Glossaire de l'extraction de documents

Définitions

Extraction de documents vérifiable

Extraction de documents dans laquelle chaque valeur renvoyée peut être retracée jusqu'à son origine. Pour les scans et les photos, un champ porte le texte dont il a été lu et, lorsque l'OCR l'a localisé, la page et la position ; pour les factures électroniques structurées, la valeur est extraite du fichier source. L'idée est qu'un relecteur ou un système en aval puisse vérifier une valeur au lieu de lui faire une confiance aveugle.

Preuve de provenance

La preuve associée à un champ extrait d'un document numérisé ou photographié : le texte correspondant et, lorsque l'OCR a pu localiser la valeur, sa page et son cadre de délimitation. Cela permet de confirmer l'origine d'un nombre sans relire toute la page. Les factures électroniques structurées sont extraites de leurs données et n'ont pas de cadre de délimitation.

Statut de correspondance

Un indicateur par champ qui précise comment une valeur a été rattachée à la source. Les valeurs possibles sont exact, fuzzy, llm_located, not_found, not_applicable et user_entered. Une valeur que l'OCR ne peut pas rattacher est renvoyée comme not_found plutôt qu'acceptée silencieusement.

Cadre de délimitation

Le rectangle sur l'image de la page où l'OCR a localisé une valeur. DocSolved le dessine sur le PDF annoté, avec un code couleur selon l'échelle de confiance. Un cadre n'existe que lorsque des preuves OCR ont localisé la valeur ; les champs de facture électronique n'en ont volontairement aucun.

Facture électronique structurée

Une facture livrée sous forme de données lisibles par machine plutôt que sous forme de scan : Factur-X, ZUGFeRD et XRechnung (CII), UBL 2.1, et KSeF FA(3). DocSolved extrait les valeurs directement du fichier, sans OCR ni approximation par IA, donc rien ne peut être mal lu.

KSeF FA(3)

Le format de facture électronique XML du système national polonais de facturation électronique (KSeF). DocSolved lit lui-même le fichier FA(3) et le valide de manière déterministe ; aucune connexion à l'API KSeF ni aucun identifiant n'est impliqué.

OCR (reconnaissance optique de caractères)

La transformation d'une image de texte (scan ou photo) en caractères lisibles par machine et en leurs positions sur la page. Dans DocSolved, l'OCR produit les tokens et les cadres qui rattachent ensuite chaque champ extrait à sa source.

Score de confiance

Un score par champ pour les valeurs que l'IA a extraites d'un scan ou d'une photo ; les valeurs à faible confiance sont mises en évidence pour vérification. Les champs de facture électronique structurée portent à la place un statut de confiance dédié, car rien n'y a été deviné.

Détection du type de document

L'identification automatique de la nature d'un document — facture, reçu, bon de commande, bon de livraison, CV, et plus encore — avec un score de confiance. Le type détecté détermine les champs que DocSolved extrait.

PDF annoté

Une copie téléchargeable du document sur laquelle chaque valeur extraite est encadrée sur la page et colorée selon le niveau de confiance, afin que toute l'extraction puisse être vérifiée d'un coup d'œil.