Ollama : exécuter des LLM Localement (2026)

Vous avez probablement déjà utilisé ChatGPT ou un assistant IA similaire. C’est impressionnant, non ? Vous tapez une question, et en quelques secondes, vous obtenez une réponse détaillée, du code, une traduction… Mais avez-vous remarqué quelques inconvénients ?

• Chaque question coûte de l’argent (même si c’est quelques centimes)
• Vos conversations partent sur des serveurs distants (adieu confidentialité)
• Sans internet, plus d’IA (impossible de travailler hors ligne)
• Limites d’usage sur les versions gratuites (nombre de messages, files d’attente)

Et si je vous disais que vous pouvez avoir votre propre ChatGPT, gratuit, privé, et qui fonctionne même sans connexion internet ?

C’est exactement ce que permet Ollama. Et contrairement à ce que vous pourriez penser, ce n’est ni compliqué à installer, ni réservé aux experts. Dans ce guide, je vous accompagne pas à pas, de A à Z, pour que vous puissiez discuter avec une IA locale dans les 15 prochaines minutes.

Analogie simple

Pensez à Ollama comme un lecteur de musique local (type VLC ou Spotify téléchargé) par opposition à un service de streaming (comme ChatGPT en ligne). Avec un lecteur local, vous possédez les fichiers (ici, les modèles IA), vous n’avez pas besoin d’internet pour les utiliser, et personne ne sait ce que vous écoutez (vos conversations restent privées).

Ce que vous allez apprendre

À la fin de ce guide, vous saurez :

• Installer Ollama sur votre ordinateur (Windows, Mac ou Linux)
• Télécharger et utiliser des modèles d’IA comme Llama, Mistral ou CodeLlama
• Discuter avec l’IA en ligne de commande et via Python
• Choisir le bon modèle selon vos besoins (code, texte, traduction…)
• Résoudre les problèmes courants si quelque chose ne fonctionne pas

Aucune connaissance préalable en intelligence artificielle n’est requise. Si vous savez ouvrir un terminal et taper une commande, vous avez tout ce qu’il faut.

Qu’est-ce qu’Ollama ? (explication détaillée)

Avant de plonger dans l’installation, prenons quelques minutes pour comprendre ce qu’est vraiment Ollama et pourquoi c’est important. Cette compréhension vous aidera à mieux l’utiliser par la suite.

Le problème que résout Ollama

Imaginez que vous êtes développeur et que vous voulez utiliser l’IA pour vous aider à coder. Vous avez trois options :

Option 1 : Utiliser ChatGPT (ou Claude, Gemini…)

Vous allez sur le site, vous tapez votre question, et vous obtenez une réponse. C’est pratique, mais :

• Votre code (potentiellement confidentiel) transite par les serveurs d’OpenAI
• Vous payez à l’usage (environ 0.01€ par question avec GPT-4)
• En cas de panne du service, vous êtes bloqué

Option 2 : Installer un modèle IA vous-même (sans Ollama)

C’est techniquement possible, mais c’est un cauchemar :

• Il faut télécharger les poids du modèle (plusieurs fichiers de plusieurs GB)
• Installer les bonnes versions de Python, PyTorch, CUDA…
• Configurer des dizaines de paramètres
• Écrire du code pour charger et utiliser le modèle
• Résultat : plusieurs heures de galère, même pour un développeur expérimenté

Option 3 : Utiliser Ollama

Ollama résout tous ces problèmes :

• Une seule commande pour installer un modèle
• Configuration automatique de tous les paramètres techniques
• Interface simple pour discuter avec l’IA
• Vos données restent locales

Qu’est-ce qu’un LLM exactement ?

Vous avez sûrement vu le terme LLM (Large Language Model). Mais que signifie-t-il concrètement ?

Un LLM est un programme informatique qui a été entraîné sur d’énormes quantités de texte (livres, articles, code source, pages web…). Grâce à cet entraînement, il a appris :

• Les règles de la langue : grammaire, orthographe, syntaxe
• Les connaissances du monde : histoire, science, actualités (jusqu’à sa date de coupure)
• Les patterns de raisonnement : comment résoudre des problèmes, structurer une réponse
• Les conventions du code : syntaxe des langages, bonnes pratiques, patterns courants

Quand vous posez une question à un LLM, il ne “cherche” pas la réponse dans une base de données. Il génère la réponse mot par mot, en prédisant quel mot est le plus probable après le précédent, compte tenu de votre question et de tout ce qu’il a appris.

Analogie avec le cerveau humain

Imaginez un étudiant qui a lu des millions de livres. Il ne se souvient pas de chaque phrase exacte, mais il a développé une compréhension profonde des sujets. Quand vous lui posez une question, il formule une réponse basée sur cette compréhension — pas en récitant un texte mémorisé.

Un LLM fonctionne de manière similaire, mais avec des milliards de paramètres (les “neurones” du modèle) qui encodent ces connaissances.

Pourquoi “local” change tout

Quand vous utilisez ChatGPT :

1. Vous tapez votre question
2. Elle est envoyée aux serveurs d’OpenAI (aux États-Unis)
3. Le modèle calcule la réponse sur leurs GPU
4. La réponse vous est renvoyée

Quand vous utilisez Ollama :

1. Vous tapez votre question
2. Le modèle calcule la réponse sur votre propre processeur
3. Rien ne sort de votre ordinateur

Conséquences concrètes :

Aspect	ChatGPT (cloud)	Ollama (local)
Confidentialité	Vos données transitent par des serveurs tiers	Vos données restent sur votre machine
Coût	~0.01-0.03€ par question (GPT-4)	Gratuit (après achat de l’ordinateur)
Internet	Obligatoire	Optionnel (après téléchargement du modèle)
Vitesse	Dépend de la latence réseau	Dépend de votre matériel
Disponibilité	Peut être saturé ou en maintenance	Toujours disponible
Personnalisation	Limitée	Totale (vous pouvez créer vos propres modèles)

Les cas d’usage concrets

Voici des scénarios réels où Ollama brille :

Scénario 1 : Le développeur soucieux de la confidentialité

Marie travaille sur un projet client sous NDA (accord de confidentialité). Elle ne peut pas copier son code dans ChatGPT — ce serait une violation du contrat. Avec Ollama, elle peut demander de l’aide sur son code sans qu’il quitte son ordinateur.

Scénario 2 : L’étudiant sans budget

Thomas prépare ses examens et aimerait avoir un assistant pour expliquer des concepts complexes. Les 20€/mois de ChatGPT Plus ne rentrent pas dans son budget étudiant. Avec Ollama, il a un assistant gratuit et illimité.

Scénario 3 : Le professionnel en déplacement

Sophie est consultante et passe beaucoup de temps dans le train. La connexion est instable. Avec Ollama, elle peut travailler avec l’IA même dans un tunnel.

Scénario 4 : L’entreprise avec des données sensibles

L’équipe data d’une banque veut utiliser l’IA pour analyser des rapports internes. Impossible d’envoyer ces données à OpenAI pour des raisons réglementaires. Ollama permet d’avoir l’IA en interne.

Vérifier que votre ordinateur est compatible

Avant d’installer Ollama, vérifions que votre machine peut le faire tourner. Rassurez-vous : la plupart des ordinateurs récents (moins de 5-6 ans) sont compatibles.

La RAM : le facteur clé

La mémoire vive (RAM) est le facteur le plus important. Voici pourquoi :

Quand vous lancez un modèle IA avec Ollama, celui-ci est entièrement chargé en mémoire. Si votre ordinateur n’a pas assez de RAM, le modèle ne pourra pas être chargé, ou sera très lent car il devra utiliser le disque dur (ce qu’on appelle le “swap”).

RAM disponible	Modèles utilisables	Expérience
4 GB	❌ Insuffisant	Ollama refusera de lancer les modèles
8 GB	Modèles légers (3B)	Fonctionnel mais limité
16 GB	Modèles moyens (7B)	Bonne expérience pour la plupart des usages
32 GB	Grands modèles (13B)	Excellente expérience
64 GB+	Très grands modèles (70B)	Usage professionnel

Comment vérifier votre RAM ?

Sur Windows :

1. Faites un clic droit sur la barre des tâches
2. Cliquez sur “Gestionnaire des tâches”
3. Allez dans l’onglet “Performances” → “Mémoire”

Sur macOS :

1. Cliquez sur le menu Pomme 🍎
2. “À propos de ce Mac”
3. La RAM est indiquée (ex: “16 Go”)

Sur Linux :

# Afficher la RAM totale
free -h

Vous verrez quelque chose comme Mem: 15Gi (pour 16 GB).

L’espace disque

Chaque modèle IA occupe de l’espace sur votre disque dur. Voici les tailles typiques :

Modèle	Taille sur disque
Llama 3.2 (3B)	~2 GB
Mistral (7B)	~4 GB
CodeLlama (7B)	~4 GB
Llama 3.1 (70B)	~40 GB

Recommandation : Gardez au moins 20 GB libres pour pouvoir télécharger plusieurs modèles et les essayer.

Le GPU : optionnel mais utile

Une carte graphique (GPU) n’est pas obligatoire. Ollama fonctionne très bien sur CPU (processeur classique). La différence :

• Sans GPU : Une réponse prend 2-10 secondes
• Avec GPU NVIDIA : Une réponse prend 0.5-2 secondes

Si vous avez un GPU NVIDIA avec au moins 8 GB de VRAM, Ollama l’utilisera automatiquement. Sinon, pas de souci — le CPU fera le travail.

Les Mac avec Apple Silicon (M1/M2/M3)

Si vous avez un Mac avec puce M1, M2, M3 ou M4, vous êtes en excellente position ! Ces puces intègrent un GPU très performant qui fonctionne nativement avec Ollama. Les performances sont souvent meilleures qu’un PC classique.

Récapitulatif des prérequis

Composant	Minimum	Recommandé	Idéal
RAM	8 GB	16 GB	32 GB
Disque	10 GB libres	50 GB libres	100 GB+ (SSD)
Processeur	64-bit moderne	Multicoeur récent	Apple M1+ ou Intel i7+
GPU	Non requis	NVIDIA 8 GB VRAM	NVIDIA 16 GB+ VRAM
Système	Windows 10, macOS 10.15, Linux moderne

Installation d’Ollama pas à pas

Maintenant que vous savez que votre machine est compatible, passons à l’installation. Je vais vous guider étape par étape selon votre système d’exploitation.

Installation sur Linux (Ubuntu, Debian, Fedora…)

Linux est le système le plus simple pour installer Ollama. Une seule commande suffit :

1. Ouvrez un terminal

   Utilisez le raccourci Ctrl + Alt + T ou cherchez “Terminal” dans vos applications.

2. Lancez le script d’installation

   Copiez-collez cette commande et appuyez sur Entrée :

   curl -fsSL https://ollama.com/install.sh | sh

   Que fait cette commande ?

   • curl télécharge le script d’installation depuis le site officiel d’Ollama
   • sh exécute ce script
   • Le script détecte automatiquement votre distribution Linux et installe Ollama

   Le téléchargement et l’installation prennent généralement 1-2 minutes.

3. Vérifiez l’installation

   Une fois terminé, vérifiez qu’Ollama est bien installé :

   ollama --version

   Vous devriez voir quelque chose comme ollama version 0.5.4 (le numéro peut varier).

4. Vérifiez que le service tourne

   Ollama s’exécute en tant que service en arrière-plan. Vérifiez son état :

   sudo systemctl status ollama

   Vous devriez voir Active: active (running) en vert.

Si quelque chose ne va pas :

# Voir les logs du service pour diagnostiquer
sudo journalctl -u ollama -f

# Redémarrer le service
sudo systemctl restart ollama

Installation sur Windows

1. Téléchargez l’installateur

   Rendez-vous sur ollama.com/download et cliquez sur le bouton “Download for Windows”.

   Le fichier OllamaSetup.exe sera téléchargé (environ 200 MB).

2. Lancez l’installation

   Double-cliquez sur le fichier téléchargé. Si Windows vous demande confirmation (“Voulez-vous autoriser cette application…”), cliquez sur “Oui”.

   L’assistant d’installation apparaît. Cliquez sur “Install” et attendez quelques instants.

3. Vérifiez l’installation

   Ouvrez PowerShell (cherchez “PowerShell” dans le menu Démarrer) et tapez :

   ollama --version

   Si vous voyez un numéro de version, l’installation est réussie !

4. Note importante : l’icône dans la barre des tâches

   Après l’installation, vous verrez une petite icône Ollama (un lama) dans la zone de notification (en bas à droite). Ollama tourne en arrière-plan — c’est normal et nécessaire pour qu’il fonctionne.

Windows Defender peut ralentir le premier lancement

Lors du premier téléchargement d’un modèle, Windows Defender peut scanner les fichiers, ce qui ralentit le processus. C’est normal et ne se produit qu’une seule fois par modèle.

Installation sur macOS

1. Téléchargez l’application

   Rendez-vous sur ollama.com/download et cliquez sur “Download for macOS”.

   Le fichier Ollama-darwin.zip sera téléchargé.

2. Installez l’application

   Double-cliquez sur le fichier ZIP pour le décompresser. Vous obtenez l’application Ollama.app.

   Glissez-déposez Ollama.app dans votre dossier “Applications”.

3. Lancez Ollama

   Double-cliquez sur Ollama dans vos Applications. macOS peut vous demander de confirmer (“Ollama est une app téléchargée d’Internet…”) — cliquez sur “Ouvrir”.

   Une icône de lama apparaîtra dans la barre de menu en haut de l’écran.

4. Vérifiez l’installation

   Ouvrez le Terminal (Applications → Utilitaires → Terminal) et tapez :

   ollama --version

   Vous devriez voir le numéro de version s’afficher.

Télécharger votre premier modèle

Ollama est installé, mais il lui manque le plus important : un modèle IA. C’est le “cerveau” qui va répondre à vos questions.

Comprendre les modèles disponibles

Ollama donne accès à des dizaines de modèles. Pour commencer, je vous recommande Llama 3.2, développé par Meta (l’entreprise derrière Facebook). Pourquoi ce choix ?

• Récent : Sorti fin 2024, il intègre les dernières avancées
• Performant : Excellentes capacités en français et en anglais
• Léger : La version 3B ne pèse que 2 GB
• Polyvalent : Bon pour le texte, le code, la traduction…

Télécharger Llama 3.2

Ouvrez votre terminal (ou PowerShell sur Windows) et tapez :

ollama pull llama3.2

Que se passe-t-il exactement ?

1. Ollama contacte son registre (une sorte de “magasin” de modèles)
2. Il télécharge le modèle morceau par morceau (vous verrez une barre de progression)
3. Il vérifie l’intégrité des fichiers téléchargés (pour s’assurer qu’ils ne sont pas corrompus)
4. Il optimise le modèle pour votre machine

Le téléchargement prend généralement 2 à 10 minutes selon votre connexion internet. Vous verrez quelque chose comme :

pulling manifest
pulling 74701a8c35f6...  50% ▓▓▓▓▓▓▓▓▓▓░░░░░░░░░░  1.1 GB/2.0 GB  45 MB/s

Que signifie '3B paramètres' ?

Quand on parle de “Llama 3.2 3B”, le “3B” signifie 3 milliards de paramètres. C’est le nombre de “connexions neuronales” dans le modèle — comparable au nombre de synapses dans un cerveau.

• Plus de paramètres = modèle plus “intelligent” mais plus gourmand en ressources
• Moins de paramètres = modèle plus rapide mais potentiellement moins précis

Pour un usage personnel, 3B est un excellent compromis. Voici un tableau pour vous repérer :

Taille	RAM minimale	Usage typique
1-3B	4-8 GB	Questions simples, résumés, traduction
7B	8-16 GB	Code, rédaction, raisonnement
13B	16-32 GB	Analyse complexe, créativité
70B	64 GB+	Recherche, usage professionnel

Vérifier que le téléchargement a fonctionné

Une fois le téléchargement terminé, vérifiez que le modèle est bien installé :

ollama list

Vous devriez voir :

NAME              ID              SIZE      MODIFIED
llama3.2:latest   74701a8c35f6    2.0 GB    About a minute ago

Bravo ! Vous avez maintenant une IA locale prête à l’emploi.

Votre première conversation avec l’IA

C’est le moment tant attendu : parler avec votre IA locale.

Lancer une session interactive

Tapez cette commande :

ollama run llama3.2

Après quelques secondes de chargement, vous verrez apparaître une invite de commande :

>>>

C’est ici que vous allez taper vos questions. Le modèle attend votre message !

Exemple de conversation complète

Voici un exemple de ce que vous pouvez faire. Tapez exactement ce qui suit le >>> :

Vous :

>>> Bonjour ! Peux-tu te présenter ?

L’IA répond :

Bonjour ! Je suis un assistant IA basé sur le modèle Llama 3.2, développé par
Meta. Je suis conçu pour vous aider dans diverses tâches comme répondre à vos
questions, générer du texte, traduire, expliquer des concepts, et bien plus
encore.

Je fonctionne entièrement sur votre ordinateur grâce à Ollama, ce qui signifie
que vos conversations restent privées et ne sont envoyées nulle part.

Comment puis-je vous aider aujourd'hui ?

Vous :

>>> Explique-moi ce qu'est Docker comme si j'avais 10 ans

L’IA répond :

Imagine que tu veux jouer à un jeu vidéo chez ton ami. Mais le jeu a besoin de
plein de choses sur l'ordinateur : des fichiers spéciaux, des réglages
particuliers... Si ton ami n'a pas exactement les mêmes choses, le jeu ne
marchera pas !

Docker, c'est comme une boîte magique où tu mets ton jeu avec TOUT ce dont il a
besoin. Quand tu donnes cette boîte à ton ami, il peut ouvrir la boîte et le jeu
marche tout de suite, même si son ordinateur est différent du tien.

Les développeurs utilisent Docker pour mettre leurs programmes dans des "boîtes"
(on appelle ça des "conteneurs"). Comme ça, le programme marche pareil partout,
sur n'importe quel ordinateur !

Vous :

>>> Super ! Maintenant, écris-moi une fonction Python qui compte les mots dans une phrase

L’IA répond :

def compter_mots(phrase):
    """
    Compte le nombre de mots dans une phrase.

    Args:
        phrase (str): La phrase à analyser

    Returns:
        int: Le nombre de mots
    """
    # Supprimer les espaces au début et à la fin
    phrase = phrase.strip()

    # Si la phrase est vide, retourner 0
    if not phrase:
        return 0

    # Séparer la phrase en mots et compter
    mots = phrase.split()
    return len(mots)


# Exemple d'utilisation
texte = "Bonjour, comment allez-vous aujourd'hui ?"
nombre = compter_mots(texte)
print(f"La phrase contient {nombre} mots.")

Quitter la session

Pour terminer la conversation, tapez :

>>> /bye

Vous reviendrez à votre terminal normal.

Astuces pour de meilleures réponses

L’IA fonctionne mieux quand vous lui donnez des instructions claires et détaillées. Voici quelques techniques :

❌ Question vague :

>>> Parle-moi de Python

✅ Question précise :

>>> Explique les différences entre les listes et les tuples en Python, avec des exemples de cas où utiliser l'un plutôt que l'autre

❌ Demande générique :

>>> Écris du code

✅ Demande contextualisée :

>>> Écris une fonction Python qui prend une liste de nombres et retourne la moyenne, en gérant le cas où la liste est vide. Ajoute des commentaires explicatifs.

Commandes Ollama essentielles

Maintenant que vous savez discuter avec l’IA, voici les commandes indispensables à connaître.

Gérer vos modèles

# Lister tous les modèles installés sur votre machine
ollama list

# Télécharger un nouveau modèle (exemple : Mistral)
ollama pull mistral

# Supprimer un modèle pour libérer de l'espace disque
ollama rm mistral

# Voir les détails d'un modèle (taille, paramètres, licence...)
ollama show llama3.2

Lancer des commandes ponctuelles

Vous n’êtes pas obligé d’ouvrir une session interactive. Vous pouvez poser une question unique :

# Poser une question et obtenir la réponse immédiatement
ollama run llama3.2 "Quelle est la capitale de l'Australie ?"

La réponse s’affiche, puis vous revenez au terminal. C’est pratique pour des questions rapides ou pour intégrer Ollama dans des scripts.

Utiliser plusieurs modèles

Vous pouvez installer plusieurs modèles et basculer entre eux :

# Installer plusieurs modèles
ollama pull llama3.2
ollama pull mistral
ollama pull codellama

# Utiliser Mistral pour cette question
ollama run mistral "Écris un haïku sur l'automne"

# Utiliser CodeLlama pour du code
ollama run codellama "Écris une regex pour valider une adresse email"

Quel modèle pour quel usage ?

Modèle	Taille	Point fort	Commande
llama3.2	2 GB	Polyvalent, bon en français	ollama pull llama3.2
mistral	4 GB	Raisonnement, logique	ollama pull mistral
codellama	4 GB	Génération de code	ollama pull codellama
gemma	2 GB	Léger et rapide	ollama pull gemma
phi	1.5 GB	Ultra-léger	ollama pull phi

Pour débuter, llama3.2 suffit largement. Ajoutez codellama si vous faites beaucoup de développement.

Utiliser Ollama avec Python

Ollama n’est pas limité à la ligne de commande. Vous pouvez l’intégrer dans vos programmes Python pour automatiser des tâches ou créer des applications.

L’API REST d’Ollama

Quand Ollama tourne, il expose une API REST sur le port 11434 de votre machine. C’est une interface qui permet à n’importe quel programme de communiquer avec l’IA.

Tester que l’API fonctionne :

curl http://localhost:11434/api/tags

Vous devriez voir la liste de vos modèles au format JSON.

Appeler Ollama depuis Python

Il existe plusieurs façons d’utiliser Ollama en Python. La plus simple est avec la bibliothèque litellm qui fournit une interface unifiée :

# Installer litellm
pip install litellm

Exemple de code Python :

import litellm

# Configuration : utiliser Ollama en local
response = litellm.completion(
    model="ollama/llama3.2",    # Format : ollama/nom-du-modele
    messages=[
        {"role": "user", "content": "Explique-moi ce qu'est une API REST en 3 phrases simples"}
    ]
)

# Afficher la réponse
print(response.choices[0].message['content'])

Résultat :

Une API REST est comme un serveur de restaurant : vous passez commande (une
requête), et le serveur vous apporte le plat (une réponse). Elle utilise les
méthodes HTTP standard (GET, POST, PUT, DELETE) pour effectuer des opérations
sur des ressources. C'est le moyen le plus courant pour que des applications
communiquent entre elles sur internet.

Exemple pratique : un assistant de code

Voici un script Python plus complet qui analyse du code :

import litellm

def analyser_code(code: str) -> str:
    """
    Demande à l'IA d'analyser un morceau de code et de suggérer des améliorations.
    """
    prompt = f"""Analyse le code Python suivant et donne-moi :
1. Ce que fait ce code
2. Les problèmes potentiels
3. Des suggestions d'amélioration

Code à analyser :
```python
{code}
```"""

    response = litellm.completion(
        model="ollama/llama3.2",
        messages=[{"role": "user", "content": prompt}]
    )

    return response.choices[0].message['content']


# Exemple d'utilisation
code_a_analyser = '''
def calc(x,y):
    return x+y
'''

print(analyser_code(code_a_analyser))

Résultat :

## Analyse du code

### 1. Ce que fait ce code
Cette fonction `calc` prend deux paramètres `x` et `y` et retourne leur somme.

### 2. Problèmes potentiels
- Le nom `calc` est vague — on ne sait pas ce qu'elle calcule
- Pas de gestion des types — que se passe-t-il si on passe des chaînes ?
- Pas de documentation (docstring)
- Formatage non conforme à PEP 8 (espaces manquants)

### 3. Suggestions d'amélioration

def additionner(a: int | float, b: int | float) -> int | float:
    """
    Additionne deux nombres.

    Args:
        a: Premier nombre
        b: Second nombre

    Returns:
        La somme de a et b

    Raises:
        TypeError: Si a ou b n'est pas un nombre
    """
    if not isinstance(a, (int, float)) or not isinstance(b, (int, float)):
        raise TypeError("Les arguments doivent être des nombres")
    return a + b

Pour des projets plus avancés comme la création d’un chatbot qui répond aux questions sur vos propres documents, consultez le guide RAG : connecter les LLM à vos données.

Cas d’usage détaillés

Découvrez des applications concrètes d’Ollama avec des exemples complets que vous pouvez reproduire.

Assistant de programmation

Utilisez Ollama comme copilote de code. Voici un exemple où l’IA explique et améliore du code existant :

ollama run codellama "Explique ce code Python et suggère des améliorations:
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)"

L’IA vous expliquera que cette implémentation récursive a une complexité exponentielle et proposera une version optimisée avec mémoïsation ou une approche itérative.

Traduction de documents professionnels

Automatisez vos traductions en conservant un style professionnel :

ollama run llama3.2 "Traduis ce texte anglais en français professionnel, en conservant le ton formel :
'We are pleased to announce the launch of our new product. This solution addresses the key challenges faced by enterprises in managing their cloud infrastructure.'"

Génération de contenu marketing

Créez du contenu marketing rapidement :

ollama run mistral "Écris une description produit attrayante pour une application de fitness mobile destinée aux débutants. La description doit faire 150 mots et mettre en avant 3 avantages clés."

Analyse de sentiment

Analysez automatiquement le ton des retours clients :

ollama run llama3.2 "Analyse le sentiment de ce commentaire client et identifie les points positifs et négatifs :
'Le produit est de bonne qualité et fonctionne comme décrit. Cependant, la livraison a pris 2 semaines au lieu des 3 jours annoncés, ce qui est vraiment décevant. Le support client a été réactif pour me donner des nouvelles.'"

Dépannage des problèmes courants

Même si Ollama est simple d’utilisation, vous pouvez rencontrer quelques difficultés. Voici les problèmes les plus fréquents et leurs solutions.

”Error: could not connect to ollama”

Le problème : Ollama ne répond pas quand vous tapez une commande.

Causes possibles et solutions :

1. Le service Ollama n’est pas démarré

   Sur Linux :

   sudo systemctl start ollama
   sudo systemctl status ollama  # Vérifier l'état

   Sur Windows : Vérifiez que l’icône Ollama est présente dans la zone de notification. Si non, relancez l’application Ollama.

   Sur macOS : Cliquez sur l’icône Ollama dans la barre de menu et vérifiez qu’il est “Running”.

2. Un pare-feu bloque le port 11434

   Ollama utilise le port 11434. Si vous avez un pare-feu strict, autorisez ce port en local.

”Error: model not found”

Le problème : Vous essayez d’utiliser un modèle qui n’est pas installé.

Solution :

# Vérifier les modèles installés
ollama list

# Télécharger le modèle manquant
ollama pull nom-du-modele

“Error: out of memory” ou performances très lentes

Le problème : Votre machine n’a pas assez de RAM pour le modèle choisi.

Solutions :

1. Utilisez un modèle plus petit

   # Au lieu de mistral (7B), essayez phi (1.5B)
   ollama pull phi
   ollama run phi "Votre question"

2. Fermez d’autres applications pour libérer de la RAM

3. Vérifiez l’utilisation mémoire :

   Sur Linux/macOS :

   free -h  # Voir la RAM disponible
   htop     # Voir les processus gourmands

   Sur Windows : Ouvrez le Gestionnaire des tâches (Ctrl+Shift+Échap)

Les réponses sont très lentes

Causes possibles et solutions :

1. Modèle trop grand pour votre machine → Passez à un modèle plus petit

2. Première requête après le lancement : Le modèle doit être chargé en mémoire. C’est normal que la première réponse soit plus longue (10-30 secondes). Les suivantes seront rapides.

3. Autres processus utilisent le CPU → Fermez les applications lourdes

4. Vous n’utilisez pas le GPU alors qu’il est disponible :

   # Vérifier si Ollama utilise le GPU
   ollama run llama3.2 "Test"
   # Regardez l'utilisation GPU avec nvidia-smi (si NVIDIA)

Le modèle donne des réponses incohérentes

Le problème : Les réponses sont confuses, hors-sujet, ou répétitives.

Solutions :

1. Reformulez votre question de manière plus précise et structurée

2. Essayez un autre modèle — certains sont meilleurs pour certaines tâches

3. Commencez une nouvelle conversation — parfois le contexte précédent “pollue” les réponses :

   # Quitter et relancer
   >>> /bye
   ollama run llama3.2

Configuration avancée (optionnel)

Cette section est destinée aux utilisateurs avancés qui veulent personnaliser Ollama.

Changer l’emplacement de stockage des modèles

Par défaut, Ollama stocke les modèles dans :

• Linux : ~/.ollama/models
• Windows : C:\Users\<user>\.ollama\models
• macOS : ~/.ollama/models

Pour changer cet emplacement (par exemple, vers un disque plus grand) :

# Définir un nouvel emplacement avant de lancer Ollama
export OLLAMA_MODELS="/chemin/vers/nouveau/dossier"

# Puis lancer Ollama
ollama serve

Limiter l’utilisation de la mémoire

Si Ollama consomme trop de RAM :

# Limiter à un seul modèle chargé à la fois
export OLLAMA_MAX_LOADED_MODELS=1

# Limiter la file d'attente des requêtes
export OLLAMA_MAX_QUEUE=4

Exposer Ollama sur le réseau

Par défaut, Ollama n’écoute que sur localhost (127.0.0.1). Pour y accéder depuis d’autres machines sur votre réseau :

export OLLAMA_HOST="0.0.0.0:11434"
ollama serve

Attention à la sécurité

N’exposez Ollama sur le réseau que si vous savez ce que vous faites. Sans authentification, n’importe qui sur votre réseau pourrait utiliser votre IA.

Conclusion et prochaines étapes

Félicitations ! Vous avez maintenant votre propre assistant IA fonctionnant sur votre ordinateur. Récapitulons ce que vous avez appris :

• ✅ Comprendre ce qu’est un LLM et pourquoi le local est avantageux
• ✅ Installer Ollama sur votre système
• ✅ Télécharger des modèles comme Llama 3.2
• ✅ Converser avec l’IA en ligne de commande
• ✅ Intégrer Ollama dans vos programmes Python
• ✅ Résoudre les problèmes courants

Ollama transforme votre ordinateur en station IA personnelle. Vous pouvez maintenant expérimenter, coder, rédiger et apprendre avec un assistant disponible 24h/24, sans abonnement et sans envoyer vos données à des tiers.

Pour aller plus loin

Ollama ouvre la porte à de nombreuses possibilités. Voici des guides pour approfondir :

RAG : connecter les LLM à vos données Créez un chatbot qui répond aux questions sur vos propres documents — rapports, documentation, notes...

Chroma : base de données vectorielle Stockez et recherchez des informations de manière sémantique pour améliorer les réponses de l'IA.

Environnements virtuels Python Isolez vos dépendances Python pour chaque projet IA et évitez les conflits de versions.

Docker : conteneuriser vos applications Déployez Ollama dans un conteneur Docker, avec ou sans GPU.

Questions fréquentes

Qu'est-ce qu'Ollama ?

Quelle est la différence entre Ollama et ChatGPT ?

Qu'est-ce qu'un LLM (Large Language Model) ?

Quelle configuration matérielle faut-il pour Ollama ?

Quel modèle Ollama choisir pour débuter ?

Comment installer Ollama sur Linux ?

Comment installer Ollama sur Windows ?

Comment installer Ollama sur macOS ?

Comment résoudre l'erreur 'Out of memory' ?

Comment résoudre l'erreur 'Connection refused' ?

Comment résoudre l'erreur 'Model not found' ?

Comment résoudre les problèmes de téléchargement des modèles ?

Comment résoudre le conflit de port 11434 ?

Comment utiliser Ollama avec un GPU NVIDIA ?

Comment utiliser l'API REST d'Ollama ?

Où sont stockés les modèles Ollama ?

Ressources officielles

• Site web Ollama : ollama.com
• Code source sur GitHub : github.com/ollama/ollama
• Catalogue de modèles : ollama.com/library
• Documentation de l’API : github.com/ollama/ollama/blob/main/docs/api.md

×

📖 Voir la documentation →