Comment fonctionne l'extraction de données par IA
L'outil convertit d'abord le document en texte : la couche texte d'un PDF est lue directement, et les pages scannées ainsi que les fichiers JPG, PNG et WebP passent par l'OCR. Le texte est ensuite confié à un modèle de langage avec un schéma JSON listant les champs, et le modèle doit répondre par un JSON conforme à ce schéma.
Les valeurs proviennent uniquement du document. Si un champ n'y figure pas, il revient à null ou en liste vide plutôt qu'en supposition, et les dates et montants sont normalisés pour aller directement dans un tableur ou une base de données. Le modèle tourne sur les propres serveurs de FileConvertLab ; le traitement des fichiers envoyés est décrit dans la politique de confidentialité.
Modèles prêts à l'emploi
Cinq modèles couvrent les documents qu'on ressaisit le plus souvent. Le modèle facture renvoie fournisseur, client, numéro, dates d'émission et d'échéance, devise, sous-total, taxes, total et chaque ligne. Le modèle CV renvoie coordonnées, compétences, expérience et formation ; le modèle contrat renvoie parties, dates, durée, conditions de paiement, droit applicable, obligations et signataires.
Le modèle fiche produit rassemble références, dimensions, matériaux, caractéristiques techniques et certifications des fiches techniques, et le modèle article scientifique renvoie titre, auteurs, revue, DOI, résumé, mots-clés, méthodes et principaux résultats. Pour que des tableaux restent des tableaux, PDF en Excel est plus adapté.
Votre propre schéma
Si aucun modèle ne convient, choisissez Schéma personnalisé et décrivez les champs en JSON Schema : un objet avec des properties, chacune avec un type (string, number, boolean, array ou object) et une description facultative qui indique au modèle quoi chercher. Les objets imbriqués et les listes d'objets sont pris en charge, jusqu'à quatre niveaux et 60 champs.
Chaque liste est limitée à un nombre fixe d'éléments et chaque champ texte à une longueur fixe, pour que la réponse se termine toujours. Choisissez des noms de champ courts et parlants : le modèle voit noms et descriptions, donc « delivery_date » décrit par « YYYY-MM-DD » fonctionne mieux que « d1 ». Le même schéma peut être envoyé via l'API dans des traitements automatisés.
Limites
Toutes les pages sont lues, dans la limite de pages de votre offre. Si un document très long dépasse le temps de traitement, le résultat couvre les pages lues jusque-là et le signale. Les fichiers peuvent peser jusqu'à 50 Mo. Les scans passent d'abord par l'OCR : un scan net et droit donne de meilleurs résultats qu'une photo de biais.
Les modèles de langage peuvent mal lire ou manquer des valeurs, surtout sur des scans de mauvaise qualité et des mises en page inhabituelles. Vérifiez les chiffres importants sur le document avant de les utiliser. Pour rendre un scan interrogeable plutôt qu'en extraire des champs, utilisez OCR PDF.