D'un PDF à un champ : comment un document se lit avec l'IA

Une facture en PDF, un contrat scanné, un formulaire réglementaire, un dossier médical : des documents qui contiennent des données mais pas au format tableau. L'extraction d'informations combine des techniques d'IA pour tirer des champs structurés de ce contenu non structuré, et ce post montre comment elle s'assemble : ce qui se planifie avant, comment lit l'OCR et ce qui se décide après. Ce qui suit vient du module « Introduction to information extraction concepts with AI » de Microsoft Learn.

Ce qui s'extrait, et de quoi

Les scénarios typiques se groupent par domaine. En finance, factures et reçus avec fournisseur, articles et taxes, plus les états financiers avec leurs comptes et métriques. En juridique, contrats avec parties, termes et clauses. Dans l'administratif, formulaires réglementaires. En santé, dossiers médicaux avec données patient et données cliniques. Le même schéma sert à lire des contacts d'une carte de visite.

Les supports ne se limitent pas à l'image : documents, photographies et, dans les solutions émergentes, aussi audio et vidéo. Ce qui change entre domaines, c'est l'ensemble de champs, pas le processus.

Cette liste de champs est le contrat du système : ce qui n'est pas dans la liste ne se stocke pas, et c'est pourquoi il vaut la peine de l'écrire avant de regarder les modèles. L'écrire explicitement au départ est ce qui permet ensuite de discuter si un champ manque, si un autre est superflu et qui valide les douteux.

Ce qui se décide avant de choisir un modèle

La planification pèse quatre choses. Les caractéristiques du document : les designs standardisés favorisent les modèles (templates) et les formats variés réclament l'apprentissage automatique. Le volume : quand il y a des dizaines de milliers de documents, l'automatisation tourne sur du matériel optimisé. La précision : dans les applications critiques, on laisse une validation humaine dans la boucle, avec une personne qui confirme le douteux. L'infrastructure : sécurité et confidentialité, capacité de calcul, latence, scalabilité et intégration avec le reste des systèmes.

Les dossiers médicaux montrent pourquoi on regarde cela avant et non à la fin : les champs incluent des données patient et des données cliniques, et sécurité et confidentialité entre dans la liste dès le départ, avec latence, scalabilité et intégration. Cet ordre compte parce qu'une contrainte de confidentialité mal placée oblige à refaire plus tard le choix du modèle et du service.

Des services comme Azure Document Intelligence et Azure Content Understanding peuvent servir de fondation, ce qui économise une bonne partie de ce réglage.

L'OCR en cinq phases

La reconnaissance optique de caractères (OCR) est ce qui convertit l'image en texte, et elle travaille en cinq phases :

Acquisition de l'image. Appareil photo, scanner, image ou PDF. La qualité de l'image de départ affecte significativement la précision finale : avec une photo floue, tout le reste compete en montée.
Prétraitement et amélioration. Réduction du bruit (filtres gaussiens ou médians, morphologie, ou réseaux), ajustement du contraste (égalisation d'histogramme, seuillage adaptatif, gamma ou apprentissage profond), correction de l'inclinaison (transformation de Hough, profils de projection) et optimisation de la résolution (interpolation bicubique, bilinéaire ou Lanczos, ou super-résolution par GAN). Chaque technique a des variantes classiques et des variantes fondées sur l'apprentissage automatique.
Détection des régions de texte. Analyse de mise en page avec U-Net, Mask R-CNN ou LayoutLM, et regroupement des blocs : où il y a du texte et dans quels blocs il se groupe.
Reconnaissance et classification des caractères. Là, le texte cesse d'être des pixels.
Génération de la sortie. Le texte, avec ses métadonnées, sort prêt pour l'étape suivante.

flowchart LR
    I[Image : PDF, photo ou scan] --> P[Prétraitement : bruit, contraste, inclinaison]
    P --> D[Détection des régions de texte]
    D --> R[Reconnaissance et classification des caractères]
    R --> S[Sortie : texte et métadonnées positionnelles]
    S --> C[Map vers les champs métier]
    C --> B[Système : dépenses, juridique ou santé]

En termes simples : d'abord on redresse et nettoie la photo, ensuite on localise le texte, ensuite on lit les caractères, et seulement ensuite on traduit cela en champs dont le besoin a le système.

Ce que l'extraction de champs ajoute

L'OCR renvoie du texte, des métadonnées positionnelles, des scores de confiance et des informations de mise en page. L'extraction de champs prend cette sortie et la mappe vers des champs métier étiquetés : elle dit ce que signifie chaque texte et où il appartient dans les systèmes. En d'autres termes, l'OCR dit ce qui est écrit et où ; l'extraction dit ce que cela signifie dans le métier.

La position compte autant que le contenu. Un « 12345 » peut être un numéro de facture, un identifiant ou un téléphone, et ce qui décide lequel c'est, c'est l'endroit où il apparaît dans le document.

Trois approches de détection

Modèles (templates). Mises en page prédéfinies, paires libellé-valeur et expressions régulières. Précis, rapides et explicables ; créés à la main et fragiles face aux variations de format.
Apprentissage automatique. Entraîné de façon supervisée, autosupervisée ou multimodale, avec des réseaux de graphes, de l'attention et des modèles seq2seq (de séquence à séquence : reçoivent une séquence et en renvoient une autre). Sert quand les formats varient.
IA générative. Détection basée sur schémas avec un LLM : on définit la forme de la sortie et le modèle la remplit, avec flexibilité et sans entraînement préalable.

Les trois peuvent se combiner dans une même solution : le modèle pour le format stable qui arrive 90 % du temps, le modèle ML pour le reste. La décision n'est pas d'exclusion : le critère pratique est combien il faut justifier la lecture et combien le format varie.

Comment choisir

Une entreprise qui reçoit toujours le même format de reçu va vers les templates, parce que c'est rapide et facile à expliquer. Une entreprise qui reçoit des contrats de dizaines de rédacteurs différents va vers l'apprentissage automatique multimodal. Un nouveau flux sans données étiquetées va vers un LLM et un schéma de sortie.

Un cas pour clore le sujet : 10 000 formulaires identiques par jour. Le design est stable, donc le template est ce qui paie, et le volume réclame l'automatisation sur du matériel optimisé. Comme toute erreur se commettrait dix mille fois, il vaut un critère qui s'audite une fois et se corrige en un seul endroit, ce que donne justement un template explicable. Si le format cessait d'être stable demain, le même calcul basculerait vers l'apprentissage automatique.

Le cas des factures

Traiter des factures implique d'extraire les informations du fournisseur (noms, adresses, contact), les détails de la transaction (numéro, date, conditions de paiement), les articles de ligne (descriptions, quantités, prix, totaux) et les informations fiscales (taux, montants, exonérés). Les reçus ont leur propre jeu (marchand, achat, paiement) et les états financiers le leur (compte, métriques, conformité).

Un reçu de café illustre le cycle complet : l'OCR détecte les régions de texte et extrait les lignes, et le mapping de champs lit « Cuarto café » comme fournisseur, « 2024-08-15 » comme date et « 6,97 » comme total, prêts à s'insérer dans le système de dépenses.

Ce qui reste

L'ordre de décision est court : d'abord regarder le document (est-il stable ou variable ?), ensuite le volume et la précision exigée, et seulement ensuite l'approche de détection. Choisir le modèle d'abord oblige à refaire la planification quand apparaît un format qui n'entrait pas. Et si l'application est critique, la validation humaine dans la boucle ne se saute pas : c'est elle qui transforme une lecture probable en une lecture fiable pour le système qui paie ou qui sert.

Limite de cette source : elle décrit le processus et ses options, et n'apporte pas de mesures de précision par approche, donc la comparaison entre templates et modèle sur vos propres documents reste impossible à mesurer ici.

*Source : le module « Introduction to information extraction concepts with AI » de Microsoft Learn.*