OCR (Reconnaissance Optique de Caractères)

L'OCR (Optical Character Recognition), ou reconnaissance optique de caractères, est une technologie qui analyse des images contenant du texte — scans, photos de documents, captures d'écran, PDF scannés — et les convertit en texte numérique éditable, indexable et interrogeable. Les systèmes OCR modernes combinent des réseaux de neurones convolutifs pour la détection de caractères et des modèles de langage pour la correction contextuelle des erreurs de reconnaissance.

Les moteurs OCR les plus performants incluent Tesseract (open source), Google Cloud Vision OCR, AWS Textract, Azure Computer Vision et les modèles multimodaux comme GPT-4 Vision ou Claude qui gèrent l'OCR nativement dans le cadre d'un traitement plus large. La précision de l'OCR dépend de la qualité de l'image source, de la police utilisée, de la présence de bruit ou d'inclinaison, et de la langue du document.

Dans un contexte d'automatisation des processus métier (RPA), l'OCR est une brique fondamentale pour numériser des workflows encore basés sur des documents papier ou des PDF image : traitement automatique de factures (extraction du montant, date, fournisseur), numérisation de fiches de paie, extraction de données depuis des rapports au format PDF, ou indexation de fonds documentaires historiques. Associé à un LLM, l'OCR permet des workflows de compréhension documentaire end-to-end très puissants.