> For the complete documentation index, see [llms.txt](https://docs.mindee.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.mindee.com/v2/fr/modeles-extraction/extraction-models-overview.md).
# Aperçu du modèle Extraction
Les modèles d’extraction permettent une extraction de données structurées basée sur des champs, configurable pour tout type de document.
## Qu’est-ce qu’un Modèles Extraction ?
Un **Modèles Extraction** produit sur la plateforme Mindee est un [modèle](/v2/fr/models/models-overview.md) conçu pour extraire des données structurées à partir de documents. Les modèles d’extraction traitent les informations textuelles à l’aide de la reconnaissance optique de caractères (OCR) et traitent la structure du document à l’aide d’informations visuelles (détection d’objets).
Cette double approche permet d’extraire simultanément des éléments textuels et visuels.
Chaque modèle définit un ensemble de champs appelé un [Aperçu du Schéma de données](/v2/fr/modeles-extraction/data-schema.md). Les champs peuvent inclure « Supplier Name », « Invoice Number » ou « Total Amount » pour un modèle de facture, par exemple. Le système identifiera ensuite et extraira les données des fichiers téléversés selon ces définitions de champs.
Les modèles d’extraction peuvent être utilisés pour tout type de document, notamment : factures, reçus, passeports, cartes d’identité, relevés financiers, [etc.](/v2/fr/cas-dusage/extraction-models.md).
Vous pouvez même extraire des données d’objets comportant des informations textuelles : distributeurs de carburant, jauges d’eau, compteurs kilométriques, compteurs électriques, etc.
Les modèles vous permettent d’automatiser le processus de transformation de documents non structurés en données structurées exploitables. Ils peuvent être adaptés à différents types de documents et besoins métier, afin de garantir que seules les informations pertinentes soient capturées pour vos flux de travail.
Chaque Modèles Extraction contient ces outils et fonctionnalités dédiés :
* [Aperçu du Schéma de données](/v2/fr/modeles-extraction/data-schema.md): un modèle est également défini par un Schéma de données, qui définit la liste des champs que l’API doit extraire pour un type de documents donné.
* [Apprentissage continu (RAG)](/v2/fr/modeles-extraction/optional-features/improving-accuracy.md): il permet à l’utilisateur de donner des instructions supplémentaires sur certains exemples présentant un comportement inattendu afin d’améliorer durablement les performances d’extraction du modèle.
* [Paramètres du modèle](/v2/fr/models/model-settings.md): paramètres globaux du modèle tels que la zone de traitement, la Politique de stockage, le transfert de propriété, etc.
## Créer un Modèles Extraction
Depuis la page principale de la plateforme Mindee, cliquez sur **« Créez votre modèle d’IA documentaire »**.
### Créer à partir du catalogue de modèles
Il y a de fortes chances que le document que vous essayez d’automatiser soit un type de document connu et qu’il soit déjà présent dans notre catalogue de modèles : facture, reçu, passeport, document financier, carte d’identité...\
\
Ce sont des gabarits de modèles avec des Schémas de données créés par notre équipe de Data Science, vous permettant de démarrer rapidement en utilisant un ensemble de champs prédéfinis.
Vous pouvez rechercher dans notre catalogue des modèles adaptés, puis cliquer simplement sur celui qui correspond le mieux à vos besoins. Cela créera un nouveau modèle dans le compte de votre organisation avec son propre ID de modèle, ce qui vous permettra de l’utiliser et de le modifier.
{% hint style="info" %}
**Les modèles du catalogue sont livrés avec des champs d’extraction génériques.**
Vous devrez probablement ajouter et/ou modifier des champs pour répondre à vos besoins et à votre cas d’usage.
{% endhint %}
### Créer un modèle personnalisé
Si aucun des modèles du catalogue ne répond à vos besoins, vous pouvez repartir de zéro.\
Lors de la création d’un nouveau Modèle, cliquez sur **« document personnalisé »**.
Ensuite, saisissez les informations requises pour créer le modèle personnalisé :
* Décrivez aussi précisément que possible le ou les documents que le modèle traitera.
et / ou
* Téléchargez jusqu’à 10 fichiers d’exemple représentatifs des documents à traiter.
Nous vous recommandons vivement de saisir la description du document **et** de téléverser au moins 3 fichiers.
Avec cette approche, l’agent IA pourra proposer 3 périmètres de document différents :
* **étroit**, correspondant précisément à un document spécifique, par exemple « US Driver License »
* **équilibré**, permettant une certaine variation des documents, par exemple « US Photo ID »
* **large**, gérant des types de documents variés, par exemple « International ID »
Choisissez celui qui représente le mieux votre cas d’usage.
En règle générale :
* un périmètre plus restreint donne de meilleures performances sur les documents correspondants, au détriment de performances plus faibles sur les documents atypiques.
* un périmètre plus large pourra gérer de nombreux types de documents différents, au détriment d’une précision moindre sur des données spécifiques.
Le classique dilemme « expert contre généraliste » !
Lorsque vous avez besoin de la précision supplémentaire d’un périmètre restreint **et** de la capacité à gérer plusieurs types de documents, utilisez la [fonction de chaînage](/v2/fr/modeles-classification/extraction-model-chaining.md) d’un [modèle Classification](/v2/fr/modeles-classification/classification.md).
{% hint style="info" icon="lightbulb" %}
**Nous recommandons de créer rapidement un modèle initial.**
Une fois créé, affinez le nouveau modèle [Aperçu du Schéma de données](/v2/fr/modeles-extraction/data-schema.md) sur la plateforme, en utilisant la [Live test](/v2/fr/models/live-test.md) fonctionnalité pour ajuster finement vos champs et vos consignes.
{% endhint %}
La création du modèle générera également son ID de modèle unique.
## Modifier votre Schéma de données d’extraction
Une fois que vous avez créé un modèle, vous souhaiterez probablement modifier son [Schéma de données](/v2/fr/modeles-extraction/data-schema.md) pour mieux répondre à vos besoins.
Même si le modèle a été créé à partir d’un modèle de gabarit du catalogue, il est unique à votre compte et entièrement personnalisable.
Accédez à la page du Schéma de données où vous pouvez ajuster les champs, mettre à jour les configurations et personnaliser les paramètres selon vos exigences.
### Utiliser l’Assistant IA
L’Assistant IA de Mindee est un outil puissant qui peut vous aider à tirer le meilleur parti de votre modèle. C’est la méthode privilégiée pour modifier le Schéma de données.
L’Assistant est disponible dans une boîte de dialogue sur la page du Schéma de données du modèle.
Soyez aussi précis que possible avec les noms des champs ; les noms et valeurs exacts doivent être entre guillemets.\
\
Exemples de phrases pour modifier votre schéma de données avec l’Assistant IA :
* *Ajouter un nouveau champ : "document id"*\
⇒ Créera un nouveau champ de texte.
* *Ajouter un nouveau champ : "is past due"*\
⇒ Créera un nouveau champ booléen\
Astuce : les noms des champs booléens doivent commencer par "is" ou "has".
* *Renommer le champ "date" en "invoice date"*
* *Modifier le champ "document\_type" en champ de classification. Les classes attendues sont "INVOICE" et "RECEIPT"*
## Optimiser les résultats du modèle
Afin d’optimiser la précision d’un modèle donné, la première étape consiste à [ajuster finement le Schéma de données](/v2/fr/modeles-extraction/data-schema-best-practices.md).
En particulier, commencez par demander à l’Assistant IA de [optimiser automatiquement](/v2/fr/modeles-extraction/data-schema-best-practices.md#automated-optimization) votre Schéma de données.
Si vous êtes parti d’un modèle du catalogue, il est généralement nécessaire de l’adapter à vos documents spécifiques et à votre cas d’usage.
Après cette étape, s’il reste encore certains problèmes ou comportements inattendus, d’autres améliorations sont possibles.
### Problèmes liés à des modèles spécifiques
Lorsque la précision globale est bonne, mais qu’il y a des problèmes sur certains modèles de documents spécifiques.
Pour cela, vous voudrez activer [Apprentissage continu (RAG)](/v2/fr/modeles-extraction/optional-features/improving-accuracy.md). Cela permet d’ajouter des indications à des modèles spécifiques, ce qui signifie que vous pouvez cibler les documents problématiques tout en laissant les autres inchangés.
### Précision élevée requise
Lorsque vous avez besoin d’une très grande précision pour tous les documents que vous traitez.
Envisagez d’activer [Score de confiance et exactitude améliorée](/v2/fr/modeles-extraction/optional-features/automation-confidence-score.md). Cela utilise plusieurs modèles pour une meilleure précision **et** et signale les champs problématiques.
Les champs signalés peuvent être envoyés pour [une revue humaine](#end-user-review) ou le document peut être entièrement rejeté, selon les règles métier définies de votre côté.
### Revue par l’utilisateur final
Mindee fournit les outils d’API pour créer dans vos applications des interfaces sophistiquées de revue de documents.
Par exemple, pour permettre à vos utilisateurs finaux de revoir et corriger les données des documents qu’ils ont téléversés sur votre plateforme.
Activer [Polygones (boîtes englobantes)](/v2/fr/modeles-extraction/optional-features/polygons-bounding-boxes.md) afin que l’emplacement des champs extraits puisse être affiché (cette option est toujours activée dans le [Live test](/v2/fr/models/live-test.md)).
Combinez cela avec [les scores de confiance](/v2/fr/modeles-extraction/optional-features/automation-confidence-score.md), pour indiquer directement dans votre interface utilisateur quels champs nécessitent une attention particulière.
Avec ces deux fonctionnalités, vos utilisateurs trouveront facilement les champs erronés et pourront les corriger.
### Avantages combinés
Ces fonctionnalités fonctionnent ensemble pour créer un système qui devient plus précis au fur et à mesure que vous l’utilisez, réduisant les corrections manuelles et améliorant les taux de réussite de l’automatisation.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://docs.mindee.com/v2/fr/modeles-extraction/extraction-models-overview.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.