Trier tes e-mails en local avec Ollama

Résumé. Installe Ollama, télécharge un petit modèle instruct, et pointe le réglage Bring Your Own LLM d’AI Email Filter vers http://localhost:11434/v1. La classification tourne alors entièrement sur ton propre matériel — aucun contenu d’e-mail n’est envoyé à une API tierce.

Lecture complémentaire : Bring Your Own LLM · Tri d’e-mails auto-hébergé

Si tu fais déjà tourner ton propre serveur de messagerie, envoyer chaque ligne d’objet et chaque adresse d’expéditeur à un LLM cloud pour la classification annule une bonne partie de l’intérêt de l’auto-hébergement. Ollama règle ce problème : il fait tourner une API compatible OpenAI sur ta propre machine, et AI Email Filter peut lui parler directement via son réglage BYO-LLM. Cet article détaille l’installation de bout en bout.

Pourquoi faire tourner le classificateur en local

AI Email Filter classe le courrier à partir de l’objet, de l’expéditeur et d’un court aperçu du corps. Avec un modèle hébergé, ces données partent chez le fournisseur que tu choisis. Avec Ollama, elles ne quittent pas la machine sur laquelle il tourne. Le compromis porte sur la vitesse et la qualité brute de classification face à un grand modèle hébergé — mais pour trier du courrier dans des dossiers à partir d’un prompt clair, un petit modèle local suffit généralement largement, et recatégoriser un expéditeur avec lequel tu n’es pas d’accord prend un clic, quel que soit le modèle qui a pris la décision.

L’autre raison de faire ça : le coût. Un modèle local n’a pas de facturation au token. Si tu fais tourner Ollama sur du matériel que tu possèdes déjà, la classification est pratiquement gratuite une fois l’installation faite.

Étape 1 : installer Ollama

Sous Linux ou macOS :

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

Sous Windows, télécharge l’installeur depuis ollama.com/download. Dans les deux cas, Ollama s’installe comme service en arrière-plan et se met automatiquement à écouter sur localhost:11434 — tu n’as généralement pas besoin de lancer ollama serve manuellement, sauf si tu as arrêté le service et veux le relancer au premier plan pour du débogage :

ollama serve

Vérifie que ça tourne :

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

Une réponse {"models":[]} vide signifie qu’Ollama tourne mais que tu n’as pas encore téléchargé de modèle.

Étape 2 : télécharger un modèle adapté à la classification

La classification d’e-mails est une tâche petite et bien définie — expéditeur, objet et court aperçu, comparés à une description de catégorie. Tu n’as pas besoin d’un grand modèle pour ça. Les petits modèles instruct sont rapides, économes en RAM, et assez précis pour le travail :

ollama pull qwen2.5:3b-instruct
# ou
ollama pull llama3.2:3b
# ou, pour l'empreinte la plus légère
ollama pull phi3:mini

qwen2.5:3b-instruct et llama3.2:3b tournent confortablement sur une machine avec 8 Go de RAM et sans GPU ; phi3:mini est encore plus léger et constitue un choix raisonnable sur du matériel plus contraint, comme un Raspberry Pi 5 ou un vieux portable reconverti en serveur maison. Si tu as un GPU ou que la lenteur de classification ne te dérange pas, un modèle instruct de classe 7B (par exemple qwen2.5:7b-instruct ou mistral:7b) sera généralement plus précis pour distinguer des catégories proches.

Confirme que le modèle a bien été téléchargé :

ollama list

Étape 3 : brancher AI Email Filter sur Ollama

Dans les réglages d’AI Email Filter, ouvre la section fournisseur LLM et choisis l’option de point d’accès personnalisé/compatible OpenAI. Configure :

• URL de base : http://localhost:11434/v1
• Modèle : le tag exact que tu as téléchargé, par exemple qwen2.5:3b-instruct
• Clé API : Ollama ne vérifie pas cette valeur, donc n’importe quel texte de substitution fonctionne — mais le champ ne peut généralement pas rester vide

C’est le même mécanisme BYO-LLM qu’AI Email Filter utilise pour un point d’accès hébergé compatible OpenAI ; Ollama expose simplement cette même forme d’API en local.

Un détail réseau qui piège souvent : localhost ne pointe vers Ollama que si AI Email Filter tourne sur la même machine. Si AI Email Filter tourne dans un conteneur ou sur une autre machine qu’Ollama, utilise l’IP locale ou le nom d’hôte de la machine à la place de localhost, assure-toi qu’Ollama écoute sur 0.0.0.0 plutôt que seulement sur l’interface locale, et que ton pare-feu autorise la connexion sur le port 11434.

Étape 4 : tester avant de faire confiance

Fais un test à blanc sur une poignée d’e-mails réels et vérifie les résultats par rapport à tes descriptions de catégories avant d’activer une quelconque action destructrice. Les petits modèles sont plus sensibles à des descriptions de catégories vagues que les grands modèles hébergés — si deux catégories se recoupent (« Travail » et « Projet X »), un modèle 3B risque davantage de brouiller la frontière que ne le ferait un modèle de classe GPT-4. Resserrer la description de la catégorie règle généralement le problème plus vite que changer de modèle.

Sender Smart Categories aide aussi ici : une fois qu’un expéditeur est correctement classé, cette décision est mise en cache, donc le modèle local n’a besoin de bien répondre qu’une fois par expéditeur, plutôt qu’à chaque e-mail.

Ce que ça t’apporte

Avec Ollama comme backend, l’étape de classification d’AI Email Filter ne quitte jamais ton infrastructure. Combiné à un serveur de messagerie auto-hébergé, cela referme la dernière faille par laquelle les métadonnées d’e-mail toucheraient sinon un tiers — voir tri d’e-mails auto-hébergé pour la manière dont cela s’intègre dans une configuration entièrement auto-gérée, et Bring Your Own LLM pour les autres points d’accès pris en charge par ce même réglage si tu décides plus tard qu’un modèle hébergé est un meilleur compromis.

Le choix du modèle n’est pas figé non plus. Si un petit modèle n’est pas assez précis pour une catégorie délicate, télécharge-en un plus gros et repointe le champ du modèle — sans aucun autre changement de configuration.

Garder Ollama fiable dans la durée

Quelques détails opérationnels comptent si tu veux que cette configuration continue de fonctionner sans surveillance :

• Déchargement à l’inactivité. Par défaut, Ollama décharge un modèle de la mémoire après quelques minutes d’inactivité et le recharge à la requête suivante, ce qui ajoute un court délai à la première classification après une période calme. Si ce délai pose problème, définis OLLAMA_KEEP_ALIVE=-1 (ou une durée plus longue) comme variable d’environnement avant de démarrer le service pour garder le modèle en mémoire.
• Requêtes concurrentes. Si AI Email Filter classe un lot d’e-mails d’un coup, Ollama les traite selon son parallélisme configuré (OLLAMA_NUM_PARALLEL), qui vaut par défaut un petit nombre sur des installations CPU uniquement. Pour une boîte de réception personnelle, c’est rarement un goulot d’étranglement ; pour une boîte partagée à fort volume, ça vaut le coup de vérifier.
• Mise à jour du modèle. Relancer ollama pull <model> récupère la dernière version d’un tag sans étape supplémentaire — utile si un modèle sur lequel tu comptes reçoit une mise à jour en amont.

Rien de tout ça n’est spécifique à AI Email Filter — c’est du fonctionnement Ollama standard — mais c’est la partie que les gens rencontrent généralement seulement après que la configuration initiale marche et qu’ils commencent à s’appuyer dessus au quotidien.