Images et documents : où la lecture machine échoue

Le niveau Débutant établit qu'un modèle multimodal accepte photos et documents, et qu'il faut vérifier les chiffres. Ici on regarde précisément où et pourquoi ça échoue, parce que c'est ce qui décide si l'on peut bâtir un processus dessus.

Deux façons de lire une image, très différentes

La reconnaissance de caractères classique repère des formes de lettres et les transcrit. Elle ne comprend rien, elle est très fiable sur du texte net, et elle vous dit où elle a un doute.

Un modèle de vision interprète l'image entière. Il comprend qu'un tableau est un tableau et qu'une colonne s'appelle « Montant ». Mais il ne transcrit pas : il reconstruit ce qui est vraisemblable. Sur un chiffre à moitié effacé, la reconnaissance classique signalera un doute ; le modèle de vision proposera un chiffre plausible, sans rien signaler.

C'est la différence qui compte : l'un doute, l'autre comble.

Les quatre pièges documentés

Les tableaux à cellules fusionnées. L'ordre de lecture devient ambigu et les valeurs se décalent d'une colonne.

Les documents à plusieurs colonnes. Il peut lire en travers, mélangeant deux colonnes en une phrase.

Les chiffres proches visuellement. Un 3 et un 8, un 1 et un 7 dans une écriture serrée ou une photo compressée.

Les mentions manuscrites. Une correction à la main sur un document imprimé est souvent purement ignorée, et c'est en général l'information la plus importante de la page.

La combinaison qui marche

Reconnaissance classique pour la transcription exacte, modèle de vision pour la structure et le sens. Puis on croise : si les deux donnent le même montant, on avance ; s'ils divergent, un humain regarde. C'est l'architecture des chaînes documentaires sérieuses, et elle ne coûte pas grand-chose de plus.

Le taux qu'il faut mesurer avant de se lancer

Ne demandez pas « est-ce que ça marche ». Prenez cinquante documents représentatifs, y compris les moches, et comptez les erreurs. Un taux de 2 % sur des factures, c'est une erreur toutes les cinquante : acceptable avec un contrôle, inacceptable en automatique complet.

Ce chiffre, personne ne peut vous le donner. Il dépend de vos documents, pas du modèle.