L'extraction de documents

Un moteur de reconnaissance regarde une image et devine. Ici, rien n'est regardé et rien n'est deviné : on suit les opérateurs de texte et les tables de correspondance que le fichier porte lui-même. Chaque signe est nommé par le document, pas identifié par ressemblance.

L'ordre de lecture peut venir de deux sources indépendantes : ce que le document déclare, ou la géométrie de ce qu'il peint sur la page. Les deux s'exécutent séparément, et on les compare.

Aucun modèle

Pas de reconnaissance, pas de probabilité, pas de seuil.

Deux autorités

Deux méthodes indépendantes, comparées l'une à l'autre.

L'échec est franc

Si le document ne déclare rien, la lecture échoue au lieu de produire silencieusement par un autre moyen.

La sortie porte son choix

Chaque résultat s'ouvre sur la méthode réellement employée pour le produire.

• Ingénierie documentaire
• Recherche de preuve en contentieux
• Migration d'archives, alimentation de systèmes documentaires

• Les extracteurs de texte libres sont gratuits et matures pour sortir du texte brut d'un document vectoriel. Nous ne les battons pas là-dessus, et nous ne le prétendrons pas. Si vous avez seulement besoin du texte brut, prenez l'outil gratuit — nous vous le dirons.
• Ce que nous apportons et qu'ils ne font pas : le contrôle par une seconde méthode indépendante, le déterminisme — deux exécutions donnent le même octet — et l'absence totale de dépendance externe.
• Ces mesures portent sur un document porteur de texte vectoriel. Une page scannée est une image : elle ne contient aucun opérateur de texte, donc rien à lire. C'est un autre chemin technique, et il n'est pas couvert ici.
• Ce qui est présenté ici est la lecture — signes nommés, mots exacts, contrôle croisé, reproductibilité. Pas la restitution de l'apparence.

Deux méthodes de lecture indépendantes — la structure que le document déclare, la géométrie de ses poses — lisent exactement les mêmes mots. Aucun moteur de reconnaissance ne peut être contrôlé de cette façon : il n'a qu'une seule méthode, son modèle.

Lire un document, et le contrôler par une seconde méthode

Elle tourne sur votre propre fichier, devant vous. Nous n'apportons pas le document.

⚖ Droit

C'est la lecture la plus forte du site. Une extraction contestée doit être justifiable, pas seulement fiable. Un moteur de reconnaissance n'oppose que sa confiance, produite par le mécanisme même qu'il faudrait contrôler. Ici deux méthodes indépendantes produisent le même texte, et deux exécutions produisent le même octet : la partie adverse dispose d'un moyen concret de nous contredire — exhiber un désaccord de contenu.

☉ Psychologie

Un outil qui refuse franchement est plus reposant qu'un outil qui produit toujours quelque chose. Le second oblige à une vigilance permanente — est-ce que ce résultat est bon ? — que le premier retire.

✦ Philosophie

Un système à autorité unique ne peut pas se contrôler lui-même : sa confiance est produite par le mécanisme même qu'il faudrait vérifier. Deux chemins indépendants qui convergent constituent une preuve d'une autre nature — non pas plus forte, mais d'un autre genre, parce qu'elle est réfutable.

∿ Statistique

« 995 ‰ d'exactitude » se lit sur un étalon donné, et « zéro désaccord de contenu » ne porte que sur les documents où les deux méthodes sont exécutables — ce qui exclut, par construction, les documents qui ne déclarent rien. Le chiffre le plus solide n'est pas le taux mais le zéro, parce qu'un seul contre-exemple le renverse.

✑ Langue & transmission

Un texte lu plutôt que reconnu redevient citable : on peut dire d'où vient chaque signe, et par quelle méthode. Une citation dont on ne peut pas établir la provenance n'est pas une citation.