
La classification documentaire attribue une ou plusieurs catégories à un document pour qu'une application puisse l'organiser ou l'orienter vers le bon processus. Une facture peut rejoindre une file de vérification comptable ; un bon de commande, un circuit d'achat. L'étiquette décrit le document. Elle ne prouve pas que son contenu est correct et n'autorise aucune action.
Un système utile nécessite des catégories clairement définies, un traitement des documents inconnus et une étape de vérification pour les cas incertains ou les erreurs coûteuses. Choisissez le modèle après avoir défini ces décisions.
Prenons un service fictif recevant des factures, des bons de commande et de la correspondance. Son premier rôle consiste à proposer une destination, avec une vérification humaine lorsque l'automatisation ne peut pas trancher de façon suffisamment fiable. Ces exemples décrivent une conception, et non un classificateur déployé ou des performances mesurées.
| Document reçu | Traitement proposé | Limite à préserver |
|---|---|---|
| Une facture seule | Attribuer la catégorie facture et orienter vers la file de vérification autorisée | L'étiquette n'approuve pas le paiement et ne vérifie pas le fournisseur |
| Un bon de commande | Attribuer cette catégorie selon une définition écrite | Une référence à un numéro de facture ne le transforme pas en facture |
| Un courriel avec une facture jointe | Classer séparément le message et la pièce jointe, ou appliquer une règle multi-étiquette explicite | Ne pas forcer un ensemble mixte dans une catégorie unique sans règle définie |
| Un scan illisible ou un document inconnu | Enregistrer le motif et demander une vérification | Une entrée illisible et un type non pris en charge sont deux problèmes différents |
Décidez si l'unité est un fichier, une page, une pièce jointe ou un ensemble de documents. Distinguez les catégories exclusives des étiquettes pouvant coexister. Le type de document et le service concerné peuvent, par exemple, être deux champs distincts plutôt que des classes concurrentes.
Fournissez aux personnes chargées de la vérification des exemples, des contre-exemples et une règle de résolution des désaccords. Versionnez les définitions. Si deux personnes ne s'accordent régulièrement pas sur la catégorie correspondance, améliorez les règles d'étiquetage avant d'attribuer le problème au modèle.
L'extraction de texte récupère le contenu d'un fichier numérique ; l'OCR tente de retrouver le texte d'une image. La classification utilise les éléments disponibles pour choisir une catégorie. Un classificateur ne peut pas retrouver de manière fiable le sens perdu lorsqu'un scan omet une page ou que l'OCR lit mal un titre important.
Distinguez les échecs d'extraction des résultats de classification. Enregistrez les textes vides, formats non pris en charge, pages manquantes et entrées tronquées. Notre guide en anglais sur l'extraction de texte PDF avec Python présente le traitement préalable des PDF numériques.
Certains types de documents dépendent de la mise en page, des tableaux ou des images autant que des mots. Vérifiez que les informations reçues par votre méthode suffisent à prendre la décision. Si la page déterminante dépasse la limite d'entrée du modèle, le découpage ou la sélection du contenu nécessite son propre test ; supprimer simplement la fin peut produire une mauvaise étiquette assortie d'un score élevé.
Commencez par la référence la plus simple qui soit utile. Des règles peuvent exploiter des indices stables, comme un format connu ou des métadonnées validées, mais les mots ambigus et les modèles de documents changeants nécessitent des exceptions. Mesurez la fréquence des abstentions et des mauvaises orientations.
Un classificateur de texte supervisé apprend à partir d'exemples étiquetés. Le guide Hugging Face de classification de texte illustre une méthode d'attribution de catégories. Vos étiquettes documentaires, langues et qualités de source nécessitent toujours une évaluation spécifique.
Un LLM constitue une autre possibilité lorsqu'il faut interpréter des formulations variées ou combiner plusieurs indices. Fournissez-lui des définitions explicites et un ensemble de sorties autorisées. Validez la valeur retournée et traitez le texte du document comme une donnée, sans lui permettre de modifier les règles de classification. Une explication bien rédigée ne prouve pas que l'étiquette est correcte.
Comparez les méthodes sur les mêmes documents de test, avec les mêmes règles de vérification humaine. Un parcours à règles, complété par un classificateur pour les cas non résolus, peut suffire. Ajoutez de la complexité seulement si l'évaluation montre un progrès utile sur l'orientation acceptée, la charge de vérification ou le coût total.
Constituez un jeu étiqueté comprenant cas ordinaires, classes minoritaires, ensembles ambigus, formats inconnus, scans médiocres et langues prises en charge. Notez qui a résolu les désaccords. Séparez les documents du test final des exemples utilisés pour entraîner le modèle, rédiger les prompts ou choisir les seuils.
Des documents presque identiques peuvent fausser le test. Si des variantes d'un même document ou gabarit figurent dans les ensembles de développement et de test, le résultat renseigne peu sur de nouveaux fournisseurs ou formats. Séparez les données par famille documentaire, source ou période lorsque cela correspond au déploiement prévu. Le guide scikit-learn de validation croisée décrit des méthodes d'évaluation par groupes.
La matrice de confusion suivante est inventée pour expliquer l'analyse des erreurs. Les lignes indiquent les catégories attribuées par une personne, les colonnes les prédictions. Elle porte sur 100 documents lisibles, chacun appartenant à une seule des trois classes connues ; elle n'évalue ni les entrées inconnues ni une politique de vérification.
| Catégorie réelle | Prédiction facture | Prédiction bon de commande | Prédiction correspondance |
|---|---|---|---|
| Facture | 36 | 3 | 1 |
| Bon de commande | 2 | 27 | 1 |
| Correspondance | 4 | 2 | 24 |
Dans cette illustration, 87 étiquettes sur 100 sont correctes. Parmi les 42 documents prédits comme factures, 36 en sont : la précision pour cette classe est d'environ 85,7 %. Sur les 40 factures réelles, 36 sont retrouvées : le rappel est de 90 %. Ces nombres sont des exemples de calcul, pas des résultats de performance.
La documentation des métriques de classification explique précision, rappel, F1 et effectif. Examinez chaque classe et les erreurs concrètes. Dans l'exemple, de la correspondance envoyée en comptabilité peut créer un travail différent d'une facture envoyée vers la correspondance ; une exactitude globale ne décrit pas ce coût.
Le score d'un modèle n'est pas automatiquement la probabilité que sa décision soit correcte. Vérifiez son étalonnage sur des données étiquetées représentatives avant d'y voir une estimation fiable de confiance. Le guide scikit-learn sur l'étalonnage explique cette distinction. Un LLM qui se dit « sûr à 95 % » ne fournit pas cette preuve.
Fixez les règles d'acceptation selon la classe et les conséquences, puis évaluez le dispositif complet. Il peut exiger une extraction suffisante, un type d'entrée connu, une étiquette autorisée et un seuil de score testé. Un score plausible ne doit pas faire oublier du contenu manquant ou des indices contradictoires. Distinguez dans le résultat enregistré une catégorie inconnue, un contenu ambigu, un échec de traitement et un refus d'accès.
Mesurez la part des documents orientés automatiquement et le taux d'erreur parmi ceux-ci. Suivez aussi la part envoyée en vérification, les corrections, les cas non résolus et le délai de résolution. Relever un seuil peut réduire les erreurs automatiques tout en allongeant la file de vérification ; prévoyez les ressources humaines correspondantes.
Une catégorie métier comme facture ou correspondance n'est pas une classification de sécurité. Elle ne doit pas décider qui peut lire le document. Appliquez des règles d'accès applicatives fiables avant le traitement, lors du choix de la destination et lors de la présentation aux personnes chargées de la vérification.
De même, attribuer une étiquette ne doit pas déclencher un paiement, une approbation contractuelle ou une autre action importante sans ses contrôles propres. Conservez un lien entre la source, la version du texte extrait, les règles d'étiquetage, la version du modèle ou des règles et la décision finale. Limitez le contenu sensible dans les journaux et appliquez aux copies dérivées les règles de conservation et de suppression du document.
Lorsque les catégories changent, décidez comment migrer ou retraiter les enregistrements existants. Vérifiez qu'une nouvelle tentative de classification ne crée pas de tâches en double en aval. Si le modèle ou le service d'extraction est indisponible, conservez l'état de la tâche et appliquez le parcours d'échec ou de vérification défini.
Mesurez le parcours complet : extraction, classification, validation, vérification humaine, stockage et éventuelles nouvelles tentatives. Calculez le coût par document correctement orienté et le taux de cas non résolus. Une prédiction bon marché qui demande beaucoup de corrections manuelles peut être l'option la plus coûteuse au total.
Des règles simples et certains traitements de classification de texte peuvent être évalués sur CPU ; la taille du modèle, la longueur des entrées, les lots et les délais déterminent l'intérêt d'un GPU. Notre guide vCPU et cœur physique aide à interpréter la capacité d'une VM. Testez la méthode choisie sur des entrées représentatives plutôt que de dimensionner uniquement selon le nombre de fichiers.
Compute avec Hivenet fournit une infrastructure CPU et GPU pour les applications exploitées par le client. Pour un traitement sensible ou spécifique, Private AI avec Hivenet permet d'aborder les exigences concernant les données, le modèle, le déploiement et l'exploitation.
Préparez des documents représentatifs, les définitions des catégories, le volume attendu, les contraintes d'accès, le coût des erreurs et un test d'acceptation proposé avant de discuter du traitement avec Hivenet. Le premier pilote doit établir quels documents peuvent être orientés de façon fiable et lesquels nécessitent encore une vérification.
Choisissez une charge de travail d’IA, de calcul ou de stockage à tester sur Hivenet, ou échangez avec notre équipe sur sa mise en production.