OCR (reconnaissance de documents)

L'OCR, pour Optical Character Recognition, détecte et extrait le texte contenu dans des images, des photos ou des PDF numérisés, afin de le rendre sélectionnable, recherchable et traitable par des logiciels. Les services modernes, comme l'API Vision de Google Cloud, s'appuient sur l'apprentissage profond pour lire des textes imprimés et manuscrits dans des mises en page variées. L'OCR ne comprend pas le document : il le transcrit. Pour en tirer des données utiles (numéro de facture, montant, date, fournisseur), on le fait suivre d'une étape d'extraction d'informations, parfois appelée traitement intelligent de documents, qui peut faire appel à des règles, à des modèles spécialisés ou à des modèles de langage. Cette chaîne alimente la saisie automatisée de factures, le classement de courriers ou la vérification de pièces. La qualité de la lecture dépend de la netteté du scan, de la langue, de la mise en page et de l'écriture manuscrite. Des erreurs subsistent, d'où l'intérêt de contrôles de cohérence et d'une validation humaine pour les montants et données sensibles. Les documents lus contiennent souvent des données personnelles soumises au RGPD.