L’OCR traditionnel transforme une image en caractères. Pour automatiser un processus ou alimenter un RAG, il faut davantage : comprendre l’ordre de lecture, reconstruire les tableaux, identifier les blocs, localiser une signature, conserver les coordonnées et indiquer les zones incertaines.
En 2026, des modèles spécialisés comme Mistral OCR 4 et le service OCR 4.1 annoncé dans la documentation officielle illustrent cette évolution vers une Document Intelligence multimodale. La production exige toujours un pipeline de sécurité, d’évaluation et de validation propre au corpus.
Les caractéristiques, langues, modes de déploiement et tarifs doivent être revérifiés dans la documentation du fournisseur.
Pourquoi le texte brut échoue
Un PDF peut contenir deux colonnes, un tableau, des notes, une image et une signature. Une extraction linéaire peut mélanger les lignes ou associer un montant au mauvais en-tête.
Pour un RAG, un passage sans titre ni page produit une citation faible. Pour une extraction, une valeur sans coordonnées est difficile à vérifier. Pour une conformité, la version et l’intégrité du fichier sont essentielles.
La sortie doit donc représenter le document, pas seulement ses caractères.
Les couches de compréhension
Image et prétraitement
Rotation, bruit, contraste, résolution et pages manquantes sont détectés. Le prétraitement ne doit pas effacer des éléments utiles.
Segmentation
Le moteur localise paragraphes, titres, tableaux, figures, équations, en-têtes, pieds de page, signatures et champs.
Reconnaissance
Le texte et les symboles sont extraits avec langue et confiance.
Structure
Ordre de lecture, niveaux de titre, cellules, listes et relations sont reconstruits.
Sémantique
Le système identifie type de document, champs et entités selon le cas d’usage.
Provenance
Chaque résultat revient à une page et une zone du document original.
Formats de sortie
Un Markdown enrichi peut préserver titres, listes et tableaux. Le JSON conserve blocs, coordonnées, types, confiance et relations. Les images ou figures peuvent être référencées séparément.
Le format interne doit être versionné et indépendant d’un fournisseur. Les sorties brutes du moteur sont conservées temporairement pour diagnostic selon la politique.
Les coordonnées utilisent une convention claire et permettent un surlignage dans le viewer.
Construire un jeu d’évaluation par bloc
Évaluer uniquement le texte global masque les erreurs importantes. Le jeu doit noter :
- texte ;
- ordre ;
- titres ;
- tableaux ;
- champs ;
- coordonnées ;
- signatures ;
- équations ;
- langue ;
- document complet.
Les documents sont stratifiés par qualité, langue, format et complexité. Les cas difficiles et rares sont surreprésentés si leur impact est élevé.
Outil local de cadrage
Atelier de cadrage
Structurez les décisions principales avant de lancer un atelier métier. Les réponses restent dans votre navigateur.
Pipeline documentaire depuis le dépôt sécurisé jusqu’à l’extraction, la validation, le stockage structuré et le RAG.
Métriques adaptées
La distance de caractères ou de mots mesure la transcription, mais pas la structure. Pour les champs, utiliser exactitude et tolérances métier. Pour les blocs, comparer type et position. Pour un tableau, vérifier cellules, en-têtes et relations.
Le résultat le plus utile est souvent le taux de documents sans erreur critique, car une seule valeur fausse peut invalider le processus.
Les scores du fournisseur sont complétés par les tests internes.
Confiance et calibration
Un score de confiance n’est utile que s’il correspond au risque réel sur le corpus. Il faut mesurer, par tranche de confiance, le taux d’erreur. Deux moteurs peuvent utiliser des échelles différentes.
Les règles de validation peuvent être :
- confiance sous seuil ;
- champ critique ;
- incohérence de calcul ;
- format nouveau ;
- document incomplet ;
- valeurs hors plage ;
- divergence entre moteurs.
Le seuil est ajusté pour équilibrer qualité et charge humaine.
Validation humaine
L’interface montre le document et la valeur côte à côte, avec surlignage de la zone. Le validateur corrige rapidement, signale un type inconnu et voit les règles.
Les corrections sont traçables et peuvent alimenter l’évaluation. Elles ne sont pas automatiquement utilisées pour entraîner sans contrôle.
La charge de revue est dimensionnée avec les pics. Une file priorise les documents critiques et proches d’une échéance.
Tableaux
Les tableaux nécessitent la structure : fusion de cellules, en-têtes multiples, unités, totaux et notes. Une représentation HTML ou JSON doit conserver les relations.
Les contrôles peuvent recalculer sommes, taxes et cohérence. Un modèle ne doit pas inventer une cellule manquante sans signaler l’incertitude.
Pour le RAG, le tableau peut être indexé en bloc et accompagné d’une description, tout en gardant le lien vers les cellules sources.
Documents manuscrits et qualité faible
Le manuscrit, les tampons, les photocopies et la compression réduisent la qualité. Le système détecte ces catégories et peut choisir un autre moteur, demander un nouveau scan ou imposer une revue.
Un prétraitement agressif peut supprimer un trait ou une signature. Les transformations sont versionnées et l’original conservé selon les règles.
Multilingue
La détection de langue fonctionne par page ou bloc. Les noms propres, codes et unités ne sont pas traduits. Les modèles doivent être testés sur les langues réelles et les alphabets concernés.
Le pipeline conserve la langue originale. Une traduction éventuelle est un artefact distinct avec provenance.
Sécurité du dépôt
Les fichiers entrants sont non fiables. Ils passent par taille maximale, type vérifié, analyse antimalware et traitement isolé. Les macros, scripts et contenus actifs ne sont pas exécutés.
Les liens et images externes ne sont pas récupérés librement. Les fichiers temporaires sont supprimés et les accès journalisés.
Données personnelles et secrets
Le pipeline applique classification, chiffrement, accès, résidence et rétention. Les journaux n’enregistrent pas le texte complet par défaut. Les jeux de test sont anonymisés ou autorisés.
La redaction peut utiliser les coordonnées, mais doit être vérifiée : masquer visuellement sans supprimer la couche texte est insuffisant.
Intégration au RAG
Les titres, pages, blocs, tableaux et coordonnées accompagnent chaque fragment. La réponse cite le passage et permet d’ouvrir la zone correspondante.
Les documents remplacés ou supprimés sont retirés de l’index. Les erreurs d’extraction sont visibles et peuvent exclure un fichier plutôt que d’introduire du bruit.
Extraction structurée
Une étape suivante mappe les blocs vers un schéma métier. Le modèle reçoit uniquement le contenu nécessaire et renvoie un format validé. Les règles contrôlent dates, montants, identifiants et relations.
La source, la confiance et la correction humaine sont conservées pour chaque champ.
Choisir API, service managé ou auto-hébergement
Une API accélère le pilote et absorbe les pics. Un déploiement privé peut répondre à des contraintes de données et de volume. Un service Document AI ajoute interface et workflow.
Comparer qualité, langues, structure, coordonnées, coût, débit, résidence, support, export et réversibilité sur le même échantillon.
Observabilité
Suivre :
- pages traitées ;
- erreurs ;
- durée ;
- coût ;
- types de blocs ;
- confiance ;
- taux de revue ;
- corrections ;
- formats inconnus ;
- retard ;
- suppressions.
Un changement de source ou de modèle déclenche une campagne de régression.
Déployer par famille de documents
Commencer par une famille stable et à valeur élevée. Construire le jeu, les règles et l’interface de validation. Ajouter ensuite des variantes en mesurant la couverture.
Un moteur universel n’élimine pas la modélisation métier. Chaque famille a ses champs, exceptions et contrôles.
Du document à une donnée prouvable
La Document Intelligence devient utile lorsqu’elle transforme un fichier en structure traçable, pas lorsqu’elle produit simplement beaucoup de texte. Les coordonnées, la confiance et la validation rendent la donnée exploitable.
Partitech peut construire le pipeline, comparer les moteurs, intégrer Mistral OCR ou un déploiement privé, développer le viewer et alimenter RAG et applications métier. L’objectif est une extraction mesurable et vérifiable, adaptée aux documents réels.
Parlons de votre projet
Prototyper une chaîne Document Intelligence sur vos documents avec Partitech. Contactez Partitech.