Intro : Le contrôle qualité sépare la donnée extraite, la donnée validée et la donnée publiée pour limiter les erreurs dans les outils métier.
Les systèmes IA savent extraire des noms, des montants et des catégories à partir de documents. Une valeur peut cependant être lisible tout en étant fausse dans son contexte. Le contrôle de qualité doit donc vérifier les relations entre champs et l’usage prévu dans l’application.
Décrire les états d’une valeur
Une valeur extraite doit garder l’état « proposée » tant qu’une règle ou une personne ne l’a pas validée. Le système cible ne doit pas confondre une proposition avec une donnée officielle. Ajoutez la source, la page, la date et la version du modèle.
Les états peuvent inclure proposée, validée, corrigée, rejetée et publiée. Chaque passage doit avoir une cause. Cette structure permet de retrouver une valeur qui a changé et la personne qui l’a approuvée.
Vérifier le format
Commencez avec des contrôles simples. Un email doit respecter une forme acceptable, un montant doit suivre la devise attendue et une date doit être convertible dans le format interne. Le format ne prouve pas que la valeur est correcte, mais il écarte des erreurs évidentes.
Évitez de supprimer automatiquement les caractères inconnus. Une référence fournisseur peut contenir des lettres et des zéros importants. Préférez une alerte qui demande une revue lorsqu’une transformation modifie la valeur originale.
Vérifier la cohérence
Comparez les champs lorsqu’une relation existe. Le total d’une facture doit pouvoir être rapproché des lignes avec une tolérance documentée. La date d’échéance ne devrait pas précéder la date d’émission. Un code postal doit correspondre au pays indiqué si cette règle est pertinente.
Les contrôles métier doivent être séparés du modèle. Vous pouvez remplacer le moteur d’extraction sans réécrire toutes les règles de l’ERP. Un échec de cohérence ouvre une exception avec le champ concerné et les valeurs comparées.
Gérer la revue humaine
La personne qui corrige doit voir la source de la valeur. Affichez la page et la zone du document lorsque cela est disponible. Une correction saisie sans contexte prend plus de temps et risque d’introduire une autre erreur.
Enregistrez la valeur initiale, la valeur corrigée et le motif, selon la politique de conservation. Les corrections peuvent ensuite servir à améliorer le formulaire ou les règles, mais elles doivent être examinées avant toute modification automatique.
Mesurer par type de document
Un score global cache les différences entre les documents. Mesurez séparément les factures, bons de commande, formulaires et pièces d’identité si le processus les traite. Regardez le taux de champs exacts et celui des documents acceptés sans correction.
Gardez des cas de contrôle qui ne servent pas au réglage. Répétez la mesure après un changement de modèle ou de format source. La documentation Microsoft décrit des réponses d’analyse qui distinguent le contenu, la structure et les tableaux dans son guide API, ce qui peut aider à isoler les erreurs.
Publier avec prudence
La publication vers un CRM ou une comptabilité doit exiger les champs obligatoires et un état validé. Un document incomplet reste dans la file d’exception. Les opérations répétées doivent reconnaître le même identifiant pour éviter une double création.
Prévoyez une restauration si une valeur erronée a déjà été publiée. Conservez l’ancien état et le lien vers la correction. L’équipe doit savoir qui peut annuler l’écriture et dans quel délai.
Un contrôle de qualité bien séparé permet de suivre chaque donnée de la lecture à la publication. Il réduit les erreurs invisibles et donne à l’équipe des mesures utiles pour améliorer l’automatisation.
+## Documenter les règles
Chaque contrôle doit préciser le champ concerné, la condition et l’action en cas d’échec. Une règle lisible peut être revue par la comptabilité ou le métier, même si elle est exécutée dans un service technique. Conservez un exemple de valeur acceptée et un exemple de valeur envoyée en revue.
Cette documentation évite d’ajouter des contrôles contradictoires. Lorsqu’un nouveau format arrive, l’équipe peut vérifier quelle règle doit évoluer et quelle mesure permettra de constater l’amélioration.
Sources
Ajoutez un responsable à chaque règle et indiquez la date de sa dernière revue. Une équipe peut ainsi distinguer une erreur du modèle d’une règle métier devenue obsolète.
+Lorsque la qualité baisse, comparez les fichiers récents avec ceux du pilote. Un changement de scan, de fournisseur ou de mise en page peut expliquer l’écart. Gardez une copie de quelques documents représentatifs, dans un espace autorisé, pour reproduire le diagnostic.
Les règles doivent aussi produire des métriques compréhensibles par le métier. Un taux de champs conformes et une liste d’exceptions permettent de décider si le processus peut s’étendre à un nouveau document.