 Sécurité

Balises HTML autorisées : <p>, <h4>, <ul>, <em>, <strong>, <blockquote>
Protection contre XSS via bleach.

---

🧠 Implémentation du Moteur RAG

Classe principale : HippocRAG_FAISS

🔧 Fonctionnalités

• Encodage sémantique via SentenceTransformer
• Indexation rapide avec FAISS
• Génération de réponses via LLM externe
• Configuration flexible via YAML

📁 Entrées attendues

• data/hippocrate_rag_data.json : données segmentées
• hippocrate.index : index FAISS précalculé

---

🌐 Interface Web

Application Flask interactive permettant :

• De choisir un thème médical
• De poser une question personnalisée
• D’obtenir une réponse contextuelle construite à partir des aphorismes

Routes principales :

Route	Méthode	Description
/	GET/POST	Page principale
/api/questions	GET	Charger des questions par thème
/reset-cache	POST	Vider le cache des réponses

Interface web :

---

📄 Licence

MIT License – Voir le fichier LICENSE

---

🧑‍💻 Auteur

Michel Douglas P
Ingénieur ML.