L'OCR

Vous scannez un jugement.

• Pour vous : Un document lisible.
• Pour la machine : Une image (des millions de pixels).

Si vous recherchez un mot dans un PDF scanné : Aucun résultat parce que les mots ne sont pas du texte. Ce sont des « tâches de noir ».

• L'OCR (Optical Character Recognition) ou reconnaissance optique de caractères transforme une image en texte exploitable.

Sans OCR :

• Vos PDF scannés sont « muets ».

Avec OCR, vos documents peuvent « parler » :

• Recherche
• Indexation
• Analyse IA
• Extraction automatique

• L'IA ne commence pas avec l'algorithme. Elle commence avec un document lisible par la machine.

L'image d'un scan n'est jamais parfaite : page de travers, fond grisâtre, ombres de reliure sur les bords…

L'OCR commence par :

• Redresser
• Passer en noir & blanc
• Supprimer le “bruit”

• Un scan mal nettoyé, c'est comme lire un fax des années 90. Compliqué même pour une machine.

L'OCR ne lit pas tout d'un seul tenant.

Le système isole un par un (dans l'ordre) :

• chaque bloc de texte,
• chaque ligne,
• chaque mot,
• chaque caractère.

• Comme lire un sommaire avant un livre. On comprend la structure avant d'entrer dans le détail.

Chaque caractère est comparé à des millions d'exemples appris (mal imprimé, manuscrit, Calibri, Arial…) :

Le système ne dit jamais : “C'est un B.”

• Il dit : B à 94 %
• 8 à 3 %

L'OCR, ce n'est pas une certitude. C'est une probabilité.

Exemple : “Tribunal de grande 1nstance”

Le système hésite : 1 ? i ? l ?

Il regarde le contexte :

• « 1nstance » n'existe pas.
• « Instance » oui.

• Il corrige. Comme lorsque nous lisons vite et reconstituons instinctivement un mot.