Contexte du client et enjeux
Dans de nombreuses organisations, une grande partie de l’information stratégique reste enfermée dans des documents non structurés : scans, PDF, formulaires ou images, souvent hétérogènes et difficiles à exploiter à grande échelle.
Dans le cadre de cet accompagnement, Jemak Conseil est intervenu pour concevoir et déployer une solution IA capable de transformer ces documents en données structurées, fiables et directement exploitables par les équipes métier.
L’enjeu n’était pas uniquement technique, il s’agissait de bâtir une solution robuste, industrialisable et alignée avec les usages réels du client.
Les étapes de l’accompagnement
1. Cadrage du besoin métier et définition du périmètre fonctionnel
La première étape a consisté à comprendre précisément les attentes du client et les contraintes liées à son activité. Nous avons analysé les types de documents à traiter, les informations critiques à extraire et les règles métier associées, notamment en matière de conformité et de validation des données.
Ce travail de cadrage a permis de définir un périmètre clair et évolutif, servant de base à l’ensemble des choix techniques réalisés par la suite.
2. OCR haute performance et prétraitement des images
Avant toute exploitation par l’IA, les documents devaient être rendus lisibles de manière fiable.
Nous avons mis en place une chaîne OCR performante, capable de s’adapter automatiquement aux ressources disponibles, notamment via l’usage du GPU pour accélérer les traitements.
Un travail spécifique de prétraitement des images a été intégré afin d’améliorer la qualité des résultats : réduction du bruit, redressement automatique des documents et amélioration globale de la lisibilité. Cette étape est déterminante pour garantir des extractions précises en aval.
3. Extraction de champs par LLM et schéma dynamique
Une fois le texte extrait, l’enjeu était de transformer cette matière brute en information métier exploitable.
Pour cela, des modèles de langage (LLM) ont été utilisés afin d’identifier, extraire et classifier automatiquement les champs pertinents, même lorsque leur formulation varie d’un document à l’autre.
La solution repose sur un schéma dynamique et modulaire, permettant de définir les champs de manière flexible, avec un système d’alias capable de reconnaître différentes appellations pour une même donnée. Cette approche garantit une forte capacité d’adaptation aux évolutions futures.
4. Stratégie de cache à deux niveaux et optimisation des performances
Afin de maîtriser les coûts et les temps de traitement, une stratégie de cache intelligente a été mise en œuvre.
Les résultats OCR, qui représentent l’étape la plus coûteuse du pipeline, sont conservés, tandis que les traitements LLM peuvent être relancés à la demande.
Ce fonctionnement permet de combiner performance, flexibilité et optimisation des ressources, tout en offrant la possibilité de rejouer certaines extractions sans retraiter l’ensemble des documents.
5. Vérification automatisée et contrôle URSSAF
La fiabilité des données est un élément clé de la valeur apportée par la solution.
Dans ce contexte, un mécanisme de vérification automatisée a été intégré, notamment pour le contrôle de codes de sécurité URSSAF.
Ces contrôles permettent de détecter automatiquement les incohérences ou erreurs, réduisant ainsi la charge de vérification manuelle et renforçant la confiance dans les données produites.
6. Stockage MongoDB, API REST et industrialisation Docker
L’ensemble des documents, métadonnées et résultats d’extraction est stocké de manière persistante dans une base MongoDB, garantissant scalabilité et traçabilité.
La solution est exposée via une API REST complète, incluant des endpoints d’administration pour la gestion du cache et le pilotage des traitements.
Enfin, le déploiement s’appuie sur une architecture Dockerisée, avec des volumes persistants pour les modèles et les données, assurant des mises en production fiables et reproductibles.
Les résultats pour notre client
À l’issue de l’accompagnement, le client dispose d’une solution IA pleinement opérationnelle, capable de traiter automatiquement des volumes importants de documents non structurés. Concrètement, cela s’est traduit par :
- Une réduction significative du temps de traitement des documents,
- Une amélioration notable de la fiabilité des données extraites,
- Une diminution des contrôles manuels,
- Une base technique solide, prête à évoluer avec les besoins futurs.