Fonctionnalités fondamentales

Pour automatiser le traitement des documents, quatre capacités fondamentales sont requises : numérisation, classification, extraction et validation.

Graphique 1. Fonctionnalités fondamentales

Numérisation

La numérisation convertit un document physique en texte lisible par machine, qui peut ensuite être traité numériquement. Bien que la reconnaissance optique de caractères (OCR) soit une partie importante de la numérisation, le processus de numérisation est plus complexe et implique diverses étapes, y compris l’OCR.

Par exemple, dans le cas de documents au format PDF, l’algorithme de numérisation peut faire la distinction entre les PDF numérisés et natifs ou les PDF hybrides contenant des images numérisées et du texte natif. La majeure partie du texte peut être extraite directement d’un document PDF natif, mais dans certains cas, quelques logos peuvent avoir besoin d’être lus à l’aide de l’OCR. Le processus de numérisation peut gérer toutes ces situations pour garantir une précision maximale dans la détection de texte tout en s’exécutant rapidement et efficacement.

Vous pouvez modifier la méthode OCR utilisée dans votre projet dans les paramètres du projet. Pour plus d’informations, consultez la page Configurer les paramètres du projets. Vous pouvez vérifier les moteurs OCR disponibles et les langues prises en charge dans la section Langues prises en charge du manuel utilisateur.

Vous pouvez consulter la page Limites connues pour plus d’informations sur les fichiers pris en charge, connaître les limites de taille d’image et obtenir plus de paramètres.

Classification et fractionnement

Dans la plupart des cas d’utilisation, les documents doivent être triés en catégories logiques afin que différentes méthodes de traitement puissent leur être appliquées. Le processus de tri des documents comprend deux tâches :

• Fractionnement
• Classification

Selon la complexité du problème, vous devrez peut-être fractionner des documents, les classer, ou les deux.

Remarque : le fractionnement de document n’est disponible qu’en cas d’utilisation avec IntelligentOCR.

L’objectif du fractionnement est de numériser les pages continues d’un document et de les diviser en sous-documents logiques. Un algorithme de fractionnement de documents peut être indépendant du type de document, ce qui signifie qu’il peut fractionner n’importe quel document, qu’il s’agisse d’une facture, d’un contrat ou d’un formulaire de demande.

Graphique 2. Fractionnement de document

L’objectif d’une classification est de numériser un document et de décider à quel type de document il appartient. Connaître le type d’un document est important car différents types de documents nécessitent différentes techniques de traitement. Par exemple, une facture doit être traitée par un modèle d’extraction de factures pour garantir que tous les champs pertinents sont extraits.

Graphique 3. Classifieur de documents

Extraction

L’extraction de données est le processus permettant de sélectionner et de récupérer uniquement les informations pertinentes d’un document. L’extraction de données spécifiques d’un long document à l’aide de la manipulation de string peut être difficile. Cependant, Document Understanding^TM fournit différentes méthodes d’extraction pour différents types et formats de documents. Par exemple, nous voulons uniquement extraire les champs Nom du fournisseur (Vendor Name), Nom de facturation (Billing Name), Date d’échéance (Due Date) et Total d’une facture.

Graphique 4. Extraction de données

Validation

Dans la classification et l’extraction, les robots logiciels utilisent le concept de confiance, qui mesure le niveau de confiance qu’une tâche particulière a été correctement effectuée. La tâche peut consister à reconnaître un type de document, à identifier un champ ou à lire les données qu’il contient. Dans ces cas, l’infrastructure Document Understanding vous permet d’engager un utilisateur humain pour examiner et valider la sortie du robot. Dans le meilleur scénario, l’intervention humaine est utilisée pour entraîner la précision du robot via l’apprentissage automatique.