Description du projet
TraduitNotre entreprise a accumulé des dizaines de milliers de reçus papier et de scans de documents qui se trouvent actuellement dans des dossiers et des archives PDF sans possibilité de les rechercher ou de les analyser. Nous avons besoin d'un pipeline de numérisation OCR fonctionnel : il prend un lot de scans, reconnaît le texte sur chaque page et transforme des images non structurées en enregistrements structurés propres qui peuvent être interrogés. Le volume augmente chaque semaine, donc la solution doit fonctionner automatiquement selon un calendrier, récupérer de nouveaux fichiers d'un dossier d'entrée et les traiter de manière fiable sans surveillance manuelle de la file d'attente. La précision est plus importante pour nous que la vitesse : un montant erroné ou une date mal lue cause de réels problèmes en comptabilité, donc le pipeline doit agir avec prudence et signaler tout ce dont il n'est pas sûr.
Pour chaque document, le système doit extraire les champs dont nous avons besoin : nom du fournisseur, numéro de facture, date de facture, articles (lorsqu'ils existent), devise, montant avant impôt, impôt et montant total. Après extraction, les valeurs doivent être vérifiées, les dates mises au format canonique unique, les chiffres réconciliés afin que les articles correspondent au total indiqué, et les résultats à faible confiance envoyés à une file d'attente pour révision manuelle plutôt que d'être silencieusement enregistrés. Des enregistrements propres doivent être sortis à la fois vers notre base de données et vers un tableur afin que le département des finances puisse travailler avec eux immédiatement. Une implémentation en Python avec un moteur OCR connu, une journalisation claire et un moyen simple de retraiter les documents échoués est préférée.
Veuillez considérer cela comme un outil de production, pas un prototype. Nous fournirons un ensemble représentatif de vrais scans (qualité variable, tournés, dans différentes langues) pour le réglage, et nous attendons en retour le code source, les instructions d'installation et un bref transfert afin que notre personnel puisse faire fonctionner et développer le système.
— Récupérer les scans et les PDF d'un dossier surveillé, aligner et nettoyer les images avant la reconnaissance
— Extraire le fournisseur, le numéro de facture, les dates, les montants, l'impôt et les articles avec un score de confiance
— Vérifier et normaliser les champs ; réconcilier les articles avec le total ; envoyer les résultats douteux à une révision manuelle
— Sortir des enregistrements structurés vers la base de données et le tableur ; journaux et possibilité de relancer
Pour chaque document, le système doit extraire les champs dont nous avons besoin : nom du fournisseur, numéro de facture, date de facture, articles (lorsqu'ils existent), devise, montant avant impôt, impôt et montant total. Après extraction, les valeurs doivent être vérifiées, les dates mises au format canonique unique, les chiffres réconciliés afin que les articles correspondent au total indiqué, et les résultats à faible confiance envoyés à une file d'attente pour révision manuelle plutôt que d'être silencieusement enregistrés. Des enregistrements propres doivent être sortis à la fois vers notre base de données et vers un tableur afin que le département des finances puisse travailler avec eux immédiatement. Une implémentation en Python avec un moteur OCR connu, une journalisation claire et un moyen simple de retraiter les documents échoués est préférée.
Veuillez considérer cela comme un outil de production, pas un prototype. Nous fournirons un ensemble représentatif de vrais scans (qualité variable, tournés, dans différentes langues) pour le réglage, et nous attendons en retour le code source, les instructions d'installation et un bref transfert afin que notre personnel puisse faire fonctionner et développer le système.
— Récupérer les scans et les PDF d'un dossier surveillé, aligner et nettoyer les images avant la reconnaissance
— Extraire le fournisseur, le numéro de facture, les dates, les montants, l'impôt et les articles avec un score de confiance
— Vérifier et normaliser les champs ; réconcilier les articles avec le total ; envoyer les résultats douteux à une révision manuelle
— Sortir des enregistrements structurés vers la base de données et le tableur ; journaux et possibilité de relancer
Développement de logiciels Espèces, Virement bancaire
