Qualité OCR : comment vérifier que vos documents numérisés sont vraiment recherchables ?

Un PDF peut être net et parfaitement lisible à l’écran sans permettre de retrouver un mot dans son contenu. À l’inverse, un document doté d’une couche de texte peut répondre à une recherche tout en comportant des erreurs de reconnaissance. Pour obtenir des fichiers réellement interrogeables, il faut spécifier l’OCR, tester les usages attendus et contrôler séparément la qualité du texte et celle de sa structure.

Ce guide s’adresse aux responsables documentaires, DSI, DAF et chefs de projet qui préparent une numérisation de documents imprimés. La décision à prendre n’est pas seulement « avec ou sans OCR ? », mais « quel niveau de recherche et de fiabilité faut-il pour ce fonds et comment le vérifier ? »

Un fichier image, une couche OCR et une indexation ne rendent pas le même service

La numérisation produit d’abord une représentation visuelle du papier. L’OCR, pour reconnaissance optique de caractères, analyse cette image afin de produire du texte exploitable par un logiciel. Dans un PDF interrogeable, le texte reconnu peut être placé dans une couche associée à l’image. Ce fonctionnement permet notamment la recherche plein texte, sans garantir que chaque caractère ait été correctement transcrit.

L’indexation, elle, attribue au document des informations structurées telles qu’une référence de dossier, un type de pièce ou une date. Une recherche par métadonnées peut être excellente même si le contenu n’a pas été océrisé ; une recherche plein texte peut être disponible alors que les métadonnées sont insuffisantes. Il faut donc demander ces deux fonctionnalités distinctement.

Premier arbitrage : si l’objectif consiste à retrouver une facture à partir de son numéro de dossier, l’indexation peut répondre au besoin. S’il s’agit de repérer une clause parmi de nombreux contrats ou un terme dans des rapports, la recherche plein texte devient un critère métier à tester.

Définir des recherches réelles avant de parler de pourcentage de qualité

Établissez quelques scénarios de consultation représentatifs : recherche d’une référence alphanumérique, d’un nom composé, d’un terme en bas de page, d’un montant avec virgule ou d’une expression traversant deux lignes. Pour chaque scénario, précisez ce qui constitue un succès : le bon fichier retrouvé, la bonne page identifiée ou une transcription suffisamment exacte pour permettre une réutilisation.

Ne confondez pas une recherche qui retrouve le document avec une extraction de données suffisamment fiable pour alimenter automatiquement une application. Dans ce second cas, les erreurs peuvent avoir des conséquences métier plus fortes : une référence inexacte ou une valeur mal associée à sa colonne ne doit pas être utilisée sans validation adaptée.

Comprendre pourquoi un score OCR élevé peut masquer des erreurs gênantes

Le résultat dépend de la qualité de l’image, mais aussi de la typographie, des colonnes, des tableaux, des tampons, des caractères petits ou de l’état du papier. La Bibliothèque nationale de France distingue notamment la reconnaissance des contenus textuels et la segmentation de la page : retrouver les bons mots ne suffit pas si leur ordre ou leur rattachement à une zone est erroné.

Un logiciel peut fournir un indicateur de confiance. Celui-ci exprime son estimation de la fiabilité du résultat, pas nécessairement le nombre de mots effectivement corrects. Pour mesurer une exactitude réelle, il faut comparer la sortie OCR à une transcription de référence vérifiée, sur un périmètre clairement défini. Les méthodes de contrôle décrites par la BnF constituent un exemple documenté ; leurs seuils propres à ses marchés ne sont pas des obligations générales imposées à toutes les entreprises.

Exemple fictif : un registre contient de nombreuses descriptions faciles à reconnaître, mais les identifiants de dossiers sont imprimés en petits caractères. Un indicateur moyen satisfaisant peut coexister avec des erreurs fréquentes sur ces identifiants. Si les équipes cherchent précisément ces références, la qualité fonctionnelle reste insuffisante malgré le score global.

Organiser un test qui expose les défauts plutôt que de les cacher

Choisir des documents variés et représentatifs

Un échantillon constitué uniquement de pages A4 impeccables ne teste pas un fonds hétérogène. Incluez des impressions pâles, des tableaux, des pages en colonnes, des petites polices, des photocopies, des documents inclinés et, si le projet en contient, des annotations manuscrites. L’écriture manuscrite ne doit pas être présumée correctement traitée par un OCR classique.

Comparer l’image, le texte et les résultats de recherche

Sur chaque famille, sélectionnez des passages de référence transcrits avec soin, puis comparez-les au texte extrait. Contrôlez les caractères, les mots, l’ordre de lecture et les zones omises. Complétez cette comparaison par des recherches concrètes dans l’interface ou les fichiers qui seront effectivement remis. Une transcription correcte dans un outil de production ne garantit pas, à elle seule, le même comportement une fois les documents importés dans le système du client.

Documenter les exclusions et décider d’une reprise

Consignez les zones non reconnues, les documents retirés du traitement OCR et les erreurs jugées bloquantes. Définissez à l’avance ce qui déclenche un retraitement, une correction ciblée ou l’acceptation motivée d’une limite. Le choix dépend de la valeur d’usage des informations concernées ; il n’existe pas de taux universel garantissant qu’un fonds sera exploitable pour toute finalité.

Les points à faire figurer dans le cahier des charges OCR

Demandez aussi si les coûts de correction manuelle sont inclus ou font l’objet d’un traitement distinct. Sans cette précision, la mention « OCR inclus » décrit une fonction technique, mais pas la fiabilité de chaque utilisation future.

Protéger les textes reconnus comme les images numérisées

Si le fonds contient des données personnelles, la couche OCR n’est pas un simple accessoire technique. Elle rend des noms, coordonnées ou mentions sensibles plus faciles à rechercher et éventuellement à copier. Les droits d’accès, les possibilités d’export, les copies temporaires et les durées de conservation doivent donc couvrir les fichiers image, leurs couches de texte et les fichiers intermédiaires pertinents.

Le principe de minimisation de l’article 5 du RGPD implique de limiter les données personnelles traitées à ce qui est nécessaire à la finalité. Les mesures de sécurité doivent être adaptées aux risques ; elles ne résultent pas automatiquement de l’usage d’un OCR. Faites préciser les environnements où les documents et textes reconnus sont traités, les habilitations et le devenir des fichiers intermédiaires.

Comment discuter de l’OCR avec un prestataire de numérisation

Sur son site, Documerize décrit des étapes d’analyse du besoin, de lot test, de numérisation, d’indexation, de contrôle qualité et de livraison. Ces étapes offrent un cadre pour demander un essai de recherche plein texte, mais la présentation consultée ne suffit pas à démontrer qu’une prestation OCR particulière, un taux de reconnaissance ou une correction humaine sont systématiquement inclus. Faites préciser par écrit le périmètre technique et les critères de validation.

Le bon résultat est un engagement sur un usage vérifiable, et non une promesse abstraite de fichiers « intelligents ». Avant de traiter l’ensemble des archives, obtenez une démonstration sur vos propres types de documents, les limites observées et les décisions de reprise. Pour préparer cet échange, consultez la présentation des étapes de numérisation Documerize.

À lire aussi

Articles qui peuvent vous intéresser