Introduction à Document AI

Pourquoi Document AI change la donne

Une compagnie d’assurance reçoit chaque matin plusieurs centaines de déclarations de sinistre : des formulaires scannés de travers, des constats remplis au stylo, des photos de factures prises au téléphone. Le même problème se répète dans les banques avec les relevés, dans les hôpitaux avec les dossiers patients, dans l’administration avec les formulaires. Pendant des décennies, la reconnaissance optique de caractères (OCR) traditionnelle a tenté de résoudre ce problème, avec des résultats souvent décevants dès que la mise en page se complique, que l’écriture est manuscrite ou que le document mêle plusieurs langues.

Mistral AI a développé Document AI pour traiter ce type de flux. Il ne s’agit pas d’un OCR de plus : la solution combine un modèle de vision (VLM) spécialisé avec des capacités d’extraction structurée et d’intelligence documentaire. Autrement dit, elle ne se contente pas de lire les caractères, elle restitue le document tel qu’il est organisé et vous permet ensuite de l’interroger.

Les trois services de Document AI

Document AI repose sur trois services complémentaires, tous accessibles via l’API Mistral, et il est utile de comprendre dès maintenant comment ils s’enchaînent.

Le premier, l’OCR Processor, est le cœur du système. Le modèle mistral-ocr-latest (OCR 4) extrait le texte depuis des documents scannés, des PDF, des images et des présentations. Là où un OCR classique comme Tesseract vous rend une bouillie de lignes, il préserve la structure : titres, paragraphes, tableaux, listes, hyperliens. Reprenez la déclaration de sinistre : vous récupérez le formulaire avec ses sections identifiées, pas un bloc de texte à démêler.

Le deuxième service, les annotations documentaires, prend le relais pour extraire des données exploitables. Vous définissez un schéma Pydantic — nom du patient, montant de la facture, clauses contractuelles — et le modèle remplit ces champs automatiquement. On passe du texte lisible à des valeurs typées qu’un système d’information peut ingérer.

Le troisième, Document QnA, combine l’OCR avec un LLM Mistral pour poser des questions en langage naturel sur le contenu. C’est ce qui permet à un juriste de demander « quelle est la durée du préavis de résiliation ? » plutôt que de relire quarante pages, et c’est le mode d’accès naturel à des archives volumineuses ou à des rapports que l’on veut comparer.

OCR classique contre Document AI

L’OCR traditionnel, qu’il s’agisse de Tesseract ou d’Adobe Acrobat, fonctionne par reconnaissance de motifs, pixel par pixel. Ce principe suffit sur une page imprimée bien nette, mais il s’effondre dès qu’on sort de ce cas idéal. Un journal en colonnes multiples, avec des en-têtes imbriqués et des encarts illustrés, produit un texte dont l’ordre de lecture n’a plus de sens. Une note de médecin manuscrite ou un formulaire rempli à la main restent illisibles pour lui. Les tableaux dont les cellules sont fusionnées, les bordures absentes ou les alignements irréguliers perdent toute relation entre colonnes et rangées. Ajoutez un document mélangeant scripts latin, arabe et asiatique, ou un scan bruité, penché et flou, et le taux d’erreur devient rédhibitoire.

Document AI s’appuie sur un modèle de vision fine-tuné (VLM) qui comprend la sémantique du document. Il ne reconnaît pas seulement des caractères : il saisit la structure, le contexte et les relations entre les éléments. C’est cette différence de nature, et non un simple gain de précision, qui explique les résultats sur les cas difficiles.

Une sortie en Markdown structuré

Autre différence fondamentale : Document AI produit du Markdown structuré, pas du texte brut. Chaque page est restituée avec son contenu textuel balisé — titres, listes, paragraphes —, ses tableaux formatés en Markdown ou en HTML, les images extraites accompagnées de leur position, les hyperliens préservés, et, si vous le souhaitez, les en-têtes et pieds de page isolés du corps. Cette sortie est directement exploitable : vous pouvez l’indexer dans une base vectorielle pour du RAG, l’archiver ou l’afficher telle quelle, sans étape de nettoyage intermédiaire.

Côté formats acceptés en entrée, le service couvre les PDF (scannés comme natifs), les images PNG, JPEG et AVIF, les présentations PPTX et les documents DOCX. La taille maximale est de 50 Mo par fichier, avec un plafond de 1 000 pages — deux limites à garder en tête au moment de découper vos lots.

Ce que vous allez apprendre

Le cours suit l’ordre des trois services. Les leçons 1 à 3 posent la vue d’ensemble, le modèle OCR 4 et les cas d’usage. Les leçons 4 à 8 approfondissent l’OCR : l’API, le code Python, les tableaux, les headers et footers, l’optimisation de la précision. Les leçons 9 à 12 traitent les annotations, de l’extraction de métadonnées au batch processing. Les leçons 13 à 16 abordent le QnA documentaire, du document unique au multi-documents, jusqu’à l’intégration RAG et au pipeline de production.

Points clés à retenir

• Document AI combine OCR, annotations structurées et QnA en une seule solution
• Le modèle OCR 4 dépasse largement les solutions OCR traditionnelles en précision et flexibilité
• La sortie Markdown structurée facilite l’intégration dans vos pipelines existants
• Trois services complémentaires couvrent l’ensemble du cycle de vie documentaire