# Estimation des Ressources : Projet "Dataset Souverain & IA"

Ce document détaille les prérequis techniques pour passer d'un simple scraper à une **usine de données pour l'IA** (LLM Fine-tuning & RAG).

---

## 1. 💾 Stockage : Le Nerf de la Guerre

Pour un dataset "conséquent" (visant le fine-tuning d'un LLM 7B ou 13B paramètres sur des contextes africains), on ne parle plus en gigaoctets mais en téraoctets.

### Estimation pour 10 Millions d'articles/documents (High Quality) :
*   **Données Brutes (HTML/PDF)** : ~500 Go - 1 To (pour archives et traçabilité).
*   **Données Nettoyées (Texte brut/JSON)** : ~50 Go - 100 Go (TEXT ONLY).
*   **Index Vectoriel (RAG)** : C'est le plus lourd.
    *   Si on découpe (chunk) chaque doc en 4 segments.
    *   40 millions de vecteurs (768 dimensions float32).
    *   **Taille RAM/Disque Qdrant/Typesense** : ~150 Go - 200 Go uniquement pour les vecteurs.

**Recommandation Disque :** **2 To NVMe SSD** minimum. Les disques durs classiques (HDD) tueront les performances de votre moteur de recherche vectoriel.

---

## 2. 🖥️ Matériel pour le Scraper (L'Usine)

Le scraping n'est pas limité par le CPU, mais par la **bande passante** et les **IOPS** (écritures disque).

### Configuration "Scraper Industriel" (Minimum)
*   **CPU** : 4 - 8 vCPUs (pour gérer le parsing HTML/PDF en parallèle).
*   **RAM** : 16 Go - 32 Go (Chrome/Selenium consomme énormément si utilisé, sinon Scrapy pur est léger).
*   **Réseau** : 1 Gbps stable.
*   **Proxies** : **CRITIQUE**. Pour scraper massivement sans être banni, il faut un pool de proxies rotatifs (frais mensuels à prévoir : 50$-500$/mois selon le volume).

---

## 3. ⏱️ Estimation du Temps (La Variable "Politesse")

Si vous êtes "poli" (1 requête/seconde par domaine) pour ne pas casser les sites cibles :

*   **Vitesse Moyenne** : 1 page / 2 secondes (avec parsing).
*   **Avec 1 instance** : ~43 000 pages / jour.
*   **Pour atteindre 1 Million de pages** : ~23 jours avec 1 machine.
*   **Accélération** : Parallélisme. Avec 10 workers en parallèle sur des domaines différents -> **2 à 3 jours pour 1 Million de pages**.

---

## 4. 🧠 Structure des Données pour l'IA (LLM & RAG)

Pour que la donnée soit utile (et pas juste du bruit), elle doit suivre ce pipeline :

### A. Pour le RAG (Recherche Sémantique)
Les données doivent être "Chunkées" (découpées) intelligemment.
*   **Format** : JSON
*   **Structure** :
    ```json
    {
      "id": "uuid",
      "text": "Extrait de texte de 512 tokens...",
      "metadata": {
        "source": "url",
        "date": "2024-01-01",
        "pays": "Sénégal",
        "langue": "wol"
      },
      "vector": [0.12, -0.45, ...] // Généré par modèle d'embedding (ex: Camembert, NLLB)
    }
    ```

### B. Pour le Fine-Tuning (LLM)
Les données doivent être nettoyées et formatées en paires "Instruction/Input/Output" ou en texte brut continu de haute qualité.
*   **Format** : JSONL (JSON Lines)
*   **Nettoyage** : Suppression des pubs, menus, bas de pages, scripts, etc. (C'est 80% du travail).

---

## 5. ⚡ Performance du Moteur de Recherche

Pour que la recherche soit "instantanée" (< 100ms) sur des millions de documents :

1.  **RAM is King** : Qdrant et Typesense doivent tenir l'index en mémoire vive (RAM).
    *   Pour 10M vecteurs, prévoyez **64 Go à 128 Go de RAM** sur le serveur de recherche.
2.  **Disque NVMe** : Indispensable pour charger les données à froid.
3.  **HNSW Index** : C'est l'algorithme utilisé par Qdrant. Il est rapide mais gourmand en RAM.

---

## 📝 Résumé du "Kit de Démarrage Sérieux"

Si vous voulez commencer demain un projet pertinent et performant :

1.  **Serveur Scraper** : VPS 8 vCPU / 16 Go RAM / 1 Gbps (ex: Hetzner, OVH) + Budget Proxies.
2.  **Serveur Base de Données & Recherche** : Serveur Dédié 16 vCPU / 128 Go RAM / 2x1.92 To NVMe (C'est là qu'est la valeur).
3.  **Pipeline** : Scrapy (Collecte) -> Traitement Text (Spacy/Langchain) -> Vectorisation (HuggingFace) -> Qdrant (Index).