Identifier les erreurs d’extraction
Apprenez à détecter, comprendre et corriger les erreurs produites lors de l’extraction automatique de textes, tableaux et données documentaires. Développez une méthode fiable pour contrôler les résultats d’un OCR, d’un extracteur ou d’une intelligence artificielle.
À la fin de ce cours, vous saurez :
- Définir une erreur d’extraction documentaire.
- Distinguer extraction, reconnaissance OCR et interprétation par IA.
- Identifier les erreurs de caractères, de nombres et de dates.
- Détecter les lignes manquantes et les tableaux décalés.
- Repérer les informations inventées ou mal attribuées.
- Utiliser des contrôles de cohérence et de complétude.
- Hiérarchiser les anomalies selon leur gravité.
- Corriger une extraction en conservant sa traçabilité.
- Rédiger un prompt de vérification documentaire.
- Valider des données avant leur réutilisation.
Connaître les notions de document numérique, PDF, OCR et extraction de données. Les cours précédents du chapitre présentent ces principes.
1. Qu’est-ce qu’une erreur d’extraction ?
Une erreur d’extraction apparaît lorsqu’une information récupérée automatiquement ne correspond pas fidèlement au document source ou à la structure attendue.
Elle peut concerner :
- Un caractère mal reconnu.
- Une valeur numérique modifiée.
- Une ligne oubliée.
- Un champ attribué au mauvais élément.
- Un tableau reconstitué incorrectement.
- Une date mal interprétée.
- Une information ajoutée sans justification.
Document original : Facture n° F2027-018.
Extraction : Facture n° F2027-O18.
La lettre « O » a remplacé le chiffre zéro. L’extraction semble plausible, mais la référence est incorrecte.
2. Pourquoi ces erreurs apparaissent-elles ?
Une extraction documentaire peut mobiliser plusieurs traitements successifs :
Une erreur introduite au début peut se propager dans les étapes suivantes.
Une extraction bien présentée n’est pas nécessairement exacte. Une donnée erronée peut devenir encore plus difficile à repérer lorsqu’elle est intégrée dans un tableau propre et cohérent en apparence.
3. Les grandes familles d’erreurs
| Famille | Exemple | Risque |
|---|---|---|
| Reconnaissance | O à la place de 0 | Référence incorrecte |
| Omission | Ligne non extraite | Dossier incomplet |
| Ajout | Information inventée | Donnée non justifiée |
| Attribution | Prix affecté au mauvais article | Erreur de traitement |
| Structure | Colonnes décalées | Import défectueux |
| Interprétation | Date ambiguë | Échéance erronée |
| Calcul | Total incorrect | Incohérence financière |
| Contexte | Montant HT pris pour TTC | Confusion de signification |
4. Les erreurs de reconnaissance OCR
L’OCR transforme les caractères visibles dans une image en texte exploitable.
Certains caractères sont visuellement proches.
| Caractères confondus | Exemple |
|---|---|
| 0 et O | F2027-018 devient F2027-O18 |
| 1, I et l | LOT-101 devient LOT-l01 |
| 5 et S | REF-505 devient REF-S05 |
| 8 et B | B208 devient B2O8 ou 8208 |
| rn et m | « borne » peut être mal reconnu |
| Accents | « échéance » devient « echeance » |
Ces confusions sont favorisées par une faible résolution, une police particulière, un document incliné ou une impression dégradée.
4.1. Comment vérifier ?
- Afficher le document source.
- Localiser la zone concernée.
- Agrandir l’image si nécessaire.
- Comparer caractère par caractère.
- Corriger uniquement ce qui est confirmé.
5. Les erreurs sur les nombres
Les erreurs numériques sont particulièrement sensibles, car un seul caractère peut modifier fortement une valeur.
| Source | Extraction erronée | Conséquence |
|---|---|---|
| 1 250,00 € | 12 500,00 € | Montant multiplié par dix |
| 98,50 € | 985,00 € | Décimale déplacée |
| 0,75 | 75 | Valeur multipliée par cent |
| 15 % | 1,5 % | Taux divisé par dix |
| 00125 | 125 | Identifiant modifié |
Une virgule décimale, un point ou un espace de milliers peuvent être interprétés différemment selon les outils et les paramètres régionaux.
6. Les erreurs de dates
Une date extraite peut être incorrecte sans présenter de caractère manifestement aberrant.
6.1. Exemple
Document source : 03/04/2027.
Dans une convention française, cette date correspond au 3 avril 2027.
Dans une convention mois/jour/année, elle peut être interprétée comme le 4 mars 2027.
6.2. Méthode de contrôle
- Identifier le format utilisé dans le document.
- Vérifier la cohérence avec les autres dates.
- Ne pas supposer une convention sans justification.
- Conserver la valeur d’origine lorsque l’interprétation reste incertaine.
- Normaliser les dates uniquement après validation.
7. Détecter les données manquantes
Une extraction peut sembler correcte tout en étant incomplète.
7.1. Exemple
Document source :
Extraction obtenue :
Le produit C a disparu.
7.2. Comment le repérer ?
- Comparer le nombre de lignes.
- Contrôler les références attendues.
- Vérifier les pages du document.
- Rechercher les ruptures de séquence.
- Comparer les totaux lorsque cela est pertinent.
Total source : 120 + 80 + 45 + 60 = 305 €.
Total extrait : 120 + 80 + 60 = 260 €.
Écart : 45 €.
Le contrôle des totaux révèle une anomalie, sans suffire à lui seul à identifier sa cause.
8. Identifier les doublons
Un système peut extraire deux fois la même information, notamment lorsqu’un document présente des zones répétées ou des pages partiellement superposées.
8.1. Exemple
La référence REF-002 apparaît deux fois.
Mais un doublon apparent n’est pas nécessairement une erreur : deux lignes distinctes peuvent légitimement porter la même référence.
8.2. Vérification
Il faut comparer les lignes avec la source et déterminer si elles correspondent à deux occurrences réelles ou à une duplication artificielle.
9. Détecter les tableaux décalés
Les tableaux sont particulièrement vulnérables aux erreurs de structure.
9.1. Tableau source
| Article | Quantité | Prix unitaire |
|---|---|---|
| Clavier | 3 | 25 € |
| Souris | 5 | 12 € |
9.2. Extraction incorrecte
| Article | Quantité | Prix unitaire |
|---|---|---|
| Clavier | 3 | 12 € |
| Souris | 5 | 25 € |
Les prix unitaires ont été inversés.
9.3. Pourquoi est-ce dangereux ?
Les valeurs sont toutes présentes et plausibles, mais leur attribution est incorrecte.
La vérification doit porter sur les relations entre les cellules, pas seulement sur la présence des valeurs.
10. Les erreurs de lecture des colonnes
Dans un document comportant plusieurs colonnes, un extracteur peut lire les éléments dans un ordre incorrect.
Par exemple, un texte présenté sur deux colonnes peut être extrait en alternant les lignes de gauche et de droite, au lieu de lire intégralement la première colonne puis la seconde.
10.1. Indices d’alerte
- Phrases interrompues.
- Paragraphes incohérents.
- Transitions sans logique.
- Titres associés à la mauvaise section.
- Informations répétées.
La comparaison avec la disposition visuelle du document permet de retrouver l’ordre de lecture attendu.
11. Distinguer erreur d’extraction et erreur du document source
Cette distinction est fondamentale.
Erreur d’extraction
Le document indique 250 €, mais le système restitue 2 500 €.
Erreur présente dans la source
Le document indique lui-même un total arithmétique incorrect, que l’extraction reproduit fidèlement.
Ne corrigez pas silencieusement une erreur présente dans la source. Conservez la valeur d’origine et signalez séparément l’incohérence constatée.
12. Les hallucinations lors de l’extraction assistée par IA
Une IA générative peut parfois compléter une information absente ou incertaine en produisant une valeur plausible.
12.1. Exemple
Un document contient :
Une réponse incorrecte serait :
Cette date n’est pas justifiée par la source.
12.2. Réponse attendue
L’absence d’information doit être représentée comme telle, et non compensée par une supposition.
13. Distinguer trois situations
| Situation | Signification | Traitement |
|---|---|---|
| Information absente | Le champ n’est pas renseigné | Indiquer « non renseigné » |
| Information illisible | La valeur existe, mais ne peut pas être reconnue avec fiabilité | Signaler « illisible » et vérifier la source |
| Information ambiguë | Plusieurs interprétations sont possibles | Conserver les hypothèses et demander validation |
Ces trois situations ne doivent pas être confondues avec une valeur égale à zéro.
14. Utiliser les contrôles de cohérence
Un contrôle de cohérence consiste à vérifier si plusieurs informations sont compatibles entre elles.
14.1. Contrôle arithmétique
Pour une ligne de facture :
Montant HT = Quantité × Prix unitaire HT.
Quantité : 4.
Prix unitaire HT : 35 €.
Montant extrait : 140 €.
Vérification : 4 × 35 = 140 €. La ligne est cohérente.
14.2. Contrôle des dates
Une date de fin antérieure à une date de début peut signaler une anomalie, sauf si le contexte justifie cette situation.
14.3. Contrôle des identifiants
Une référence peut être comparée à un modèle attendu, par exemple trois lettres suivies de six chiffres.
Attention : le respect d’un modèle ne prouve pas que la référence est exacte.
15. Comprendre les limites des contrôles automatiques
Les contrôles automatiques détectent certaines incohérences, mais pas toutes.
Deux erreurs peuvent parfois se compenser.
15.1. Exemple
Source :
Extraction :
Dans les deux cas, le total est de 300 €.
Un simple contrôle du total ne détectera donc pas les deux erreurs.
Un total correct n’est pas une preuve suffisante de fidélité. Les valeurs individuelles doivent aussi être vérifiées.
16. Vérifier la complétude d’une extraction
La complétude mesure si toutes les informations attendues ont été récupérées.
16.1. Méthode
- Définir les champs obligatoires.
- Comparer leur présence dans la source et le résultat.
- Compter les lignes ou enregistrements.
- Vérifier les pages traitées.
- Identifier les champs vides.
- Documenter les informations manquantes.
16.2. Indicateur de complétude
Pour une liste de champs obligatoires :
Taux de complétude = (Nombre de champs renseignés / Nombre de champs attendus) × 100.
10 champs attendus, 8 renseignés.
8 / 10 × 100 = 80 %.
Ce taux mesure la présence des données, pas leur exactitude. Il faut aussi distinguer un champ absent dans la source d’un champ perdu pendant l’extraction.
17. Mesurer la qualité d’une extraction
Plusieurs indicateurs peuvent être utilisés.
| Indicateur | Ce qu’il mesure |
|---|---|
| Complétude | Proportion des informations attendues présentes |
| Exactitude | Proportion des valeurs correctement extraites parmi les valeurs vérifiées |
| Taux d’erreur | Proportion des éléments contrôlés comportant une erreur |
| Conformité | Respect du format et des règles attendus |
| Traçabilité | Possibilité de retrouver l’origine des valeurs |
17.1. Exemple de taux d’erreur
Sur 200 champs contrôlés, 6 comportent une erreur.
Taux d’erreur = 6 / 200 × 100 = 3 %.
Le taux d’exactitude correspondant sur ces mêmes champs est de 97 %, si chaque champ est classé comme correct ou incorrect.
Ces résultats décrivent uniquement les champs contrôlés. Ils ne prouvent pas automatiquement que le reste du document présente la même qualité.
18. Les scores de confiance de l’OCR
Certains outils d’extraction attribuent un score de confiance à leurs résultats.
Un score élevé indique généralement que le système estime sa reconnaissance fiable selon ses propres critères.
Mais il ne constitue pas une preuve de vérité.
Un outil peut attribuer un score de confiance de 98 % à une référence incorrecte. Le score ne remplace donc pas la comparaison avec le document source.
Les scores de confiance ne sont pas nécessairement comparables entre outils, car leur calcul et leur calibration peuvent différer.
19. Hiérarchiser les erreurs selon leur gravité
Toutes les erreurs n’ont pas le même impact.
| Niveau | Exemple | Traitement |
|---|---|---|
| Mineur | Espacement inutile | Correction simple |
| Significatif | Nom ou date mal reconnu | Vérification prioritaire |
| Critique | Montant, identité ou clause déterminante erronés | Bloquer l’utilisation jusqu’à validation |
La gravité dépend du contexte : une erreur typographique peut devenir critique lorsqu’elle touche une référence indispensable à un traitement.
20. La méthode de vérification en sept étapes
21. Comment l’IA peut aider à repérer les anomalies
Une IA peut assister le contrôle en recherchant :
- Des champs manquants.
- Des références incohérentes.
- Des doublons suspects.
- Des dates incompatibles.
- Des écarts arithmétiques.
- Des valeurs inhabituelles.
- Des contradictions entre plusieurs documents.
Elle peut aussi produire un tableau d’anomalies pour faciliter la vérification humaine.
Si l’IA ne reçoit que le texte déjà mal extrait, elle ne peut pas toujours retrouver la valeur correcte. Pour vérifier la fidélité, elle doit pouvoir être confrontée à une source exploitable, et les points critiques doivent rester contrôlés.
22. Prompt de détection d’erreurs
23. Cas pratique complet : contrôler une facture extraite
Une entreprise a numérisé une facture fournisseur. Un système d’extraction a produit des données destinées à un logiciel de gestion. Avant l’importation, un contrôle est nécessaire.
23.1. Facture source
| Champ | Valeur source |
|---|---|
| Numéro | FAC-2027-018 |
| Date | 12/06/2027 |
| Fournisseur | Nova Fournitures |
| Article A | 4 unités à 35 € HT |
| Article B | 3 unités à 20 € HT |
| Total HT | 200,00 € |
| TVA 20 % | 40,00 € |
| Total TTC | 240,00 € |
23.2. Extraction automatique obtenue
| Champ | Valeur extraite |
|---|---|
| Numéro | FAC-2027-O18 |
| Date | 12/06/2027 |
| Fournisseur | Nova Fournitures |
| Article A | 4 unités à 35 € HT |
| Article B | 3 unités à 20 € HT |
| Total HT | 200,00 € |
| TVA 20 % | 40,00 € |
| Total TTC | 2 400,00 € |
23.3. Analyse des anomalies
| Champ | Anomalie | Gravité | Correction |
|---|---|---|---|
| Numéro | O au lieu de 0 | Significative | FAC-2027-018 |
| Total TTC | 2 400 au lieu de 240 | Critique | 240,00 € |
23.4. Vérification des calculs
Article A : 4 × 35 = 140 € HT.
Article B : 3 × 20 = 60 € HT.
Total HT : 140 + 60 = 200 €.
TVA : 200 × 20 % = 40 €.
Total TTC : 200 + 40 = 240 €.
L’extraction affiche 2 400 €, soit un écart de 2 160 € par rapport au total TTC correct.
23.5. Tableau de validation
| Contrôle | Résultat |
|---|---|
| Nombre de champs | Complet |
| Référence | Erreur confirmée |
| Date | Conforme |
| Articles | Conformes |
| Total HT | Conforme |
| TVA | Conforme |
| Total TTC | Erreur confirmée |
23.6. Décision
Le fichier ne doit pas être importé en l’état.
Il faut corriger les deux erreurs, conserver une trace de la vérification et valider les données corrigées.
Deux erreurs confirmées : une erreur de caractère sur la référence et une erreur numérique critique sur le montant TTC.
La facture corrigée présente un total de 240,00 € TTC.
24. Deuxième cas : détecter une erreur de tableau malgré un total correct
Un tableau source présente deux prestations :
| Prestation | Montant source | Montant extrait |
|---|---|---|
| Installation | 300 € | 350 € |
| Maintenance | 150 € | 100 € |
| Total | 450 € | 450 € |
Le total est correct, mais les deux montants individuels sont faux.
La vérification doit donc comparer les valeurs ligne par ligne et pas uniquement le total général.
25. Corriger une extraction sans perdre la traçabilité
Une correction fiable doit pouvoir être expliquée et retrouvée.
25.1. Exemple de journal de correction
| Champ | Avant | Après | Justification |
|---|---|---|---|
| Référence | FAC-2027-O18 | FAC-2027-018 | Vérification visuelle de la source |
| Total TTC | 2 400,00 € | 240,00 € | Source et contrôle arithmétique |
Dans un processus professionnel, le journal peut également contenir la date de correction, la personne responsable et la version du document.
26. Organiser un contrôle par échantillonnage
Lorsqu’un grand nombre de documents doit être traité, un contrôle exhaustif peut être coûteux.
Un échantillonnage permet d’examiner une partie des résultats, mais il présente des limites.
26.1. Exemple
Une extraction contient 1 000 lignes. Un contrôle porte sur 100 lignes sélectionnées selon une méthode définie.
Si 4 lignes sont erronées, le taux observé dans l’échantillon est :
4 / 100 × 100 = 4 %.
Ce taux ne garantit pas que exactement 4 % des 1 000 lignes soient erronées.
26.2. Bonne pratique
Combiner, lorsque le contexte le permet :
- Un contrôle exhaustif des données critiques.
- Des règles automatiques de cohérence.
- Un échantillonnage documenté des autres données.
- Une vérification renforcée lorsque des anomalies sont détectées.
27. Les erreurs à éviter pendant la vérification
| Erreur | Pourquoi l’éviter ? |
|---|---|
| Faire confiance à une mise en page propre | L’apparence ne prouve pas l’exactitude |
| Contrôler uniquement les totaux | Des erreurs peuvent se compenser |
| Corriger une valeur au hasard | La correction peut introduire une nouvelle erreur |
| Ignorer les champs vides | Une omission peut passer inaperçue |
| Confondre source et extraction | On peut attribuer à l’outil une erreur déjà présente |
| Supprimer la version initiale | La traçabilité est perdue |
| Accepter un score de confiance sans contrôle | Une erreur peut être reconnue avec une forte confiance |
| Utiliser l’IA pour deviner les valeurs | Des informations non justifiées peuvent être créées |
28. Checklist de validation
- ☐ Le document source est disponible.
- ☐ Toutes les pages attendues ont été traitées.
- ☐ Les champs obligatoires sont identifiés.
- ☐ Les valeurs numériques sont contrôlées.
- ☐ Les dates sont vérifiées.
- ☐ Les références sont conservées exactement.
- ☐ Les tableaux sont correctement reconstitués.
- ☐ Les lignes manquantes sont recherchées.
- ☐ Les doublons suspects sont examinés.
- ☐ Les incohérences sont signalées.
- ☐ Les informations absentes ne sont pas inventées.
- ☐ Les corrections sont documentées.
- ☐ Les données critiques sont validées.
- ☐ Le résultat final est compatible avec son usage.
29. Vérifiez votre compréhension
Une référence F2027-018 devient F2027-O18. Quel type d’erreur est présent ?
Afficher la correction
Un document contient 12 lignes, mais seulement 10 sont extraites. Quel contrôle permet de détecter l’anomalie ?
Afficher la correction
Un total extrait est correct. Cela prouve-t-il que toutes les lignes sont exactes ?
Afficher la correction
Sur 80 champs contrôlés, 4 sont incorrects. Quel est le taux d’erreur observé ?
Afficher la correction
Une date de livraison n’apparaît pas dans le document. Que doit indiquer l’extraction ?
Afficher la correction
30. Questions fréquentes
1. Qu’est-ce qu’une erreur d’extraction ?
Une différence injustifiée entre une information extraite et le document source, ou une anomalie de structure introduite pendant le traitement.
2. Pourquoi l’OCR commet-il des erreurs ?
Il peut confondre des caractères proches ou mal interpréter une image de mauvaise qualité.
3. Une IA peut-elle inventer des informations ?
Oui, notamment lorsqu’elle tente de compléter des données absentes ou ambiguës.
4. Comment détecter une ligne manquante ?
En comparant le nombre de lignes, les références et les données du document source.
5. Comment détecter un tableau décalé ?
En comparant les associations entre lignes, colonnes et valeurs avec le tableau original.
6. Un total correct garantit-il l’exactitude ?
Non. Des erreurs individuelles peuvent se compenser.
7. Qu’est-ce qu’un score de confiance OCR ?
Une estimation produite par l’outil concernant la fiabilité de sa reconnaissance.
8. Un score élevé garantit-il l’exactitude ?
Non. Une erreur peut recevoir un score élevé.
9. Comment traiter une information illisible ?
La signaler comme illisible et demander une vérification de la source.
10. Comment traiter une information absente ?
Indiquer qu’elle est non renseignée, sans inventer de valeur.
11. Qu’est-ce qu’un contrôle de complétude ?
Une vérification visant à confirmer que les informations attendues ont été récupérées.
12. Qu’est-ce qu’un contrôle de cohérence ?
Une vérification des relations logiques ou arithmétiques entre plusieurs informations.
13. Pourquoi contrôler les dates ?
Parce que leur format peut être ambigu ou mal interprété.
14. Pourquoi préserver les identifiants ?
Parce qu’un seul caractère modifié peut désigner un autre dossier ou un autre élément.
15. Faut-il vérifier toutes les données ?
Le niveau de contrôle dépend des risques, des exigences et de l’importance des données.
16. Qu’est-ce qu’une erreur critique ?
Une anomalie susceptible d’entraîner une conséquence importante dans le processus concerné.
17. Pourquoi conserver la source ?
Pour pouvoir confirmer les valeurs et justifier les corrections.
18. Peut-on automatiser les contrôles ?
Oui, notamment les formats, calculs et champs obligatoires, sans supprimer toutes les vérifications humaines.
19. Quelle différence entre une erreur source et une erreur d’extraction ?
La première existe dans le document original ; la seconde est introduite lors du traitement.
20. Quand peut-on utiliser les données extraites ?
Lorsque les contrôles nécessaires ont été réalisés et que les anomalies bloquantes sont résolues.
31. Glossaire
| Terme | Définition |
|---|---|
| Extraction | Récupération automatique d’informations. |
| OCR | Reconnaissance optique de caractères. |
| Erreur de reconnaissance | Caractère ou mot mal identifié. |
| Omission | Information non récupérée. |
| Duplication | Information répétée artificiellement. |
| Hallucination | Information produite sans justification suffisante dans la source. |
| Attribution | Association d’une valeur à un champ ou élément. |
| Décalage | Mauvais alignement des données. |
| Complétude | Présence des informations attendues. |
| Exactitude | Conformité des données à la source. |
| Cohérence | Compatibilité logique entre les informations. |
| Conformité | Respect des règles ou formats attendus. |
| Score de confiance | Estimation de fiabilité fournie par un système. |
| Validation | Contrôle confirmant qu’un résultat peut être utilisé. |
| Traçabilité | Possibilité de retrouver l’origine et les modifications d’une donnée. |
| Journal de correction | Historique documenté des modifications. |
| Taux d’erreur | Proportion d’éléments incorrects parmi les éléments contrôlés. |
| Échantillonnage | Sélection d’une partie des données à contrôler. |
| Contrôle exhaustif | Vérification de tous les éléments concernés. |
| Contrôle arithmétique | Vérification des relations numériques. |
| Champ obligatoire | Information exigée par un processus. |
| Valeur manquante | Information non disponible ou non renseignée. |
| Anomalie | Écart ou situation nécessitant une vérification. |
| Gravité | Importance des conséquences potentielles d’une erreur. |
| Source documentaire | Document utilisé comme référence pour l’extraction. |
32. Ressources pour approfondir
- Tesseract OCR — Documentation et fonctionnement
- Microsoft Learn — Technologies d’extraction documentaire
- Google Cloud — Document AI
- CNIL — Protection des données
À retenir
- Une extraction automatique peut contenir des erreurs même si le résultat paraît correct.
- Les erreurs concernent les caractères, les nombres, les dates, les omissions et les structures.
- Les tableaux doivent être vérifiés ligne par ligne lorsque les données sont importantes.
- Un total correct ne garantit pas l’exactitude des valeurs individuelles.
- Les informations absentes ou illisibles ne doivent jamais être inventées.
- Les scores de confiance ne remplacent pas la comparaison avec la source.
- Les contrôles de complétude et de cohérence sont complémentaires.
- Les anomalies critiques doivent être résolues avant exploitation.
- Chaque correction importante doit être traçable.
- L’IA peut assister le contrôle, mais ne constitue pas une validation indépendante de la source.
Apprenez à identifier les informations sensibles, limiter les risques de divulgation et utiliser les outils d’IA dans un cadre de confidentialité adapté.
Passez à la pratique
Entraînez-vous à repérer les erreurs d’OCR, vérifier des tableaux, contrôler des calculs, détecter les omissions et documenter les corrections.
Les exercices seront accessibles depuis la page du chapitre après leur publication.
Exercices du cours
Entraînez-vous avec 15 exercices progressifs. Ouvrez un exercice pour répondre, puis afficher sa correction.
