LLM

Afin de résoudre les problèmes de la méthode précédente, nous avons complètement changé d'approche. Nous avons décidé d'utiliser un LLM traditionnel (similaire à ChatGPT par exemple). En l'occurence, notre choix s'est porté sur Qwen3, car il est haut dans les leaderboards (comme on peut le voir ici), et qu'il y a des versions compressées, moins intelligentes, mais suffisamment légères pour être utilisées localement.
Un avantage majeur d'utiliser un LLM est sa grande flexibilité: il suffit de modifier le prompt pour générer différents types de contenus.

En l'occurence, pour générer des synonymes, nous sommes arrivés à ce prompt grâce à des tests itératifs rapides:

In a ubiquitous language glossary named "<nom du glossaire>" and with the following description:
<description du glossaire>

The glossary currently contains the following words: <mots du glossaire>

Find synonyms of the word "<mot>" as defined by:
<définition du mot>

Already known synonyms for the correct sense of the word: <liste des synonymes déjà présents>

Your response MUST be in the original word's language.
Respond ONLY with the synonyms, separated by commas. Do not include any other text in your response.

Il suffit ensuite de nettoyer la réponse donnée par l'IA en appliquant ces étapes:

• Suppression de certains caractères que l'IA utilise parfois (', ", .)
• Passage en minuscules de tous les mots
• Déduplication des mots, incluant les pluriels

Même si les résultats ne sont pas parfaits (par exemple, l'IA génère souvent des réponses en anglais même lorsque le glossaire est en français), à cause des capacités limitées des petits modèles, ils restent globalement de bonne qualité.
C'est donc cette méthode qui a été retenue pour l'application finale.