Extraction documentaire - du PDF au champ structuré, avec citations sources.
L'extraction documentaire automatisée transforme des documents non structurés (contrats, factures, dossiers de sinistres, certificats) en données structurées exploitables. Notre architecture combine OCR, modèles de langage et règles métier, avec une piste de citations qui relie chaque champ extrait à sa zone du document source.
Quels documents traitons-nous ?
Nos pipelines traitent des contrats, des factures, des bons de commande, des CMR, des polices d'assurance, des certificats, des documents douaniers et des courriers administratifs. Les formats supportés couvrent le PDF natif, le PDF scanné, les images, les pièces jointes email et les fichiers Word.
Architecture type
- Réception et normalisation : ingestion, conversion vers un format pivot et déduplication.
- OCR multi-moteur : sélection automatique du moteur le mieux adapté au document.
- Extraction structurée : modèles de langage avec invites versionnées, contraintes de schéma et validation par règles métier.
- Citations sources : chaque champ extrait pointe vers la zone précise du document source.
- Validation humaine sous seuil : les champs en deçà d'un score de confiance paramétrable sont escaladés vers un opérateur.
Citations sources et audit
Chaque champ extrait porte trois métadonnées : la version du modèle utilisé, la zone du document source (numéro de page et coordonnées) et le score de confiance. Tout audit peut reconstruire la décision en quelques secondes plutôt qu'en plusieurs heures.
Conformité
L'extraction documentaire relève de la classification de risque limité au sens du Règlement européen sur l'IA pour la majorité des cas d'usage. Lorsque le système alimente une décision à haut risque (crédit, assurance), nous appliquons les obligations renforcées : journaux de production, surveillance post-déploiement, validation indépendante.
Questions fréquentes
Quelle précision peut-on attendre ?
Sur des typologies stables, nous observons régulièrement 95 à 98 pour cent de précision champ par champ. Les documents très hétérogènes ou de mauvaise qualité visuelle nécessitent une phase d'apprentissage plus longue.
Combien de temps pour un pilote ?
Délai médian de 11 jours entre signature et pilote en mode ombre sur une typologie ciblée.
Les documents quittent-ils l'UE ?
Non. Les pipelines tournent en régions UE et aucune donnée n'est utilisée à des fins d'entraînement.