Intelligence artificielle · Chapitre 12 · Cours 10

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.
Prérequis

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.
Exemple immédiat

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 :

1
Lecture du fichierAccès au contenu du PDF, de l’image ou du document.
2
Reconnaissance du contenuIdentification du texte, des blocs, des tableaux et des caractères.
3
InterprétationAssociation des informations à des champs : date, montant, référence, nom.
4
StructurationOrganisation des résultats en tableau, CSV, JSON ou autre format.
5
ExploitationUtilisation des données dans une application ou un processus.

Une erreur introduite au début peut se propager dans les étapes suivantes.

Principe fondamental

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

FamilleExempleRisque
ReconnaissanceO à la place de 0Référence incorrecte
OmissionLigne non extraiteDossier incomplet
AjoutInformation inventéeDonnée non justifiée
AttributionPrix affecté au mauvais articleErreur de traitement
StructureColonnes décaléesImport défectueux
InterprétationDate ambiguëÉchéance erronée
CalculTotal incorrectIncohérence financière
ContexteMontant HT pris pour TTCConfusion 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 confondusExemple
0 et OF2027-018 devient F2027-O18
1, I et lLOT-101 devient LOT-l01
5 et SREF-505 devient REF-S05
8 et BB208 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 ?

  1. Afficher le document source.
  2. Localiser la zone concernée.
  3. Agrandir l’image si nécessaire.
  4. Comparer caractère par caractère.
  5. 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.

SourceExtraction erronéeConséquence
1 250,00 €12 500,00 €Montant multiplié par dix
98,50 €985,00 €Décimale déplacée
0,7575Valeur multipliée par cent
15 %1,5 %Taux divisé par dix
00125125Identifiant modifié
Attention aux séparateurs

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 :

Produit A : 120 € Produit B : 80 € Produit C : 45 € Produit D : 60 €

Extraction obtenue :

Produit A : 120 € Produit B : 80 € Produit D : 60 €

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.
Contrôle numérique

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

REF-001 REF-002 REF-002 REF-003

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

ArticleQuantitéPrix unitaire
Clavier325 €
Souris512 €

9.2. Extraction incorrecte

ArticleQuantitéPrix unitaire
Clavier312 €
Souris525 €

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.

Bonne pratique

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 :

Date de livraison : [champ non renseigné]

Une réponse incorrecte serait :

Date de livraison : 15 juin 2027

Cette date n’est pas justifiée par la source.

12.2. Réponse attendue

Date de livraison : non renseignée Statut : information absente du document

L’absence d’information doit être représentée comme telle, et non compensée par une supposition.

13. Distinguer trois situations

SituationSignificationTraitement
Information absenteLe champ n’est pas renseignéIndiquer « non renseigné »
Information illisibleLa valeur existe, mais ne peut pas être reconnue avec fiabilitéSignaler « illisible » et vérifier la source
Information ambiguëPlusieurs interprétations sont possiblesConserver 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.

Exemple

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 :

Produit A : 100 € Produit B : 200 €

Extraction :

Produit A : 150 € Produit B : 150 €

Dans les deux cas, le total est de 300 €.

Un simple contrôle du total ne détectera donc pas les deux erreurs.

Conclusion

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

  1. Définir les champs obligatoires.
  2. Comparer leur présence dans la source et le résultat.
  3. Compter les lignes ou enregistrements.
  4. Vérifier les pages traitées.
  5. Identifier les champs vides.
  6. 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.

Exemple

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.

IndicateurCe qu’il mesure
ComplétudeProportion des informations attendues présentes
ExactitudeProportion des valeurs correctement extraites parmi les valeurs vérifiées
Taux d’erreurProportion des éléments contrôlés comportant une erreur
ConformitéRespect du format et des règles attendus
TraçabilitéPossibilité 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.

Exemple

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.

NiveauExempleTraitement
MineurEspacement inutileCorrection simple
SignificatifNom ou date mal reconnuVérification prioritaire
CritiqueMontant, identité ou clause déterminante erronésBloquer 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

1
Conserver la sourceNe jamais écraser le document original.
2
Identifier les données critiquesDéfinir les champs qui exigent un contrôle renforcé.
3
Contrôler la complétudeVérifier les pages, les lignes et les champs.
4
Comparer les valeursRevenir au document source pour les informations sensibles.
5
Tester la cohérenceVérifier les calculs, les dates et les relations entre champs.
6
Corriger et documenterConserver les valeurs initiales et les corrections.
7
Valider avant exploitationNe transmettre que les résultats vérifiés selon les exigences du processus.

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.

Limite importante

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

Tu es un assistant spécialisé dans le contrôle qualité des extractions documentaires. MISSION Analyser le contenu extrait et identifier les anomalies potentielles. DOCUMENT SOURCE [Joindre ou fournir le document original] CONTENU EXTRAIT [Coller les données extraites] CONTRÔLES DEMANDÉS 1. Comparer les valeurs avec la source. 2. Rechercher les caractères mal reconnus. 3. Détecter les données manquantes. 4. Identifier les doublons suspects. 5. Vérifier les dates et les nombres. 6. Contrôler les tableaux et les associations. 7. Vérifier les calculs lorsque c’est possible. 8. Repérer les informations absentes de la source. FORMAT DE RÉPONSE Présente un tableau avec : – Champ concerné – Valeur extraite – Valeur visible dans la source – Nature de l’anomalie – Localisation dans le document – Niveau de gravité – Correction proposée – Statut de vérification RÈGLES – Ne devine aucune valeur illisible. – Ne complète aucun champ absent. – Signale les incertitudes. – Ne présente pas une hypothèse comme un fait. – Ne prétends pas avoir vérifié une page inaccessible. – Sépare les erreurs confirmées des anomalies suspectées.

23. Cas pratique complet : contrôler une facture extraite

Situation fictive

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

ChampValeur source
NuméroFAC-2027-018
Date12/06/2027
FournisseurNova Fournitures
Article A4 unités à 35 € HT
Article B3 unités à 20 € HT
Total HT200,00 €
TVA 20 %40,00 €
Total TTC240,00 €

23.2. Extraction automatique obtenue

ChampValeur extraite
NuméroFAC-2027-O18
Date12/06/2027
FournisseurNova Fournitures
Article A4 unités à 35 € HT
Article B3 unités à 20 € HT
Total HT200,00 €
TVA 20 %40,00 €
Total TTC2 400,00 €

23.3. Analyse des anomalies

ChampAnomalieGravitéCorrection
NuméroO au lieu de 0SignificativeFAC-2027-018
Total TTC2 400 au lieu de 240Critique240,00 €

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

ContrôleRésultat
Nombre de champsComplet
RéférenceErreur confirmée
DateConforme
ArticlesConformes
Total HTConforme
TVAConforme
Total TTCErreur 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.

Résultat du cas pratique

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 :

PrestationMontant sourceMontant extrait
Installation300 €350 €
Maintenance150 €100 €
Total450 €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

ChampAvantAprèsJustification
RéférenceFAC-2027-O18FAC-2027-018Vérification visuelle de la source
Total TTC2 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

ErreurPourquoi l’éviter ?
Faire confiance à une mise en page propreL’apparence ne prouve pas l’exactitude
Contrôler uniquement les totauxDes erreurs peuvent se compenser
Corriger une valeur au hasardLa correction peut introduire une nouvelle erreur
Ignorer les champs videsUne omission peut passer inaperçue
Confondre source et extractionOn peut attribuer à l’outil une erreur déjà présente
Supprimer la version initialeLa traçabilité est perdue
Accepter un score de confiance sans contrôleUne erreur peut être reconnue avec une forte confiance
Utiliser l’IA pour deviner les valeursDes 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

Question 1 — OCR

Une référence F2027-018 devient F2027-O18. Quel type d’erreur est présent ?

Afficher la correction
Une erreur de reconnaissance de caractère : la lettre O remplace le chiffre zéro.
Question 2 — Complétude

Un document contient 12 lignes, mais seulement 10 sont extraites. Quel contrôle permet de détecter l’anomalie ?

Afficher la correction
Le contrôle de complétude, notamment par comparaison du nombre de lignes avec le document source.
Question 3 — Cohérence

Un total extrait est correct. Cela prouve-t-il que toutes les lignes sont exactes ?

Afficher la correction
Non. Plusieurs erreurs peuvent se compenser et produire un total identique.
Question 4 — Taux d’erreur

Sur 80 champs contrôlés, 4 sont incorrects. Quel est le taux d’erreur observé ?

Afficher la correction
4 / 80 × 100 = 5 %.
Question 5 — Information absente

Une date de livraison n’apparaît pas dans le document. Que doit indiquer l’extraction ?

Afficher la correction
Que la date est absente ou non renseignée, sans inventer de valeur.

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

TermeDéfinition
ExtractionRécupération automatique d’informations.
OCRReconnaissance optique de caractères.
Erreur de reconnaissanceCaractère ou mot mal identifié.
OmissionInformation non récupérée.
DuplicationInformation répétée artificiellement.
HallucinationInformation produite sans justification suffisante dans la source.
AttributionAssociation d’une valeur à un champ ou élément.
DécalageMauvais alignement des données.
ComplétudePrésence des informations attendues.
ExactitudeConformité des données à la source.
CohérenceCompatibilité logique entre les informations.
ConformitéRespect des règles ou formats attendus.
Score de confianceEstimation de fiabilité fournie par un système.
ValidationContrôle confirmant qu’un résultat peut être utilisé.
TraçabilitéPossibilité de retrouver l’origine et les modifications d’une donnée.
Journal de correctionHistorique documenté des modifications.
Taux d’erreurProportion d’éléments incorrects parmi les éléments contrôlés.
ÉchantillonnageSélection d’une partie des données à contrôler.
Contrôle exhaustifVérification de tous les éléments concernés.
Contrôle arithmétiqueVérification des relations numériques.
Champ obligatoireInformation exigée par un processus.
Valeur manquanteInformation non disponible ou non renseignée.
AnomalieÉcart ou situation nécessitant une vérification.
GravitéImportance des conséquences potentielles d’une erreur.
Source documentaireDocument utilisé comme référence pour l’extraction.

32. Ressources pour approfondir

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.
Dans le prochain cours 11 — Protéger les documents confidentiels →

Apprenez à identifier les informations sensibles, limiter les risques de divulgation et utiliser les outils d’IA dans un cadre de confidentialité adapté.

Entraînement Ulpia360

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.

15 exercices prévus Application Entraînement Synthèse

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.