OCR

Ce que fait un moteur d'OCR

Un moteur d'OCR analyse une image, repère les zones de texte, segmente les lignes puis les caractères, et propose une transcription. Les moteurs modernes travaillent sur des réseaux entraînés à reconnaître des formes, ce qui les rend plus robustes aux variations de police et d'éclairage que les approches anciennes. Ils produisent aussi des coordonnées, utiles pour reconstituer la mise en page d'origine et rattacher un champ à sa position. Le moteur ne comprend pas le sens du texte, il restitue des formes qu'il a appris à reconnaître.

La qualité dépend d'abord du document source. Un scan droit, contrasté et résolu se lit bien ; une photo prise de biais, avec une ombre et une résolution faible, produit des erreurs en cascade. Les tableaux, les colonnes, les notes marginales et les tampons restent des points difficiles. Un prétraitement simple, redressement et amélioration du contraste, améliore souvent le résultat davantage qu'un changement de moteur. Un scan en couleur converti en niveaux de gris perd parfois des informations utiles.

De la lecture à l'extraction

Obtenir du texte n'est que la première étape. Ce que l'on veut, le plus souvent, c'est un champ précis : montant, date, numéro de dossier, adresse. Le texte brut ne suffit pas, car il faut le localiser et le rattacher à une étiquette. Les modèles de langage, y compris multimodaux, facilitent cette étape en restituant une structure demandée, mais ils peuvent inventer une valeur absente du document. Sans cette localisation, le contrôle humain devient long et l'automatisation perd son intérêt.

La chaîne complète comprend donc trois contrôles : la lisibilité du document, la fidélité de la transcription, la validité de l'extraction. Chacun doit être mesuré sur un échantillon réel. Un taux d'erreur acceptable sur du texte dactylographié devient inacceptable sur des manuscrits ou des formulaires dégradés. Il faut le vérifier type de document par type de document, et non sur un unique exemple favorable. Un échantillon de quelques dizaines de documents suffit pour repérer les cas problématiques.

Ce qu'il faut prévoir

Un projet documentaire sérieux conserve l'image d'origine à côté du texte extrait. Cela permet de vérifier un champ, de corriger une erreur et de répondre à une contestation. Il faut aussi prévoir le cas du document illisible : un rejet explicite vaut mieux qu'une valeur inventée. Les traitements en lot doivent tracer quels documents ont échoué et pourquoi, sans quoi le taux d'échec reste invisible. Le journal d'exécution doit indiquer la page, la zone et le motif du rejet.

Le volet données personnelles n'est pas accessoire : un scan de facture ou de dossier contient des noms, des adresses, parfois des données sensibles. Le stockage, la durée de conservation et les accès doivent être définis avant la mise en production. Un moteur d'OCR installé sur votre serveur évite l'envoi à un tiers, au prix d'une exploitation à assurer et d'une qualité parfois inférieure à celle des services commerciaux. Un traitement local réduit l'exposition, mais ne dispense ni de chiffrement ni de contrôle d'accès.