Un dictionnaire trilingue de la santé incluant le kazakh publié sur Hugging Face, avec un serveur MCP sans LLM

Si vous développez un moteur de recherche ou un chatbot pour l'Asie centrale, vous savez déjà à quoi ressemble une vraie requête. L'utilisateur écrit « қалқанша без », glisse « щитовидка » au milieu, puis ajoute « ттг » à la fin. Trois langues et deux alphabets dans une seule ligne. Les modèles standards butent là-dessus, car le kazakh est considéré en TAL comme une langue peu dotée : les textes ouverts sont rares, et les données parallèles annotées sur la santé quasi inexistantes.

Une autrice a résolu le problème à la main. Elle a un site de plus d'une centaine de pages consacrées à la santé féminine et à la psychosomatique. Les textes sont rédigés en russe et traduits en kazakh et en anglais. Elle en a tiré un petit dictionnaire ouvert de thèmes liés au corps et au bien-être, publié sur Hugging Face. La seconde partie de l'histoire est un serveur MCP pour ChatGPT et Claude, issu du même site, qui ne contient aucun modèle de langage.

À quoi sert un petit dictionnaire

Un grand corpus et un petit dictionnaire ne résolvent pas les mêmes problèmes. Le corpus apprend la langue au modèle. Le dictionnaire aide le système à comprendre que « қалқанша без », « щитовидная железа » (glande thyroïde) et « thyroid » désignent la même notion. Pour la recherche sur un site, la normalisation des requêtes, l'annotation de données et le contrôle de la qualité des traductions, un tel référentiel est souvent plus utile qu'un énième checkpoint affiné.

Exemple pratique : vous avez un produit de santé ou de bien-être, et l'utilisateur écrit « ттг қанша болу керек ». Avant de transmettre la requête au LLM, on peut la ramener à des notions communes (hormone TSH, glande thyroïde). Il suffit ensuite de récupérer les bonnes pages ou réponses dans la langue voulue. Vous évitez ainsi les erreurs là où le modèle n'a tout simplement pas vu assez d'exemples en kazakh.

Une réserve importante : la source est une annonce, qui ne précise ni le volume du dictionnaire, ni la licence, ni le format. Avant de l'utiliser, ouvrez la fiche du dataset sur Hugging Face et vérifiez par vous-même. Les textes sur la santé proviennent du site de l'autrice : ce n'est pas un référentiel clinique et il ne doit pas servir à prendre des décisions médicales.

Un serveur MCP sans modèle

La seconde partie intéressera davantage ceux qui construisent des agents. MCP (Model Context Protocol) est le protocole par lequel un client comme Claude ou ChatGPT se connecte à des outils et des données externes. D'ordinaire, un « serveur intelligent » suppose un LLM à l'intérieur. Ici, la logique est différente : le raisonnement est assuré par le modèle côté client, tandis que le serveur reste une simple couche d'accès à un contenu vérifié.

Cette approche présente des avantages évidents :

• Économique. Pas besoin de payer l'inférence ni d'entretenir des GPU. Le serveur renvoie des pages et des termes tout prêts.
• Prévisible. La réponse du serveur est votre contenu, pas une génération. Sur un sujet de santé, c'est un atout majeur.
• Facile à maintenir. Vous mettez à jour une page ou le dictionnaire, et la réponse suit.
• Pas de second point d'hallucination. Seul le modèle côté client peut se tromper, et vous savez au moins de quelles sources il tire ses faits.

Ce qu'il faut en retenir

Premièrement : si votre langue est peu dotée, n'attendez pas que quelqu'un publie un grand dataset. Un petit dictionnaire tiré de votre propre contenu et publié en ouvert apporte déjà un vrai bénéfice, et d'autres développeurs pourront le compléter.

Deuxièmement : avant d'intégrer un LLM dans votre serveur MCP, demandez-vous s'il y est vraiment nécessaire. Si vous disposez de votre propre contenu vérifié, le serveur peut n'être qu'une fine couche avec recherche et dictionnaire. Tout le raisonnement sera pris en charge par le client.

Troisièmement : le multilinguisme dans les requêtes réelles est un mélange de langues, et non trois ensembles distincts. Testez votre recherche précisément sur ces lignes mixtes, et non sur des traductions propres.

L'annonce ne dit pas comment le serveur est construit ni comment le dictionnaire a été réalisé. Pour les détails, consultez l'article complet sur Habr et le dépôt. La direction est la bonne : des données ouvertes pour les petites langues et un back-end simple, sans modèles superflus.