Plateforme d'extraction documentaire
Création d'une plateforme d'extraction et d'anonymisation de documents, propulsée par l'OCR et les LLM.
CONTEXTE ET ENJEUX
Le projet
Un acteur du secteur de la santé souhaitait valoriser le contenu de ses comptes rendus médicaux (PDF, scans, tableurs) pour constituer des bases de données structurées, exploitables à des fins d’analyse et de recherche. Le produit, actuellement en phase d’incubation, transforme des documents hétérogènes en données médicales prêtes à l’emploi, avec la confidentialité au cœur de la conception.
Les défis initiaux
- L’extraction des variables médicales se faisait à la main, document par document, avec un risque d’erreur élevé et un coût humain important.
- Des documents sensibles, qui imposent d’intégrer la protection des données au cœur du produit plutôt que de la traiter après coup.
- Sur des données médicales, chaque valeur extraite par l’IA doit pouvoir être vérifiée et validée par un humain avant d’intégrer la base.
Solution mise en œuvre
1. Un pipeline d’extraction automatisé
Problématique :
Transformer des documents bruts et hétérogènes en variables médicales structurées.
Solutions clés :
- Prise en charge des PDF, scans et tableurs.
- L’OCR et les LLM en extraient automatiquement les variables attendues, selon les besoins définis par chaque structure.
Résultats :
- Le document importé ressort en variables structurées, sans ressaisie.
- Chaque structure définit ses propres types de documents et variables à extraire.
2. Anonymisation intégrée au flux
Problématique :
Concilier IA générative et données personnelles.
Solutions clés :
- L’anonymisation fait partie intégrante du flux de traitement, pas d’une étape optionnelle.
Résultats :
- Le meilleur des deux mondes : la puissance de l’IA générative, la maîtrise des données personnelles.
- Un choix d’architecture qui prépare le terrain pour les démarches réglementaires du produit.
3. Validation humaine assistée
Problématique :
Garantir la qualité des données extraites par l’IA avant leur intégration dans les bases d’analyse.
Solutions clés :
- Chaque extraction passe par un reviewer humain, qui valide ou corrige.
- L’outil concentre son attention là où elle compte.
Résultats :
- Aucune valeur n’intègre la base sans validation humaine.
- Le reviewer contrôle au lieu de tout saisir.
4. Interroger ses documents en langage naturel
Problématique :
Retrouver une information dans des centaines de documents, sans en connaître les termes exacts.
Solutions clés :
- Les contenus anonymisés sont vectorisés pour permettre une recherche par proximité de sens.
- Un assistant conversationnel, en beta, s’appuie sur cette base pour répondre aux questions posées en langage courant (RAG).
Résultats :
- Une brique qui s’affine au fil de l’incubation, nourrie par les retours des premiers utilisateurs.
- Une approche explorée plus largement dans notre article Faire parler ses documents métier grâce au RAG.
STACK TECHNIQUE
- Backend : FastAPI, PostgreSQL
- Frontend : React, TypeScript, Tailwind CSS
- IA : LLM, RAG, recherche vectorielle, NER, OCR
- Sécurité : Chiffrement, 2FA, RBAC, journal d’audit
- Infrastructure : Docker
- Tests : Pytest, CI/CD
MÉTHODOLOGIE
Approche produit :
- Séparation stricte entre règles métier, cas d’usage et infrastructure, pour un produit qui grandit sereinement dès l’incubation.
- Livraisons itératives : déploiement progressif par modules, tests automatisés systématiques.
- Un accompagnement pensé sur la durée : chaque brique se consolide avec les retours du terrain, au rythme du cycle de vie du produit.
IMPACT ATTENDU
Le produit est en phase d’incubation : dans ce secteur, la mise en service prend le temps qu’elle mérite. Les bénéfices visés :
Pour les utilisateurs :
- Une revue guidée des extractions qui remplacerait des heures de saisie manuelle.
- Import, extraction, revue et export réunis dans une interface unique.
Pour la structure :
- Des comptes rendus dormants qui deviendraient des bases structurées et exploitables.
- Une plateforme dimensionnée pour absorber des volumes croissants de documents.
Pour l’équipe technique :
- Architecture documentée et couverte par les tests.
- Une stack IA moderne au service d’un cas d’usage médical concret.