Benchmarks de précision

OCR de DocSolved

La couche OCR de DocSolved lit les documents d'entreprise : factures imprimées, reçus, documents numérisés et photos de documents papier. Les photos sont le cas difficile : texte pâle sur papier brillant, distorsion de perspective et diacritiques des écritures locales.

• Pages imprimées nettes : lors de nos tests, chaque mot d'une facture imprimée, d'un reçu imprimé et d'une page de texte dense a été lu.
• Photos : la configuration OCR actuelle lit nettement plus de mots que la précédente, diacritiques polonais compris.
• Les photos restent le cas le plus faible : sur la photo que nous testons, la couche OCR n'a lu aucun des nombres, comme les montants et les dates. Une valeur tirée d'une photo peut alors n'avoir aucun emplacement source associé ; vérifiez-la donc par rapport au document.
• Redresser une page photographiée avant la reconnaissance (prétraitement des documents photographiés) a encore amélioré les photos lors de nos tests, mais a dégradé les pages déjà planes ; il n'est donc jamais appliqué aux pages PDF.

Les champs issus de factures électroniques structurées ne passent pas du tout par l'OCR ; ils proviennent des données sources.

Algorithmes d'IA de DocSolved

Au-delà de l'OCR, DocSolved applique des algorithmes d'analyse documentaire qui transforment le texte brut en champs structurés et vérifiables.

• Séparation de plusieurs factures. Lorsqu'un seul PDF contient plusieurs factures à la suite, DocSolved détecte les limites de page à partir de la couche texte intégrée, avant tout appel à l'OCR ou au modèle, et les propose à l'utilisateur pour vérification plutôt que de les appliquer silencieusement. Sur un jeu de test synthétique aux limites connues, il a trouvé toutes les limites dans un texte propre et s'est trompé sur quelques-unes une fois un bruit de type OCR ajouté ; c'est pourquoi il propose au lieu de séparer.
• Extraction des champs. Les valeurs sont renvoyées avec la portée que l'appariement a pu établir : un champ extrait peut porter un score de confiance, le texte source apparié, un statut de correspondance et une position sur la page lorsque la valeur est ancrée.
• Suggérer, puis confirmer. Les limites de séparation et les actions de suivi sont proposées comme suggestions et ne prennent effet qu'une fois confirmées par une personne.

DocSolved en comparaison

Les mesures de cette page comparent DocSolved à ses propres configurations antérieures. Nous n'avons pas publié de comparaison directe avec d'autres produits d'OCR ou de traitement de documents.

La comparaison la plus fiable se fait sur vos propres documents : les démos interactives ne demandent pas de compte, et vous pouvez commencer gratuitement sans carte. Pour être aidé à mettre en place un test comparatif, écrivez à [email protected].

Notes méthodologiques

L'OCR est évalué selon le nombre de mots d'un texte connu qu'il lit (rappel) et la part des mots produits qui sont justes (précision) : par rapport à une transcription humaine pour la photo d'un vrai document polonais, et par rapport au texte source pour des pages imprimées d'exemple en anglais. La détection de séparation est évaluée sur un ensemble synthétique de PDF à plusieurs factures aux limites connues.

Les échantillons sont petits, un document par cas d'OCR ; considérez donc les résultats comme indicatifs et non comme une promesse pour vos documents. Aucun tiers ne les a vérifiés. Ils proviennent d'artefacts d'évaluation internes versionnés ; cette page les résume au lieu de republier les chiffres bruts.

Pas encore mesuré : la précision d'extraction au niveau des champs (si la bonne valeur arrive dans le bon champ), le temps de traitement de bout en bout et la précision de l'OCR pour les langues autres que le polonais et l'anglais.

Questions sur la méthodologie ou les résultats : [email protected]