Comment vérifier la fidélité d’une conversion documentaire IA ?

Une conversion documentaire réussie doit conserver les informations nécessaires à l’usage du document. Obtenir un fichier lisible ou correctement structuré ne suffit pas : des champs, des options ou des relations peuvent avoir disparu sans rendre le résultat visuellement suspect.

Je propose de vérifier séparément la validité du format, la couverture du contenu et la justesse des informations. Ces contrôles répondent à des questions différentes et doivent rester lisibles dans le bilan.

Construire une référence avant l’essai

Exemple fictif. Une fiche de contrôle comporte un statut, une observation libre et une action à prévoir. Une conversion récupère le titre et le statut mais oublie l’espace prévu pour l’observation. La fiche paraît propre ; elle ne permet pourtant plus de recueillir tout ce qui était demandé.

La référence doit donc recenser les informations et les fonctions à conserver, y compris lorsqu’elles ne sont pas encore remplies. Elle précise aussi les liens : quelle observation appartient à quel contrôle, quelle option correspond à quelle question.

Un simple décompte de mots ne décrit pas cette structure métier.

Choisir un convertisseur selon la sortie attendue

MarkItDown, publié par Microsoft, convertit des documents en Markdown pour l’analyse textuelle. Son projet précise que cet objectif n’est pas celui d’une conversion visuelle haute fidélité. Une extraction utile à un agent peut donc être insuffisante pour remettre un document à un client.

Le manuel de Pandoc signale également les pertes possibles entre formats, notamment quand le format cible représente moins de structures que le format d’origine. Le choix du convertisseur doit partir des éléments à conserver : cellules fusionnées, notes, liens, hiérarchie ou présentation. La grille ci-dessous sert à vérifier ce choix sur vos documents.

Préparer une grille de fidélité

Définissez les éléments comptés avant de calculer un taux de couverture. Le dénominateur fait partie du résultat : comparer des scores portant sur des éléments différents ne mesure pas la même propriété.

Garder les étapes visibles

Lorsqu’un traitement commence par extraire le texte d’un document, examinez cette sortie intermédiaire. Une information perdue pendant l’extraction ne peut pas être attribuée automatiquement au modèle qui traite ensuite ce texte.

Conservez la source, l’extraction, le résultat proposé et les erreurs de validation. Le diagnostic peut alors distinguer une lecture incorrecte, une omission pendant la transformation et un rejet à l’import.

Ces fichiers de travail doivent rester dans un espace adapté à la sensibilité des documents, avec une durée de conservation définie.

Comparer les variantes sans masquer les régressions

Modifiez un facteur à la fois lorsque vous cherchez à expliquer un écart : extraction, consigne, modèle ou règle de validation. Répétez les essais et gardez les cas où la nouvelle variante fait moins bien.

Une meilleure couverture peut demander davantage de temps. Pour parler de gain global, mesurez aussi la relecture et les corrections. La durée du traitement seule ne décrit pas le coût du travail terminé.

Valider avec le métier

Les scores automatiques servent à localiser les écarts. Une personne doit confirmer que les éléments contrôlés sont bien ceux dont l’usage a besoin. Un document peut passer un test technique tout en étant inexploitable dans le processus réel.

Avant un import en volume, définissez les erreurs qui imposent une revue ou un refus. La mise en page fera ensuite l’objet de sa propre vérification : un contenu fidèle et un document facile à utiliser sont deux résultats à examiner.