Sortie structurée (extraction JSON)

L'extraction structurée (extraction JSON) désigne le processus qui consiste à convertir les informations d'un document, qu'il soit scanné, photographié ou nativement numérique, en un format exploitable par une machine, comme le JSON, conforme à un schéma défini. Plutôt que de renvoyer du texte libre ou un amas de caractères issus de l'OCR, le système restitue des champs comme numero_facture, montant_total ou date_echeance, avec des valeurs déjà typées et organisées. Le résultat est directement exploitable par les systèmes en aval (ERP, CRM, bases de données) sans traitement supplémentaire.

Comment ça marche

Un pipeline d'extraction structurée démarre avec un schéma : une liste de champs, leurs types (chaîne, nombre, date, tableau) et parfois des règles de validation (un SIRET doit comporter 14 chiffres, une date doit se situer dans une plage donnée). Le document est ensuite soumis à un moteur d'extraction, historiquement de l'OCR couplé à un traitement par règles, plus récemment un LLM multimodal capable de lire mise en page et texte conjointement.

Le modèle ou le pipeline fait correspondre ce qu'il trouve dans le document au schéma, produisant un objet JSON plutôt qu'une simple retranscription. Certains systèmes imposent le schéma de manière stricte dès la génération (décodage contraint, API de function-calling), ce qui empêche le modèle de renvoyer un JSON mal formé ou d'inventer des champs supplémentaires. D'autres génèrent librement puis valident après coup, en rejetant ou en signalant les résultats non conformes.

Les structures imbriquées et répétées comptent particulièrement ici. Une facture comporte des lignes de détail, chacune avec sa propre quantité, description et prix. Un contrat peut comporter des parties, des clauses et des conditions de renouvellement sous forme d'objets imbriqués. Un bon système d'extraction gère ces structures sans les aplatir en une seule ligne illisible.

Des scores de confiance sont souvent associés à chaque champ, de sorte qu'un montant_total à faible confiance peut être envoyé en relecture humaine, tandis que les champs à forte confiance passent directement. C'est ce qui distingue une démonstration d'un système en production : le schéma, la validation et la logique d'orientation autour de l'extraction brute.

Pourquoi c'est important pour le traitement documentaire

Un résultat en texte libre issu d'un LLM ou d'un moteur OCR n'est pas directement utilisable par un système métier. Quelqu'un doit encore l'analyser, ce qui réintroduit le travail manuel que l'automatisation était censée supprimer. L'extraction structurée referme cet écart : c'est elle qui permet à une facture extraite de s'intégrer directement dans un logiciel de comptabilité, ou à un document KYC extrait d'alimenter un dossier de conformité sans qu'un humain ne ressaisisse les chiffres.

Elle rend aussi l'automatisation auditable. Un schéma fixe signifie que chaque extraction peut être vérifiée par rapport à des règles de validation, journalisée pour constituer une piste d'audit, et comparée entre documents pour une validation croisée entre documents. Sans structure, rien de tout cela n'est réalisable à grande échelle.

Le piège, c'est qu'une structure sans exactitude n'est qu'une donnée erronée soigneusement mise en forme. La conformité au schéma et l'exactitude factuelle sont deux problèmes distincts, et un système qui ne résout que le premier peut être dangereux dans des domaines comme les sinistres d'assurance ou l'analyse de contrats, où un chiffre erroné dans un champ apparemment valide passe inaperçu plus longtemps.

Termes associés

• Inférence de schéma
• Extraction zero-shot
• Score de confiance
• LLM multimodal
• Reconnaissance d'entités nommées (NER)

FAQ

L'extraction structurée, est-ce la même chose que l'OCR ?

Non. L'OCR convertit des pixels en texte ; elle n'a aucune notion de schéma ni de sens des champs. L'extraction structurée reprend ce texte (ou l'image brute, dans les systèmes les plus récents) et fait correspondre des éléments précis à des champs nommés, dotés de types définis. On peut avoir un OCR parfaitement fiable et pourtant n'obtenir aucune extraction structurée exploitable, si rien ne relie ce texte à un schéma.

Comment empêcher le modèle d'halluciner une valeur absente du document ?

Il faut utiliser une génération contrainte ou des API de function-calling qui forcent le modèle à ne puiser que dans le contexte fourni, ajouter des scores de confiance par champ, et valider les résultats par rapport à des formats connus (dates, numéros fiscaux, devises). Voir hallucination LLM pour une explication plus complète des raisons de ce phénomène et de la façon dont les règles de validation l'interceptent avant qu'il n'atteigne un système en aval.