> 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/optional-features/automation-confidence-score.md). # Score de confiance et exactitude améliorée ## Aperçu L' **Automatisation** fonctionnalité de la plateforme Mindee représente une avancée majeure dans l’amélioration à la fois de la **précision** et **fiabilité** de l’extraction des données documentaires. Conçue pour prendre en charge des workflows d’automatisation robustes et évolutifs, cette fonctionnalité repose sur deux capacités essentielles : 1. **Précision renforcée** à l’aide d’algorithmes d’ensemble de modèles 2. **Score de confiance** pour tous les types de champs extraits L’Automatisation vise à résoudre deux défis courants du traitement intelligent des documents : * **Maximiser la qualité de l’extraction** face à des formats de documents variables et bruités * **Fournir des signaux de confiance exploitables** afin que les systèmes puissent gérer correctement les extractions incertaines En combinant plusieurs modèles et en analysant leur accord, l’Automatisation garantit que la prédiction la plus fiable est sélectionnée pour chaque champ, tout en communiquant de manière transparente le niveau de confiance du système dans cette prédiction. ## Cas d'utilisation ### Automatisation complète En tirant parti **des seuils de score de confiance**, vous pouvez **automatiser sélectivement les décisions** dans votre pipeline de traitement, en déclenchant des actions en aval uniquement lorsque les extractions atteignent un niveau de fiabilité prédéfini. Par exemple, les champs marqués d’un `High` ou `Certain` score de confiance peuvent être automatiquement approuvés et transmis à votre système ERP ou CRM, tandis que les extractions avec `Low` ou `Medium` une faible confiance peuvent être orientées vers une révision humaine ou une logique de repli. Ce mécanisme de filtrage sélectif permet aux équipes de mettre en place **des flux entièrement automatisés** pour des documents propres et prévisibles, tout en gérant avec souplesse les cas particuliers. #### **Exemples de cas d’usage**: * Validation automatique des totaux de facture et des champs de taxe avant l’ingestion dans un système comptable * Approbation automatique des extractions de documents d’identité pour le KYC lorsque la confiance est élevée * Signalement automatique des noms de fournisseurs ou des dates à faible confiance pour vérification manuelle ### Validation humaine efficace Pour que les niveaux de confiance soient facilement compris par les utilisateurs finaux, chaque score de confiance renvoyé par l’Automatisation peut être associé à un **indicateur codé par couleur**.\ Ce retour visuel est particulièrement utile dans les workflows pilotés par l’interface utilisateur, où les opérateurs doivent parcourir, valider ou corriger rapidement les extractions. Le jeu de couleurs par défaut est le suivant : | Niveau de confiance | Libellé | Code couleur | Action suggérée | Description | | ------------------- | --------- | ------------ | --------------------------------- | --------------------------------------------------------------------------------------------- | | 🟦 Certain | `Certain` | Bleu | Sans risque pour l’automatisation | Confiance totale, précision au niveau humain | | 🟩 Élevé | `High` | Vert | Peut être traité automatiquement | Le consensus des modèles est fort ; la prédiction est probablement exacte. | | 🟧 Moyen | `Medium` | Orange | Révision facultative | Une certaine confiance, mais le contexte ou le format peuvent affecter l’exactitude. | | 🟥 Faible | `Low` | Rouge | Révision manuelle requise | L’extraction est incertaine ou probablement incorrecte. Le désaccord entre modèles est élevé. | Ce système de codage par couleur permet aux équipes produit de **mettre en évidence l’incertitude directement dans l’interface utilisateur**, ce qui permet de prendre des décisions plus rapidement, de réduire la charge cognitive et de simplifier la gestion des exceptions. ## Activer les scores de confiance ### Activer les scores de confiance sur la plateforme {% @supademo/embed url="" demoId="cmeie3irw9fe7h3pytuktflxs" %} ### Activer les scores de confiance via des appels API {% hint style="info" %} Lorsque la **Automatisation** fonctionnalité n’est pas activée, l’ `confidence` attribut dans la réponse sera toujours `null`. {% endhint %} ### Utilisation des scores de confiance dans le traitement Vous pouvez facilement ajouter diverses règles métier et/ou de logique de traitement dans votre code pour gérer des workflows complexes. Consultez la [Résultat d'Extraction](/v2/fr/modeles-extraction/sdk-integration/extraction-result.md#confidence) section pour plus de détails sur l’implémentation. ## Vers 100 % d’automatisation En combinant l’automatisation fondée sur la confiance avec la **boucle d’apprentissage continu alimentée par la RAG**, vous pouvez faire évoluer vos workflows vers **une automatisation proche de 100 %**. Les extractions à faible confiance ne sont pas seulement signalées pour validation humaine, mais servent également de signaux de retour pour affiner les modèles de manière dynamique, grâce à la génération augmentée par récupération et au réentraînement ciblé. Cela crée un cercle vertueux dans lequel chaque cas incertain contribue aux améliorations futures de précision, réduisant progressivement l’intervention manuelle et élargissant le périmètre des prédictions de confiance. ## Foire aux questions ### Comment le score de confiance est-il calculé ? Le score de confiance dans l’Automatisation est une mesure de fiabilité fondée sur le consensus, et non une simple probabilité. Il est calculé en analysant le niveau d’accord entre plusieurs modèles, chacun entraîné indépendamment ou selon des stratégies complémentaires, sur le même champ de document. Lorsque ces modèles produisent des prédictions correspondantes ou très similaires, la confiance est élevée. Lorsqu’ils divergent fortement, la confiance diminue. En outre, un modèle dédié d’arbitrage et de correction agit comme arbitre : il prend toutes les prédictions, compare leur cohérence structurelle et sémantique, et attribue un niveau de confiance final (`faible`, `moyen`, `élevé`, ou bientôt `certain`). ### L’Automatisation introduit-elle une latence supplémentaire ? Oui, l’Automatisation introduit une certaine latence supplémentaire, mais dans la plupart des cas, celle-ci reste minime. En effet, l’ensemble des modèles utilisés pour la prédiction est exécuté en parallèle, ce qui nous permet de maintenir des temps de réponse proches de ceux d’un pipeline à modèle unique. Cependant, selon le nombre et la complexité des modèles impliqués, ou le type de document, la latence peut parfois être quelques fois plus longue qu’un appel standard. Le compromis est intentionnel : un temps de traitement légèrement plus long en échange d’une meilleure précision et de métadonnées plus riches, y compris le score de confiance. ### Que dois-je faire avec les extractions à faible confiance ? Nous recommandons d’orienter `Medium` et les extractions à plus faible confiance vers une couche de validation humaine, ou d’utiliser une logique de repli (p. ex., valeurs par défaut, saisie utilisateur). Les extractions à plus faible confiance sont d’excellentes candidates à l’amélioration guidée par les retours grâce à notre boucle d’apprentissage continu utilisant la fonctionnalité RAG. ### L’Automatisation fonctionne-t-elle avec n’importe quel type de documents ou de champs ? L’Automatisation est entièrement compatible avec tous les types de documents et les champs extraits pris en charge par Mindee.\ Chaque champ extrait, qu’il s’agisse d’un texte, d’un nombre, d’une date, d’un montant ou de tout autre type de donnée, bénéficie de la même logique d’évaluation par ensemble et de calcul du score de confiance. Cette approche cohérente garantit une expérience développeur uniforme et prévisible, quel que soit le format du document ou le cas d’usage. De plus, les objets imbriqués et les tableaux d’objets (p. ex., `line_items` dans les factures ou les tableaux des reçus) reçoivent également des scores de confiance individuels par champ, ce qui permet un contrôle granulaire des structures de données complexes. --- # 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 dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.mindee.com/v2/fr/modeles-extraction/optional-features/automation-confidence-score.md?ask= ``` The question should be specific, self-contained, and written in natural language. 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.