> 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 Le **Automatisation** fonctionnalité de la plateforme Mindee représente une avancée majeure pour améliorer à la fois la **précision** et **fiabilité** de l’extraction de données de documents. Conçue pour prendre en charge des workflows d’automatisation robustes et évolutifs, cette fonctionnalité repose sur deux capacités fondamentales : 1. **Précision améliorée** grâce à des 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 niveau d’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’usage ### Automatisation complète En tirant parti des **seuils de score de confiance**, vous pouvez **automatiser sélectivement les décisions** dans votre pipeline de traitement, en déclenchant les actions en aval uniquement lorsque les extractions atteignent un niveau de fiabilité prédéfini. Par exemple, les champs marqués d’un `Élevé` ou `Certain` score de confiance peuvent être approuvés automatiquement et envoyés à votre système ERP ou CRM, tandis que les extractions avec un `Faible` ou `Moyen` niveau de confiance peuvent être orientées vers une vérification 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 les cas limites avec fluidité. #### **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 une vérification manuelle ### Validation humaine efficace Pour que les niveaux de confiance soient facilement compris par les utilisateurs finaux, chaque score de confiance renvoyé par 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 consulter, valider ou corriger rapidement les extractions. Le code couleur 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 de niveau humain | | 🟩 Élevé | `Élevé` | Vert | Peut être traité automatiquement | Le consensus entre les modèles est fort ; la prédiction est probablement exacte. | | 🟧 Moyen | `Moyen` | Orange | Revue facultative | Une certaine confiance, mais le contexte ou le format peuvent affecter la justesse. | | 🟥 Faible | `Faible` | Rouge | Vérification manuelle requise | L’extraction est incertaine ou probablement incorrecte. Le désaccord entre les modèles est élevé. | Ce système de codage couleur permet aux équipes produit de **mettre directement en évidence l’incertitude dans l’interface utilisateur**, ce qui permet de prendre des décisions plus rapides, de réduire la charge cognitive et de rationaliser la gestion des exceptions. ## Activer les scores de confiance Pour de meilleurs résultats, veillez à suivre le [Bonnes pratiques du schéma de données](/v2/fr/modeles-extraction/data-schema-best-practices.md) avant d’activer cette fonctionnalité. Si le Schéma de données n’est pas optimisé, cette fonctionnalité pourrait ne pas améliorer significativement la précision du modèle. ### Activer les scores de confiance sur la plateforme Lorsque vous définissez l'état d'activation d'une fonctionnalité sur la Plateforme, ce sera la valeur par défaut.\ Tous les appels API utiliseront l'état par défaut, sauf indication contraire explicite lors de l'appel API. Cela est utile pour les chefs de projet, car cela permet d'activer ou de désactiver une fonctionnalité dans tous les appels API sur ce modèle. Toute personne disposant d'un accès en écriture au modèle peut définir la valeur par défaut de l'option. {% @supademo/embed url="" demoId="cmeie3irw9fe7h3pytuktflxs" %} ### Activer les scores de confiance via des appels API Si vous avez besoin d’un contrôle plus granulaire sur le moment où la fonctionnalité est utilisée, vous pouvez l’activer ou la désactiver lors de l’exécution d’appels API. Cela permet de définir dynamiquement l’état d’activation à l’aide de votre logique métier interne ou propre à votre domaine. Vérifiez le [Configuration du client](/v2/fr/integrations/client-libraries-sdk/configure-the-client.md#optional-features-configuration) section si vous utilisez notre [Bibliothèques clientes / SDK](/v2/fr/integrations/client-libraries-sdk.md). {% hint style="info" %} Lorsque la **Automatisation** fonctionnalité n’est pas activée, l’attribut `confidence` dans la réponse sera toujours `null`. {% endhint %} ### Utilisation des scores de confiance dans le traitement Vous pouvez facilement ajouter dans votre code diverses règles métier et/ou de logique de traitement pour gérer des workflows complexes. Consultez [Résultat d'extraction](/v2/fr/modeles-extraction/sdk-integration/extraction-result.md#confidence) la section pour les détails de mise en œuvre. ## Vers 100 % d’automatisation En combinant l’automatisation fondée sur la confiance avec la **boucle d’apprentissage continu alimentée par RAG**, vous pouvez faire évoluer vos workflows vers **une automatisation proche de 100 %**. Les extractions à faible confiance sont non seulement signalées pour validation humaine, mais aussi utilisées comme signaux de retour afin d’affiner les modèles de manière dynamique, grâce à la génération augmentée par récupération et à un réentraînement ciblé. Cela crée un cercle vertueux dans lequel chaque cas incertain contribue aux améliorations futures de la précision, réduisant progressivement l’intervention manuelle et élargissant le périmètre des prédictions fiables. ## Foire aux questions ### Comment le score de confiance est-il calculé ? Le score de confiance dans 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 du document. Lorsque ces modèles produisent des prédictions identiques ou très similaires, la confiance est élevée. Lorsqu’ils divergent fortement, la confiance diminue. En plus de cela, 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 minimale. Cela s’explique par le fait que l’ensemble des modèles utilisés pour la prédiction s’exécute en parallèle, ce qui nous permet de conserver 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 plusieurs fois plus longue qu’un appel standard. Ce compromis est intentionnel : un temps de traitement légèrement plus long en échange d’une précision plus élevée 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 `Moyen` et les extractions à faible confiance vers une couche de validation humaine, ou d’utiliser une logique de repli (par ex. valeurs par défaut, saisie utilisateur). Les extractions à faible confiance sont d’excellentes candidates à une amélioration guidée par les retours via notre boucle d’apprentissage continu utilisant la fonctionnalité RAG. ### L’Automatisation fonctionne-t-elle avec tout 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 morceau de texte, d’un nombre, d’une date, d’un montant ou de tout autre type de données, bénéficie de la même logique d’évaluation par ensemble et de 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 (par ex. `line_items` dans les factures ou les tableaux dans les 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, and the optional `goal` query parameter: ``` GET https://docs.mindee.com/v2/fr/modeles-extraction/optional-features/automation-confidence-score.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. 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.