Une extraction documentaire fiable doit préserver les relations entre les valeurs : quel prix correspond à quelle référence, quelle unité s'applique à quelle quantité et quelle version du document fait autorité. Reconnaître correctement chaque nombre ne suffit pas à reconstituer correctement une commande.
Les outils actuels combinent reconnaissance de texte, analyse de mise en page et extraction structurée. Cette combinaison ouvre des possibilités utiles pour les documents hétérogènes. Elle déplace aussi le travail d'intégration : il faut conserver des preuves visuelles, gérer l'incertitude et empêcher qu'une interprétation plausible devienne une donnée métier définitive sans contrôle adapté.
Le piège d'un tableau qui continue sur une autre page
Voici un scénario illustratif. Un distributeur reçoit un devis fournisseur en PDF. Une désignation occupe trois lignes, la quantité apparaît dans une colonne étroite et le prix se trouve en haut de la page suivante. Une note indique que certaines références se vendent par carton.
L'extraction retrouve tous les caractères. Pourtant, elle associe le prix à la référence suivante et traite la quantité comme un nombre d'unités. Le total calculé peut même rester plausible si d'autres lignes compensent l'écart.
Une mesure globale de texte reconnu masquerait ce problème. L'objet à évaluer est la ligne métier complète : référence, désignation, quantité, unité, prix et conditions associées. L'entreprise doit définir les erreurs qui rendent cette ligne inutilisable.
Conserver le chemin entre la donnée et la page
La documentation Document AI sur les réponses de traitement expose une structure documentaire avec pages, éléments de mise en page et coordonnées. Ces informations peuvent servir à relier une valeur extraite à sa zone source.
L'interface de contrôle devrait exploiter ce lien. Lorsqu'un opérateur sélectionne une quantité, il voit la zone correspondante et suffisamment de contexte autour : en-tête de colonne, référence et éventuelle note. Montrer seulement un nombre dans un formulaire oblige à refaire mentalement toute l'extraction.
Pour une ligne répartie sur plusieurs pages, la preuve peut comporter plusieurs zones. Conservez le document original, son identifiant de version et les transformations appliquées avant analyse. Une rotation ou un recadrage intermédiaire ne doit pas rendre la localisation impossible à comprendre.
Un score de confiance ne remplace pas une règle métier
Microsoft distingue les niveaux de confiance du document, du champ, du mot et du tableau dans sa documentation Document Intelligence. Cette distinction invite à vérifier séparément la reconnaissance des valeurs et leur association aux lignes métier.
Il faut donc éviter un seuil unique présenté comme une garantie d'exactitude. Définissez des contrôles adaptés à chaque objet : référence connue, unité autorisée, quantité admissible, cohérence des montants et présence des conditions nécessaires.
Ces contrôles ne permettent pas d'inventer ce qui manque. Si la conversion entre carton et unité est absente, la ligne doit rester à clarifier. Une valeur par défaut silencieuse rendrait l'automatisation rapide au prix d'une erreur difficile à détecter plus tard.
Traiter le devis comme une proposition versionnée
Dans notre exemple, l'application construit un brouillon de devis interne. Elle ne crée pas directement une commande ferme. Le brouillon conserve la source, les lignes extraites, les contrôles exécutés et les corrections humaines.
Le fournisseur envoie ensuite une version révisée. L'application rapproche les lignes selon des règles explicites et présente les différences. Une modification de quantité, de prix ou de condition doit rester visible. Réutiliser automatiquement toutes les validations précédentes serait dangereux si le contenu a changé.
La validation porte sur une version précise du brouillon. Si une nouvelle extraction arrive pendant la revue, elle ne doit pas remplacer les valeurs à l'écran sans avertissement. Ce problème de concurrence appartient à l'application, même si le moteur d'extraction fonctionne parfaitement.
Construire un petit corpus qui résiste à la démonstration
Un jeu d'essai doit refléter les difficultés réelles du processus. Pour ce devis fournisseur, sélectionnez des documents représentatifs et préparez une référence corrigée par une personne compétente. Les exemples suivants constituent une proposition de couverture, pas des statistiques sur vos fichiers :
- ▸Une ligne coupée entre deux pages et un en-tête répété.
- ▸Une cellule fusionnée qui s'applique à plusieurs références.
- ▸Des séparateurs décimaux différents selon le fournisseur.
- ▸Une remise globale distincte d'une remise par ligne.
- ▸Une quantité exprimée en cartons avec une conversion explicite.
- ▸Une révision du devis qui supprime une référence précédemment validée.
Évaluez séparément l'identification des documents, les lignes complètes et les erreurs à fort impact. Mesurez aussi le temps de revue sur les cas ambigus. Une extraction qui améliore un score mais rend les corrections pénibles peut dégrader le travail quotidien.
Choisir entre extraction structurée et interprétation assistée
Un document stable, généré par un système connu, peut parfois être traité par une extraction déterministe ou un échange de données existant. Une approche multimodale devient intéressante lorsque les mises en page varient et que le contexte visuel contribue au sens.
Même dans ce cas, l'IA ne doit pas remplacer toutes les étapes. Un parseur peut contrôler les types, un référentiel peut valider les références et l'ERP peut rester maître des règles commerciales. Le modèle propose une interprétation ; l'application organise son contrôle et sa transmission.
Commencez avec une famille de documents et un point d'entrée métier. Définissez ce qui reste manuel, comment l'opérateur corrige une ligne et comment les erreurs reviennent dans le jeu d'évaluation. Ce périmètre donne une base plus fiable qu'une promesse de lecture universelle.
Le cadrage d'un logiciel métier aide à transformer ces choix en critères de recette. Pour une solution IA intégrée à vos outils, partagez le type de document et le circuit de validation attendu. TuniCyberLabs peut étudier le traitement à partir d'exemples expurgés de données sensibles.