Et si l’intelligence artificielle travaillait chez vous, sans envoyer vos données ailleurs ?

Et si une intelligence artificielle pouvait analyser 10 000 documents confidentiels sans qu’aucun ne quitte votre bureau ?

Je souhaite construire et bêta-tester un véritable serveur d’intelligence artificielle locale sous Linux, capable de travailler sur des données confidentielles, d’exécuter différents modèles d’IA et, lorsque cela est nécessaire, d’effectuer des recherches sur Internet sans pour autant y envoyer automatiquement les documents privés qu’il analyse.

Une intelligence artificielle utile… mais où partent nos données ?

On parle énormément aujourd’hui de ChatGPT, de Gemini, du Chat de Mistral AI, de DeepSeek, mais aussi d’une quantité croissante de modèles que l’on peut télécharger sur Hugging Face et exécuter sur son propre matériel.

On peut désormais demander à une intelligence artificielle :

d’analyser des centaines ou des milliers de PDF ;
de comparer des contrats ;
d’étudier un dossier juridique ;
d’analyser des données comptables ou techniques ;
de rechercher dans une documentation interne ;
de produire du code et des scripts ;
d’analyser des journaux système ;
de rechercher des anomalies dans des fichiers ;
de produire des rapports, tableaux et synthèses ;
d’analyser des images, scans et documents numérisés ;
de transcrire des contenus audio ;
et d’automatiser une partie de travaux répétitifs.

Mais dès que ces fichiers contiennent des données personnelles, professionnelles, associatives, juridiques, techniques ou commerciales, une question devient particulièrement importante :

Pourquoi devrais-je obligatoirement envoyer toutes ces informations sur les serveurs de quelqu’un d’autre ?

C’est précisément à partir de cette question que démarre mon projet.

Et si l’intelligence artificielle était directement dans le bureau ?

L’idée n’est pas de fabriquer un nouveau ChatGPT.

Il existe déjà énormément de très bons modèles.

L’objectif est plutôt de construire un véritable serveur d’intelligence artificielle locale, fonctionnant sous Linux, par exemple avec Ubuntu Server.

Ce serveur serait accessible depuis les ordinateurs autorisés du réseau local, voire à distance au travers d’un VPN correctement sécurisé.

Il pourrait héberger simultanément :

plusieurs modèles de langage ;
des modèles spécialisés dans le code ;
des modèles capables d’analyser des images ;
des outils OCR ;
des moteurs de recherche documentaire ;
une base vectorielle ;
des outils Python ;
des agents spécialisés ;
et éventuellement différents services métiers.

Les modèles, les documents, les bases documentaires et les traitements sensibles peuvent ainsi rester physiquement sur une machine installée dans les locaux de l’utilisateur.

IA locale ne veut cependant surtout pas dire IA enfermée dans une boîte et coupée du monde.

Non, un modèle d’IA n’a pas la science infuse

C’est un point essentiel.

Un modèle d’intelligence artificielle possède des connaissances acquises pendant son entraînement, mais celles-ci peuvent être anciennes, incomplètes, imprécises ou tout simplement erronées.

Lorsque l’on demande :

Quelle est actuellement la réglementation applicable ?

ou :

Quelle est aujourd’hui la dernière version disponible de ce logiciel ?

la bonne méthode n’est pas de demander au modèle d’inventer une réponse uniquement à partir de sa mémoire.

Il faut lui permettre de rechercher l’information.

Exactement comme le ferait une personne devant son ordinateur.

C’est pourquoi le serveur pourra disposer, par exemple, d’un moteur de recherche auto-hébergé comme SearXNG.

SearXNG dispose également d’une API de recherche , ce qui permet à un programme ou à un agent IA de lui poser directement des requêtes.

On peut donc imaginer demander :

Recherche les textes officiels actuellement applicables, vérifie les sources, compare-les avec les documents présents dans ce dossier et prépare-moi une synthèse.

Le Web apporte alors les informations publiques.

Le serveur local apporte les documents privés.

Et le rapprochement entre les deux peut être effectué localement.

Une frontière indispensable entre Internet et les données privées

Donner accès à Internet à une IA locale n’a évidemment d’intérêt pour la confidentialité que si l’architecture est correctement pensée.

Les données privées ne doivent pas être automatiquement envoyées avec les requêtes Internet.

On peut imaginer deux espaces logiques.

1. Un espace local

L’agent peut y consulter :

les documents auxquels il est autorisé à accéder ;
les bases de données internes ;
les archives ;
les fichiers techniques ;
les informations confidentielles nécessaires au travail.

2. Un accès externe contrôlé

L’agent peut demander :

Recherche les dernières informations publiques concernant cette réglementation.

Il récupère les informations publiques nécessaires, puis les ramène dans son environnement de travail.

La comparaison avec les documents confidentiels peut alors être effectuée localement.

Cette séparation entre les données privées et les requêtes externes fait précisément partie des éléments que je souhaite expérimenter, documenter et sécuriser pendant le bêta-test.

Pas seulement un chatbot : un véritable serveur de travail

Le projet devient beaucoup plus intéressant lorsque l’on cesse d’imaginer l’intelligence artificielle uniquement comme une fenêtre dans laquelle on écrit une question.

Utilisateur → Interface Web → Agent IA → Modèle → Outils → Documents locaux → Bases internes → Recherche Web autorisée

Une interface comme Open WebUI peut constituer l’une des portes d’entrée du système.

Open WebUI peut travailler avec plusieurs moteurs et des API compatibles, gérer des connaissances documentaires et proposer différentes fonctions autour des modèles.

Pour découvrir ses possibilités : fonctionnalités d’Open WebUI .

Quels moteurs peuvent réellement faire tourner les modèles ?

Plusieurs solutions pourront être testées.

Ollama

Ollama permet d’exécuter relativement simplement de nombreux modèles localement.

On peut consulter directement le catalogue des modèles disponibles pour Ollama .

L’installation Linux est documentée ici : Ollama pour Linux .

llama.cpp

llama.cpp est l’un des projets majeurs pour faire fonctionner localement des modèles LLM et VLM sur une très grande variété de matériels.

Le projet dispose également désormais de llama.app pour faciliter la découverte et l’installation.

Le format GGUF est notamment très utilisé pour distribuer des modèles quantifiés destinés à ce type d’exécution locale.

vLLM

Pour des usages davantage orientés serveur, on peut également étudier vLLM .

vLLM peut exposer les modèles au travers d’un serveur HTTP , notamment au moyen d’interfaces compatibles avec de nombreux logiciels utilisant les API de type OpenAI.

Et où trouve-t-on les modèles ?

L’un des principaux lieux où sont publiés les modèles est Hugging Face .

Le Hugging Face Model Hub regroupe aujourd’hui une quantité considérable de modèles, datasets et outils.

Il faut cependant toujours vérifier la licence de chaque modèle avant de l’utiliser professionnellement ou de le redistribuer.

Open source, open-weight, modèle propriétaire : ce n’est pas la même chose

Le terme « IA libre » est souvent utilisé un peu trop rapidement.

Il faut distinguer notamment :

les logiciels open source, dont le code peut être consulté et utilisé selon leur licence ;
les modèles à poids ouverts — open-weight, dont les poids entraînés peuvent être téléchargés mais qui restent soumis à leur propre licence ;
les modèles propriétaires accessibles uniquement par Internet ou API.

Par exemple, ChatGPT est un service en ligne.

Mais OpenAI propose également les modèles gpt-oss , qui sont des modèles à poids ouverts conçus pour pouvoir être exécutés sur une infrastructure contrôlée par l’utilisateur.

Quelques familles de modèles particulièrement intéressantes

OpenAI gpt-oss

OpenAI propose deux modèles de raisonnement à poids ouverts :

La présentation officielle est disponible sur le site OpenAI .

Ces modèles sont intéressants pour le raisonnement, les appels d’outils et les architectures agentiques.

Mistral AI

La société française Mistral AI propose à la fois des services hébergés et différents modèles que l’on peut déployer soi-même suivant leurs licences respectives.

Le catalogue officiel est disponible ici : Mistral AI – Models .

La documentation technique des modèles est disponible sur : docs.mistral.ai .

On y trouve notamment des modèles généralistes, multimodaux et spécialisés dans le développement informatique.

Le lecteur qui souhaite simplement tester les services Mistral peut également ouvrir : Le Chat .

Google Gemma

Google DeepMind développe la famille Gemma .

La documentation de Gemma 4 permet de découvrir les différentes tailles et architectures disponibles.

Les modèles Google disponibles sur Hugging Face peuvent également être consultés ici : organisation Google sur Hugging Face .

Exemple de modèle : Gemma 4 31B IT .

Pour comparer avec le service en ligne propriétaire de Google : Gemini .

Qwen

La famille Qwen est particulièrement intéressante car elle propose de nombreux modèles généralistes, multimodaux et spécialisés.

Par exemple : Qwen3.8-27B est directement disponible sur Hugging Face.

Qwen développe également Qwen Code , un agent open source spécialisé dans le développement et utilisable depuis un terminal.

DeepSeek

DeepSeek propose également différents modèles ouverts ou téléchargeables.

Le modèle de raisonnement DeepSeek-R1 est disponible sur Hugging Face.

Sa présentation officielle : DeepSeek-R1 Release .

L’organisation DeepSeek sur Hugging Face permet également d’explorer les autres modèles disponibles : DeepSeek sur Hugging Face .

Et, pour comparer avec leur service hébergé : DeepSeek Chat .

Le bon modèle pour le bon travail

Pourquoi demander à un seul modèle de tout faire ?

Le même serveur pourrait disposer de :

un petit modèle rapide pour les tâches simples ;
un modèle plus lourd pour le raisonnement complexe ;
un modèle dédié au développement ;
un modèle capable d’analyser des images ;
un moteur d’embeddings pour la recherche documentaire ;
un moteur OCR ;
un modèle de transcription audio.

Le bon modèle pour le bon travail.

Un peu comme dans un atelier : on ne choisit pas un outil parce qu’il est le plus gros, mais parce qu’il est adapté au travail à effectuer.

Comment retrouver une information dans 10 000 documents ?

Une IA ne va pas nécessairement injecter 10 000 documents complets dans le contexte du modèle à chaque question.

On peut construire une architecture de RAG – Retrieval-Augmented Generation.

Le principe consiste notamment à indexer les documents, rechercher les passages pertinents puis transmettre principalement ces informations au modèle.

Une base vectorielle comme Qdrant peut servir à ce type de recherche sémantique.

Documentation : Qdrant Documentation .

On peut également explorer d’autres projets comme :

pgvector pour PostgreSQL ;
Chroma ;
Meilisearch pour certaines recherches textuelles plus classiques.

Et pour orchestrer les agents ?

Le projet pourra également expérimenter différents frameworks permettant de connecter les modèles à des outils.

Parmi les projets à étudier :

LangChain ;
LlamaIndex ;
Model Context Protocol – MCP pour connecter des outils et sources de données aux assistants compatibles.

Le but n’est évidemment pas d’installer tout ce qui existe, mais de tester les briques les plus adaptées à chaque besoin.

OCR : faire lire les documents scannés

Une partie importante des archives réelles n’est pas constituée de PDF contenant déjà du texte exploitable.

Il peut s’agir de scans ou de photographies.

Des logiciels comme Tesseract OCR peuvent alors être utilisés pour extraire du texte.

On pourra également tester des modèles multimodaux capables d’interpréter directement une image ou une page numérisée.

Et pour l’audio ?

Pour les fichiers sonores ou les enregistrements, un projet comme Whisper permet d’effectuer localement de la reconnaissance vocale.

Une réunion, une interview ou un enregistrement technique pourrait donc être transcrit localement avant d’être indexé avec le reste de la documentation.

Un exemple concret : analyser un dossier confidentiel

Imaginons un dossier contenant :

250 PDF ;
des courriers ;
plusieurs tableaux CSV ou Excel ;
des scans ;
des photographies ;
des documents juridiques ;
plusieurs années d’archives.

Le système pourrait tout indexer localement.

Puis recevoir :

Fais-moi la chronologie complète de cette affaire.

Signale-moi les dates contradictoires.

Retrouve toutes les références à cette société.

Recherche sur Internet les publications officielles actuellement disponibles concernant cette réglementation.

Compare maintenant ces informations publiques avec les documents du dossier et rédige une analyse détaillée.

Les informations publiques viennent d’Internet.

Les documents confidentiels restent sur la machine.

Et si le calcul prend toute la nuit ?

Ce n’est justement pas forcément un problème.

L’un des grands intérêts du local est qu’il n’est pas nécessaire de penser uniquement en termes de réponse immédiate.

Pour certains travaux confidentiels ou très volumineux, je préfère largement qu’une machine travaille cinq ou dix heures si le résultat obtenu est plus complet.

On peut imaginer des tâches de fond :

analyse de milliers de fichiers ;
classement automatique ;
extraction d’informations ;
OCR ;
indexation ;
comparaison de documents ;
analyse de logs ;
analyse de code ;
création de rapports ;
traitement d’images.

Les résultats intermédiaires pourraient être conservés dans une base PostgreSQL , MariaDB ou dans un autre stockage local adapté.

Le traitement peut alors être interrompu, repris et historisé.

Une petite machine avec 128 Go de mémoire

L’une des pistes étudiées est le AMD Ryzen AI Max+ 395 .

Ce processeur peut être associé à 128 Go de mémoire LPDDR5X unifiée et intègre une partie graphique AMD Radeon 8060S.

AMD présente également une plateforme de développement Ryzen AI Max+ 395 équipée de 128 Go .

Une machine que j’ai repérée pour ce projet est le GMKtec EVO-X2 .

Il existe en configuration 128 Go et dispose notamment de plusieurs possibilités de stockage NVMe.

Pourquoi 128 Go changent beaucoup de choses

Les modèles d’intelligence artificielle peuvent être extrêmement volumineux.

On utilise donc souvent des techniques de quantification .

En simplifiant fortement, cela consiste à réduire la précision numérique utilisée pour représenter une partie des paramètres du modèle afin de diminuer fortement ses besoins en mémoire.

On obtient alors un compromis entre :

taille ;
qualité ;
vitesse ;
consommation mémoire ;
longueur de contexte.

La petite machine de 128 Go peut donc avoir un avantage particulier :

elle ne sera pas forcément aussi rapide qu’une énorme carte graphique professionnelle, mais sa grande mémoire unifiée peut lui permettre de charger des modèles qui ne rentreraient tout simplement pas dans les 16 ou 24 Go de VRAM d’une carte graphique plus classique.

Deuxième piste : construire une véritable station IA

L’autre solution consiste à fabriquer une machine entièrement évolutive :

carte mère ;
processeur ;
128 ou 256 Go de RAM ;
plusieurs SSD NVMe ;
une alimentation correctement dimensionnée ;
une grosse carte graphique professionnelle.

Une NVIDIA RTX A6000 dispose par exemple de 48 Go de mémoire GDDR6 ECC.

La RTX 6000 Ada dispose également de 48 Go de mémoire GPU.

Encore au-dessus, la RTX PRO 6000 Blackwell Workstation Edition embarque 96 Go de GDDR7.

Nous ne sommes évidemment plus du tout dans la même gamme de prix.

AMD ROCm ou NVIDIA CUDA

Le choix du GPU implique également un choix d’écosystème logiciel.

Pour AMD, on trouve notamment : ROCm .

Pour NVIDIA : CUDA .

Une partie importante du bêta-test consistera justement à déterminer quels logiciels et modèles fonctionnent correctement sur chaque architecture.

Mini-serveur 128 Go ou grosse station GPU ?

Mini-serveur 128 Go	Station GPU dédiée
Très compact	Plus volumineuse
Grande mémoire unifiée	VRAM GPU dédiée très rapide
Faible encombrement	Très évolutive
Intéressant pour les gros modèles quantifiés	Très fortes performances GPU
Serveur discret	Véritable station de travail
RAM et GPU peu évolutifs	GPU, RAM et stockage remplaçables

Une vraie machine serveur, pas simplement un PC avec un chatbot

À partir du moment où l’on travaille avec des données confidentielles, la machine doit être conçue sérieusement.

Elle fonctionnera sous Linux.

Les disques et les données pourront être protégés avec cryptsetup / LUKS , le mécanisme couramment utilisé pour le chiffrement de volumes sous Linux.

La documentation du noyau Linux sur dm-crypt et LUKS est également disponible publiquement.

Lorsque le matériel possède deux SSD, l’objectif est d’utiliser au minimum un RAID 1 miroir.

Attention : RAID 1 ≠ sauvegarde.

Une sauvegarde indépendante restera indispensable.

Donner le moins de droits possible à l’IA

Si l’intelligence artificielle a seulement besoin de lire quelque chose, elle n’a aucune raison d’avoir le droit de le modifier.

Les fonds documentaires pourront donc être présentés à certains services en lecture seule.

On pourra également utiliser :

des comptes Linux dédiés ;
des permissions spécifiques ;
des services isolés ;
des conteneurs ;
une journalisation ;
un réseau dédié ;
des règles de pare-feu ;
des accès SQL limités.

Quelques usages possibles

analyse juridique et documentaire ;
recherche dans des archives ;
analyse de contrats ;
développement informatique ;
création et analyse de scripts ;
administration de serveurs Linux ;
analyse de journaux système ;
traitement de données SQL et CSV ;
classement automatique de documents ;
OCR ;
analyse d’images ;
transcription audio ;
production de rapports ;
recherche technique ;
interrogation d’une documentation interne ;
automatisation de traitements de fond.

Dans une PME, une association, un atelier, une profession libérale ou même pour certains usages personnels, les possibilités deviennent particulièrement intéressantes.

Le but n’est pas de mettre de l’IA partout parce que c’est à la mode, mais de trouver les endroits où elle permet réellement de gagner du temps ou d’effectuer des travaux qui seraient autrement difficilement réalisables.

Faut-il un datacenter et une centrale électrique ?

Non. ;-)

La petite machine étudiée tient sur un bureau et fonctionne avec un refroidissement classique par air.

Une grosse station professionnelle consommera naturellement davantage lorsque son GPU fonctionne à pleine charge.

Une RTX A6000 peut par exemple atteindre environ 300 W pour le GPU.

On reste néanmoins face à un ordinateur puissant installé dans un bureau, pas devant une rangée de serveurs nécessitant une installation industrielle de refroidissement.

Oui, l’intelligence artificielle locale consomme de l’électricité

Lorsqu’un processeur ou une carte graphique travaille, il consomme de l’électricité et transforme pratiquement toute cette énergie en chaleur.

Il ne faut pas prétendre le contraire.

Mais cette consommation varie énormément entre le repos et les phases de calcul intensif.

Et surtout, la machine n’est pas obligée de fonctionner 24 heures sur 24.

Elle peut être démarrée pour effectuer un travail, calculer pendant plusieurs heures, puis être arrêtée lorsqu’elle n’est plus nécessaire.

Et pourquoi pas du photovoltaïque ?

Rien ne l’interdit.

La machine peut naturellement être protégée par un onduleur.

Et une installation disposant déjà de panneaux photovoltaïques et d’un stockage sur batterie peut parfaitement décider de lancer les traitements lourds pendant les périodes de production solaire excédentaire.

Une possibilité supplémentaire à tester pour ceux qui souhaitent également optimiser l’origine de l’énergie utilisée.

Le serveur peut également être un véritable ordinateur de travail

Une station IA n’est pas nécessairement une boîte noire enfermée dans un placard.

Avec un ou plusieurs écrans, elle peut servir de :

poste Linux ;
ordinateur bureautique ;
station de développement ;
poste de traitement photographique ;
station vidéo ;
machine de virtualisation ;
poste de calcul ;
et même ordinateur de jeu.

Lorsque l’IA ne monopolise pas le GPU, cette puissance reste disponible pour les autres usages.

Faire de l’utile et de l’agréable avec la même machine est parfaitement possible.

Pourquoi ne pas simplement tout faire avec une IA en ligne ?

Parce que le cloud et le local ne répondent pas exactement au même besoin.

Des services comme ChatGPT, Gemini, Le Chat ou DeepSeek sont très intéressants lorsqu’on souhaite accéder immédiatement à des modèles puissants sans acheter son propre matériel.

L’IA locale devient particulièrement intéressante lorsque l’on possède :

des données confidentielles ;
de gros volumes documentaires ;
des traitements très longs ;
des automatisations récurrentes ;
des besoins très spécialisés ;
le besoin de maîtriser physiquement son infrastructure.

Dans beaucoup de situations, la meilleure architecture sera probablement hybride.

Local pour ce qui doit rester privé.

Internet pour la recherche publique.

Et éventuellement une API extérieure ponctuelle pour certaines tâches ne nécessitant aucune donnée sensible.

Il ne s’agit donc pas d’une guerre entre cloud et local. Il s’agit de choisir le bon endroit pour chaque traitement.

Le prototype que je souhaite maintenant construire

Je souhaite maintenant construire un premier système suffisamment sérieux pour ne plus travailler uniquement sur des hypothèses.

Premier objectif : environ 2 000 à 2 500 €

L’idée serait notamment d’étudier une machine compacte autour du AMD Ryzen AI Max+ 395 avec 128 Go de mémoire, deux SSD et une infrastructure Linux complète.

Le GMKtec EVO-X2 fait partie des machines étudiées.

Deuxième possibilité : jusqu’à environ 5 000 €

Avec davantage de budget, on peut commencer à envisager une station entièrement évolutive :

128 ou 256 Go de RAM ;
plusieurs SSD ;
une alimentation importante ;
une carte graphique disposant éventuellement de 48 Go de VRAM ;
et pourquoi pas du matériel professionnel d’occasion.

Ce que je veux réellement mesurer

Je ne veux pas simplement afficher une fenêtre de chatbot et annoncer :

Ça marche !

Ça, on sait déjà le faire.

Le bêta-test doit répondre à de vraies questions :

combien de temps faut-il pour analyser 100, 1 000 ou 10 000 documents ?
quelle différence réelle existe entre différents modèles ?
quelle quantité de mémoire utilisent-ils ?
quel impact apporte la quantification ?
quelle est la consommation réelle au repos et en calcul ?
quelles températures atteint la machine ?
peut-elle calculer plusieurs heures sans ralentissement ?
quelle qualité obtient-on avec l’OCR ?
comment indexer plusieurs dizaines de milliers de documents ?
comment séparer proprement les données confidentielles des recherches Web ?
peut-on lancer un travail le soir et récupérer le rapport le lendemain ?
comment permettre à plusieurs utilisateurs d’accéder au serveur ?
quels sont les usages où l’IA locale apporte réellement une valeur ?
etc ...

Je recherche donc un budget… mais surtout un bêta-testeur

Je cherche aujourd’hui un financement, un partenariat, un prêt de matériel ou toute autre forme de soutien permettant de réunir environ :

2 000 à 2 500 € pour le premier démonstrateur

avec une possibilité d’aller

jusqu’à environ 5 000 € pour une configuration plus évolutive.

Mais le matériel n’est qu’une partie du projet.

Je recherche surtout un ou plusieurs bêta-testeurs ayant de vrais besoins.

Par exemple :

une petite entreprise ;
une association ;
un professionnel indépendant ;
un atelier ;
une structure possédant un fonds documentaire important ;
un développeur ;
ou quelqu’un disposant simplement d’un cas d’usage particulièrement intéressant.

Parce qu’un serveur IA sans travail à lui donner ne sert à rien

On peut acheter la plus grosse carte graphique du monde.

Installer 128 Go de mémoire.

Télécharger quinze modèles depuis Hugging Face .

Afficher de magnifiques graphiques.

Si la seule utilisation finale consiste à demander :

Raconte-moi une blague.

alors nous aurons surtout construit un radiateur extrêmement sophistiqué. ;-)

Ce qui m’intéresse est exactement l’inverse.

Partir du besoin réel.

Puis déterminer si l’intelligence artificielle apporte réellement quelque chose.

Le projet n’en est qu’au début

Il y aura forcément :

des erreurs ;
des modèles décevants ;
des idées abandonnées ;
des logiciels remplacés ;
des problèmes de phases pilotes ;
des performances différentes des promesses commerciales ;
et probablement quelques soirées devant un terminal Linux à chercher pourquoi quelque chose qui fonctionnait hier refuse obstinément de fonctionner aujourd’hui. ;-)

C’est justement pour cela qu’il s’agit d’un projet et d’un bêta-test.

L’objectif est de documenter l’expérimentation, mesurer réellement les performances et déterminer jusqu’où peut aller aujourd’hui une intelligence artificielle locale avec un budget accessible à une petite structure.

Une autre manière d’imaginer l’intelligence artificielle

Je ne cherche pas à recréer ChatGPT à la maison.

Je veux construire un serveur de travail intelligent, hébergé chez nous, capable d’exploiter nos documents sans les expédier ailleurs, de travailler plusieurs heures sur une tâche et néanmoins d’aller rechercher sur Internet les informations publiques dont il a besoin.

Le local pour ce qui doit rester privé.

Le Web pour ce qui doit être recherché.