Conception des entrées et des requêtes
- Leçon 11
- 55 min
- Module 4 : Utiliser les modèles multimodaux de façon réfléchie
Où nous en sommes
Dans le module 3, nous avons retrouvé la structure des documents plus longs et donné sa preuve à chaque valeur. Jusqu'ici, le modèle de vision recevait une demande simple. Avec une demande simple, il remplit un champ vide avec un nombre plausible, et nous payons pour toute l'image. Dans cette leçon, nous concevons exactement ce que le modèle reçoit : la page, la zone de l'image, les champs, et quoi écrire quand une valeur manque.
Leçon 11 sur 19 · IA documentaire et multimodaleConception des entrées et des requêtes
1. Comprendre les documents en entrée
2. Préparer et extraire le contenu
3. Retrouver la structure et les tableaux
4. Utiliser les modèles multimodaux de façon réfléchie
5. Valider et réviser les résultats
6. Évaluer et livrer le pipeline
7. Études de cas
Ce que vous saurez faire
Décidez exactement ce que reçoit un modèle de vision : la page, la zone de l’image, les champs et leurs formats. Dites-lui aussi quoi écrire quand une valeur manque. Une demande simple pousse le modèle à remplir un champ vide avec un nombre plausible. Une demande précise fait d’« absent » une réponse normale. Le recadrage réduit aussi le coût de nombreuses pages.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Le chemin de vision, les jetons (tokens) et le coût d’une page, vus dans Chemins texte et OCR.
- Le contrat d’extraction et ses trois statuts (trouvé, inféré, absent avec une raison), vus dans Définir le contrat d’extraction.
- Un schéma JSON pour la réponse d’un modèle, vu dans Définir un schéma, dans Créer des applications fiables avec les API de LLM.
Ce qu’il vous faut sur votre ordinateur
- Votre projet à la fin du module 3 :
python -m pytest -qaffiche77 passed(77 tests réussis). Si votre projet ne fonctionne plus, copiez l’instantanéend-of-m03, comme l’indique le README des instantanés. - Le dépôt des exercices dans
~/projects/nextia-learning-labs, à jour. - Aucune clé et aucun compte. Chaque réponse du modèle dans cette leçon est un enregistrement que le projet rejoue.
Testé avec Python 3.12.13 sur macOS (Apple silicon). Les commandes Windows et Linux ne sont pas testées. Le générateur du cours crée tous les documents de ce cours. Aucun client ni magasin réel n’y figure.
Obtenir les fichiers de la leçon
Section intitulée « Obtenir les fichiers de la leçon »Le cours a enregistré d’autres réponses du modèle pour ce module. Elles portent sur les numérisations recadrées, six images de tailles réduites et un second passage de chaque page. Ce sont des fichiers de données, pas du code.
-
Dans le dossier du projet, copiez les quatre enregistrements et les notes de conception depuis l’instantané :
Fenêtre de terminal S=../nextia-learning-labs/C13/snapshots/end-of-m04cp $S/recordings/vision-v2-crop.jsonl $S/recordings/vision-v2-half.jsonl recordings/cp $S/recordings/vision-v2-quarter.jsonl $S/recordings/vision-v2-pass2.jsonl recordings/cp $S/docs/vision-prompt.md docs/Fenêtre de terminal $S = "..\nextia-learning-labs\C13\snapshots\end-of-m04"foreach ($f in 'crop', 'half', 'quarter', 'pass2') { Copy-Item "$S\recordings\vision-v2-$f.jsonl" recordings\ }Copy-Item "$S\docs\vision-prompt.md" docs\ -
Lancez les tests :
Fenêtre de terminal python -m pytest -qLa dernière ligne reste
77 passed. Cette leçon ajoute des données, pas du code.
Un formulaire pour un nouveau collègue
Section intitulée « Un formulaire pour un nouveau collègue »Imaginez que vous embauchez un collègue temporaire pour saisir des reçus dans un formulaire. Vous lui dites : « Notez le numéro de commande. » Un reçu de caisse du magasin ne porte aucun numéro de commande. Il porte un numéro de transaction. Votre collègue veut aider, et une case vide ressemble à un échec. Il copie donc le numéro de transaction. Personne ne lui a dit qu’une case vide était une réponse correcte.
Donnez-lui maintenant un meilleur formulaire. Chaque case a un nom et un format. Une note indique : « Un numéro de transaction n’est pas un numéro de commande. Si une valeur n’est pas imprimée, écrivez non imprimé. Ne devinez jamais. » Vous découpez aussi le reçu dans la grande page numérisée, pour lui éviter de le chercher sur une page blanche. Le collègue reste la même personne. La demande a changé, et le résultat aussi.
Un modèle de vision est ce collègue. Il lit ce que vous envoyez et fait ce que vous demandez. Vous concevez donc deux choses : l’entrée (l’image) et la requête (prompt, la demande et la structure de la réponse).
Le problème : une demande simple invente des valeurs
Section intitulée « Le problème : une demande simple invente des valeurs »La première requête du cours, v1, était une demande simple : « Extrayez les données de ce reçu en JSON avec les clés vendor, order_number, date… ». Regardez sa réponse enregistrée pour D003, un reçu de caisse pour un achat en magasin :
python -m doc_extract.vision D003 --prompt v1recorded answer (replayed; nothing was sent)D003 receipt-t0693-220.pdf page 1, prompt v1: gpt-6.1-sol-2026-09-29, 469 tokens in, 220 out, 4.951 s, about US$0.0031 vendor LARKFIELD Home & Garden order_number 0693-220 date 2026-09-23 currency CAD subtotal 406.0 shipping absent (not_given) tax 52.78 total 458.78 payment_method Debit ****3310 item: 1 x Tool chest @ 119.0 = 119.0 item: 1 x Patio parasol @ 129.0 = 129.0 item: 2 x Step ladder @ 79.0 = 158.0Le numéro de commande est 0693-220. Lisez maintenant le haut du reçu dans sa couche texte, avec le cadre de chaque ligne en points :
python -m doc_extract.textlayer D003receipt-t0693-220.pdf, page 1: 31 lines from the text layer (227 x 351 pt) [ 75.6 22.7 151.2 36.7] LARKFIELD [ 80.2 39.7 146.5 48.2] Home & Garden [ -3.9 52.2 230.7 60.7] larkfield.example · help desk 1-800-555-0199 [ 14.2 64.3 208.6 73.3] ------------------------------------ [ 14.2 76.8 100.6 85.8] Date: 2026-09-23 [ 185.6 76.8 212.6 85.8] 20:43 [ 14.2 89.3 127.6 98.3] Transaction: 0693-220 [ 14.2 101.8 52.0 110.8] Till 03 [ 14.2 114.3 208.6 123.3] ------------------------------------Il n’y a aucune ligne de commande. 0693-220 est le numéro de transaction de la caisse. Le modèle a fait comme le collègue temporaire : il a rempli une case vide avec le nombre le plus proche. C’est une valeur inventée : une valeur pour un champ que le document ne montre pas.
Le cours a vérifié les 54 pages de reçus de la même façon. Il a recensé tous les champs non imprimés sur un reçu, mais que le modèle a quand même remplis. À côté de chaque valeur figure la ligne imprimée dont elle provient :
D003 digital_pdf order_number 0693-220 | printed: Transaction: 0693-220D007 digital_pdf order_number 0530-850 | printed: Transaction: 0530-850D013 digital_pdf order_number 0838-785 | printed: Transaction: 0838-785D017 digital_pdf order_number 0534560 | printed: INV# 0534560 Sep 6 2026D018 digital_pdf order_number 0727251 | printed: INV# 0727251 Jul 13 2026D028 scan_image order_number 0917-319 | printed: Transaction: 0917-319D033 scan_image order_number 0587497 | printed: INV# 0587497 Jul 18 2026D034 scan_image order_number 0866699 | printed: INV# 0866699 Jul 15 2026D042 photo order_number 0272-973 | printed: Transaction: 0272-973D048 photo order_number 0631658 | printed: INV# 0631658 Jun 6 2026D049 photo order_number 0271480 | printed: INV# 0271480 Sep 23 2026invented values: 11Onze valeurs inventées, toutes des numéros de commande. Six sont des numéros de transaction de Larkfield. Cinq sont des numéros de facture du magasin partenaire, Maple & Pine Hardware. Chaque numéro est réellement imprimé. Il semble donc correct à une personne qui lit vite. Un agent qui cherche 0693-220 dans le système de commandes ne trouve rien, ou pire, trouve une autre commande.
Le score global cache ce problème. La requête v1 donne correctement 424 des 435 valeurs imprimées (97,5 %). Mais seuls 40 des 54 reçus sont complets : toutes les valeurs requises sont correctes, et aucune n’est inventée.

Description textuelle du diagramme
À gauche se trouve le haut du reçu D003. Il montre le nom du magasin, la date et l’heure, un numéro de transaction encadré en orange et le numéro de caisse. Il ne comporte aucune ligne de commande. À droite, la réponse à la requête v1 donne le numéro de commande 0693-220, qui est le numéro de transaction. La réponse à la requête v2 indique que le numéro de commande est absent, avec la raison not_printed. Ses règles précisent qu’un numéro de transaction n’est pas un numéro de commande et que le modèle ne doit jamais deviner.
L’idée : concevoir l’entrée et la requête
Section intitulée « L’idée : concevoir l’entrée et la requête »Un modèle de vision répond à la demande que vous envoyez. Cette demande se conçoit donc en deux parties.
La conception de l’entrée consiste à choisir l’image. Envoyez la page qui contient le reçu, pas toutes les pages du fichier. Si le document occupe une petite partie de la page, envoyez seulement cette zone. Envoyez aussi une image dont le texte est lisible. Dans ce projet, les pages PDF sont rendues à 150 points par pouce. Le côté le plus long de chaque image mesure au maximum 1 600 pixels.
La conception de la requête comprend la demande et la structure de la réponse. La requête v2 comporte trois parties :
- Un schéma JSON strict pour la réponse. Ici, le schéma est le contrat d’extraction écrit pour le modèle. Chaque champ est un objet à cinq clés :
value(valeur normalisée),printed(texte imprimé sur la page),status(statut :found, trouvé,inferred, inféré, ouabsent, absent),reason(raison) etconfidence(confiance). - Des règles de format : les dates au format
YYYY-MM-DD(année-mois-jour), et les montants avec deux décimales et un point. Sur les reçus du Québec, le jour vient en premier. La taxe est la somme de toutes les lignes de taxes. - Des règles pour les valeurs absentes : « Un numéro de transaction ou de facture n’est PAS un numéro de commande. » Et : « Si une valeur n’est pas imprimée, est coupée ou reste illisible, mettez value et printed à null, status à absent, et reason à not_printed, cut_off ou unreadable. Ne devinez, ne calculez et ne complétez jamais une valeur. »
La dernière règle est la note sur le formulaire du collègue. Elle fait d’« absent » une réponse prévue par le schéma, avec un endroit pour expliquer pourquoi. Pour voir un champ du schéma, lancez python dans le dossier du projet et tapez :
import jsonfrom doc_extract import visions = vision.schema_v2()print(s["required"])print(json.dumps(s["properties"]["fields"]["properties"]["total"]))['readable', 'fields', 'items']{"type": "object", "additionalProperties": false, "properties": {"value": {"type": ["string", "null"]}, "printed": {"type": ["string", "null"]}, "status": {"type": "string", "enum": ["found", "inferred", "absent"]}, "reason": {"type": ["string", "null"]}, "confidence": {"type": "number"}}, "required": ["value", "printed", "status", "reason", "confidence"]}value peut être null (sans valeur) : le schéma lui-même permet une case vide. status ne peut prendre que trois mots. En mode strict (strict), la réponse du modèle doit respecter exactement cette structure. Le projet n’analyse donc jamais de texte libre. Le niveau supérieur contient aussi readable (lisible) : le modèle peut indiquer que toute la page est illisible.
La requête v1 compte 32 mots. La requête v2 compte 218 mots, plus le schéma. Vous pouvez lire les deux dans doc_extract/vision.py. Le fichier docs/vision-prompt.md les compare côte à côte.
Un petit exemple : la même page, requête v2
Section intitulée « Un petit exemple : la même page, requête v2 »Rejouez la réponse enregistrée de la requête v2 pour D003 :
python -m doc_extract.vision D003recorded answer (replayed; nothing was sent)D003 receipt-t0693-220.pdf page 1, prompt v2: gpt-6.1-sol-2026-09-29, 1359 tokens in, 327 out, 5.102 s, about US$0.0060 vendor LARKFIELD (confidence 1) order_number absent (not_printed) (confidence 1) date 2026-09-23 (confidence 1) currency CAD (confidence 1) subtotal 406.00 (confidence 1) shipping absent (not_printed) (confidence 1) tax 52.78 (confidence 1) total 458.78 (confidence 1) payment_method Debit (confidence 1) item: 1 x Tool chest @ 119.00 = 119.00 item: 1 x Patio parasol @ 129.00 = 129.00 item: 2 x Step ladder @ 79.00 = 158.00Comparez les deux réponses, champ par champ :
| Champ | Requête v1 | Requête v2 | Ce qui a fait la différence |
|---|---|---|---|
order_number |
0693-220 |
absent (not_printed, non imprimé) |
la règle sur les numéros de transaction et « ne jamais deviner » |
subtotal |
406.0 |
406.00 |
la règle de format : deux décimales |
payment_method |
Debit ****3310 |
Debit |
la règle : aucun numéro de carte |
shipping |
absent (not_given, non fourni) |
absent (not_printed) |
une raison tirée de la liste du contrat |
La requête précise coûte plus cher. Suivez les nombres sur les deux lignes de coût. Le tarif affiché est de 2 $ US par million de jetons d’entrée et de 10 $ US par million de jetons de sortie :
- v1 : 469 × 2 / 1 000 000 + 220 × 10 / 1 000 000 = 0,0009 $ US + 0,0022 $ US = environ 0,0031 $ US.
- v2 : 1 359 × 2 / 1 000 000 + 327 × 10 / 1 000 000 = 0,0027 $ US + 0,0033 $ US = environ 0,0060 $ US.
Les 890 jetons d’entrée supplémentaires correspondent à la requête plus longue et au schéma. Les jetons de sortie supplémentaires sont les clés printed, status, reason et confidence de chaque champ. Sur les 54 pages, le coût médian par page est de 0,0060 $ US avec v1 et de 0,0113 $ US avec v2. Les prix changent : consultez la page des tarifs actuels de votre fournisseur.
Voici ce qu’apporte ce coût supplémentaire, sur les mêmes 54 pages :
| Requête v1 | Requête v2 | |
|---|---|---|
| Valeurs imprimées correctes | 424 sur 435 (97,5 %) | 425 sur 435 (97,7 %) |
| Valeurs inventées | 11 | 0 |
| Reçus complets | 40 sur 54 | 51 sur 54 |
La proportion de valeurs correctes change à peine. Les valeurs inventées tombent à zéro, et onze reçus de plus sont complets. Les valeurs inventées étaient les erreurs coûteuses : plausibles, mais fausses dans le champ utilisé par les agents pour leurs recherches.
Rejouer : les réponses sont des enregistrements
Section intitulée « Rejouer : les réponses sont des enregistrements »Chaque réponse de cette leçon est un enregistrement. Le cours a envoyé chaque page au modèle. Il a enregistré la réponse, le nom du modèle, les jetons et les secondes dans recordings/vision-*.jsonl. Par défaut, vision.py rejoue la réponse enregistrée. Vous n’avez donc besoin d’aucune clé et ne dépensez rien. Le schéma montre la construction d’une requête et les deux chemins de retour au pipeline :
Description textuelle du diagramme
La requête part du document. Le projet choisit seulement la page du reçu et la rend à 150 points par pouce. Il recadre l’image sur le reçu si vous le demandez et limite sa longueur à 1 600 pixels. L’image, la requête v2 et le schéma JSON forment une seule requête. Avec l’option –live, le projet l’envoie à un modèle de vision avec votre propre clé. Il reçoit du texte JSON, des jetons et des secondes. Le cours l’a fait pour chaque page et a enregistré les réponses dans le dossier recordings. Par défaut, le projet rejoue la réponse enregistrée, sans clé et sans coût. Dans les deux cas, to_extraction transforme la réponse en un enregistrement identique à celui de la couche texte et de l’OCR.
L’appel en direct est facultatif. Sans clé, il s’arrête avant tout envoi :
python -m doc_extract.vision D036 --liveA live call needs VISION_BASE_URL, VISION_API_KEY and VISION_MODEL (see .env.example).Vous pouvez définir ces trois valeurs dans .env pour votre propre point de terminaison compatible avec OpenAI. La même commande envoie alors la page et affiche une réponse en direct. Au tarif affiché plus haut, cela coûte environ un cent américain par page. Vos réponses peuvent différer un peu des enregistrements : un autre modèle, un autre jour.
À quel point les réponses changent-elles? Le cours a envoyé chaque page de reçu deux fois avec la requête v2 (vision-v2-pass2.jsonl). Il a ensuite comparé les deux réponses, champ par champ :
D028 vendor 'LARKFIELD' -> 'LARKFIELD Home & Garden'486 values; changed after normalising: 0; written differently: 1Lors de cet essai, aucune valeur normalisée n’a changé. Le modèle a écrit un nom de vendeur sous une forme plus longue. C’est une bonne nouvelle, mais cela reste une seule mesure d’un seul modèle. Un enregistrement a aussi une seconde utilité : des mois plus tard, un auditeur peut voir exactement ce que le modèle a dit.
Envoyer seulement la partie utile
Section intitulée « Envoyer seulement la partie utile »D019 est un reçu numérisé : une étroite bande de papier sur une page de numérisation au format lettre. Le modèle lit toute l’image, y compris le papier blanc. La taille de l’image détermine la majeure partie des jetons d’entrée. Comparez les tailles des deux images que le projet peut envoyer. Dans python :
from doc_extract import documents, visiond = documents.get("D019")for crop in (False, True): jpeg, size = vision.picture(d.path, 1, crop) print("crop" if crop else "full", size)full (1236, 1600)crop (440, 624)Le recadrage utilise prepare.content_box, la fonction qui recadre les images avant l’OCR dans Préparation des images. Comparez maintenant les deux réponses enregistrées :
-
Affichez la réponse pour la page entière :
Fenêtre de terminal python -m doc_extract.vision D019D019 scan0001.pdf page 1, prompt v2: gpt-6.1-sol-2026-09-29, 3194 tokens in, 622 out, 8.579 s, about US$0.0126 -
Affichez la réponse pour l’image recadrée :
Fenêtre de terminal python -m doc_extract.vision D019 --cropD019 scan0001.pdf page 1, prompt v2: gpt-6.1-sol-2026-09-29, 1281 tokens in, 686 out, 9.723 s, about US$0.0094Le reste des deux réponses est identique : neuf valeurs, toutes correctes.
Suivez le coût. Page entière : 3 194 × 2 / 1 000 000 + 622 × 10 / 1 000 000 = 0,0064 $ US + 0,0062 $ US = 0,0126 $ US. Image recadrée : 1 281 × 2 / 1 000 000 + 686 × 10 / 1 000 000 = 0,0026 $ US + 0,0069 $ US = 0,0094 $ US. Les jetons d’entrée ont diminué de 60 %, mais le coût a baissé de seulement 25 %. La réponse est un peu plus longue qu’avant. Un jeton de sortie coûte cinq fois plus qu’un jeton d’entrée.

Description textuelle du diagramme
À gauche se trouve la page numérisée entière de D019, de 1 236 par 1 600 pixels. Elle est surtout blanche, avec un reçu étroit au milieu, encadré en bleu. Le modèle a lu 3 194 jetons et en a écrit 622, pour 0,0126 $ US. À droite se trouve l’image recadrée, à la même échelle : seulement le reçu, de 440 par 624 pixels. Le modèle a lu 1 281 jetons et en a écrit 686, pour 0,0094 $ US.
Le cours a enregistré les réponses aux images recadrées pour les 17 reçus numérisés. Le graphique les répartit en deux groupes. Dans le premier groupe, le reçu est petit sur la page numérisée, et la zone recadrée représente moins de la moitié de l’image. Dans le second groupe, le papier remplit la majeure partie de la page.
- Page entière
- Image recadrée
Description textuelle du graphique
Nombre médian de jetons d’entrée par page. Petit reçu sur une page numérisée, 10 numérisations : 3 194 pour la page entière, 1 273 pour l’image recadrée. Papier remplissant la majeure partie de la page, 7 numérisations : 3 194 pour la page entière, 3 206 pour l’image recadrée.
Sur les 17 numérisations, le recadrage fait passer la médiane par page de 3 194 à 1 297 jetons d’entrée. Le coût médian passe de 0,0120 $ US à 0,0094 $ US. Les valeurs correctes passent de 137 sur 137 à 136 sur 137. Le cas d’échec ci-dessous montre la seule valeur perdue.
Omar, le gestionnaire de produit, pose la question du coût : « Alors, on recadre tout? » Mei répond : « On recadre quand le document est petit sur la page. C’est peu coûteux à déterminer, parce que le cadre de recadrage est déjà calculé pour l’OCR. Sur une photo où le papier remplit le cadre, le recadrage ne change presque rien. »
Choisir la page
Section intitulée « Choisir la page »La demande de garantie D058 comporte deux pages : un formulaire numérique et un reçu numérisé. Seule la page 2 contient les champs du reçu. Donc, vision.py envoie seulement receipt_page. Une demande coûte ainsi une image, pas deux. Dans votre propre pipeline, le chemin de chaque page détermine ce choix, comme dans Types de documents. La couche texte lit la page 1 gratuitement.
Quand utiliser ces approches et combien elles coûtent
Section intitulée « Quand utiliser ces approches et combien elles coûtent »- La requête précise et le schéma : toujours. Par page, ils ajoutent environ 900 jetons en entrée et 370 en sortie : environ le double du prix de la requête simple. Ils ont éliminé toutes les valeurs inventées dans le jeu de données du cours. Ils ne rendent pas le modèle parfait : la requête v2 lit encore « LARKEFIELD » sur le PDF net D009.
- Un recadrage : quand le document est petit dans l’image. Sur 10 des 17 numérisations, il a économisé environ 60 % des jetons en entrée et un quart du coût. Quand le papier remplit le cadre, il n’économise rien.
- Pas trop petit. Une image plus petite coûte moins de jetons, jusqu’à ce que le modèle ne puisse plus la lire. Gérer l’incertitude visuelle mesure à quel moment cela se produit.
- Les enregistrements : pour l’enseignement, les tests et l’audit. En production, conservez chaque réponse de la même façon : le nom du modèle, les jetons, les secondes et la réponse. Vous pourrez ensuite expliquer une valeur et comparer un nouveau modèle sur les mêmes pages.
La clé confidence (confiance) reste dans le schéma parce que le cours la mesure. Ne l’utilisez pas encore pour prendre des décisions. Confiance et acheminement vers la révision montre ce qu’elle vaut.
Erreur courante
Le recadrage économise de l'argent et perd une lettre
Symptôme : D025 est un reçu numérisé couché sur le côté, tourné de 90°. Avec le recadrage, le modèle écrit le nom du fournisseur LARKEFIELD :
python -m doc_extract.vision D025 --cropD025 scan0007.pdf page 1, prompt v2: gpt-6.1-sol-2026-09-29, 1281 tokens in, 712 out, 9.613 s, about US$0.0097 vendor LARKEFIELD (confidence 0.99)La réponse pour la page entière avait le bon nom. Le cours a comparé les deux réponses enregistrées : la taille de chaque image et le fournisseur écrit par le modèle.
full [1600, 1236] vendor LARKFIELD Home & Garden | printed 'LARKFIELD\nHome & Garden'crop [620, 444] vendor LARKEFIELD | printed 'LARKEFIELD'Cause : Ce n’est pas la résolution. Les deux images viennent de la page rendue à 150 ppp. Les lettres ont donc à peu près la même taille en pixels. Le recadrage retire seulement le papier vide. Le reçu est couché sur le côté dans les deux images. Le modèle a lu les mêmes lettres différemment avec moins de papier autour. La lecture d’un modèle peut changer selon son entrée, sans que l’image permette de prévoir ce changement. Sa confiance, à 0,99, ne donne aucun avertissement.
Diagnostic : Mesurez un changement d’entrée sur plusieurs pages, pas sur une seule. Comparez les valeurs avec les valeurs réelles, ou avec la couche texte ou l’OCR lorsque leur lecture est bonne. C’est ainsi que le cours a trouvé la seule valeur perdue sur 137.
Correction : Gardez les outils de lecture indépendants du modèle en amont de celui-ci. Dans la prochaine leçon, les règles lisent d’abord cette numérisation, et le modèle n’est même pas appelé. Vérifiez aussi les valeurs du modèle à partir de ce que vous savez. « LARKEFIELD » ne correspond pas à la liste des fournisseurs du contrat (contract.VENDORS). Donc, contract.normalise ne peut pas le transformer en « Larkfield ». La validation du cours ne vérifie pas la liste des fournisseurs. Confiance et acheminement vers la révision montre ce que cela coûte sur D009. Le cours n’a pas enregistré d’image redressée puis recadrée. Il ne peut donc pas dire si tourner l’image d’abord aide.
Conséquence pour le travail en IA : chaque économie sur l’entrée modifie l’entrée. Mesurez ce changement sur les mêmes pages, avec les mêmes scores, avant de l’adopter.
À vous de jouer : une numérisation qui remplit la page
Section intitulée « À vous de jouer : une numérisation qui remplit la page »Changez une condition : utilisez la numérisation D020 au lieu de D019. Son papier remplit presque toute la page du numériseur. Prédisez les jetons en entrée et le coût du recadrage, par rapport à la page entière. Exécutez ensuite les deux commandes :
python -m doc_extract.vision D020python -m doc_extract.vision D020 --cropAfficher la réponse
D020 scan0002.jpg page 1, prompt v2: gpt-6.1-sol-2026-09-29, 3194 tokens in, 561 out, 7.094 s, about US$0.0120D020 scan0002.jpg page 1, prompt v2: gpt-6.1-sol-2026-09-29, 3206 tokens in, 561 out, 7.04 s, about US$0.0120Le recadrage coûte autant et compte même 12 jetons de plus. La zone de recadrage mesure 1 275 × 1 560 pixels : presque toute la numérisation. La page entière est réduite pour tenir dans 1 600 pixels (1 236 × 1 600). Le recadrage n’est pas réduit, donc il est un peu plus grand. Les deux réponses donnent les neuf bonnes valeurs. Un recadrage aide seulement quand le document est petit dans l’image.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Expliquez à Tomás pourquoi la requête v1 a donné 0693-220 comme numéro de commande de D003. Quelles parties de la requête v2 l'ont empêché?
Afficher la réponse
D003 est un reçu de magasin. Il affiche un numéro de transaction, 0693-220, et aucun numéro de commande. La requête v1 demandait une clé order_number (numéro de commande), sans rien préciser sur les valeurs absentes. Le modèle a donc rempli le champ avec le numéro le plus proche, comme le ferait un collègue serviable. La requête v2 a changé trois choses. Son schéma permet null (valeur nulle), avec le statut absent (absent) et une raison. Une règle précise qu’un numéro de transaction ou de facture n’est pas un numéro de commande. Une autre règle dit : « ne jamais deviner, calculer ou compléter une valeur ». Ensemble, elles font de « absent, not_printed » (absent, non imprimé) une réponse normale. Sur les 54 pages de reçus, le nombre de valeurs inventées est passé de 11 à 0.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez : vous recadrez la photo D036 prise au téléphone avant de l'envoyer. Le papier remplit presque toute la photo. Le recadrage économisera-t-il autant que sur D019?
Afficher la réponse
Non, beaucoup moins. Sur D019, le reçu était une bande étroite sur une page de format lettre. Le recadrage a donc retiré la majeure partie de l’image et 60 % des jetons en entrée. Sur une photo prise au téléphone, le papier remplit presque tout le cadre. Avant l’OCR, le projet recadre D036 selon la zone [144, 32, 1088, 1548]. Cela donne 944 × 1 516 pixels sur une photo de 1 200 × 1 600. L’image reste grande, donc les jetons en entrée restent proches de ceux de la photo entière. La réponse garde aussi la même longueur. Le cours n’a pas enregistré de recadrages de photos. Il s’agit donc d’une prédiction basée sur les numérisations, pas d’une mesure.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Vérification pratique : exécutez python -m doc_extract.vision D022 et python -m doc_extract.vision D022 --crop. Le recadrage utilise moins de jetons en entrée. Pourquoi coûte-t-il plus cher?
Afficher la réponse
La page entière compte 2 079 jetons en entrée et 297 en sortie : 2 079 × 2 / 1 000 000 + 297 × 10 / 1 000 000 = 0,0042 $ US + 0,0030 $ US = environ 0,0071 $ US. Le recadrage compte 1 101 jetons en entrée et 558 en sortie : 0,0022 $ US + 0,0056 $ US = environ 0,0078 $ US. Le recadrage a économisé 978 jetons en entrée, mais la réponse comptait 261 jetons de plus. Un jeton en sortie coûte cinq fois plus cher. La réponse plus longue a donc coûté plus que l’économie du recadrage. La longueur d’une réponse varie d’un appel à l’autre. Évaluez donc un recadrage sur plusieurs pages, pas sur une seule.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Un modèle de vision répond à la requête que vous envoyez. La conception des entrées choisit la page, la partie de l’image et sa taille. La conception des requêtes fournit un schéma strict, des règles de format et des règles pour les valeurs absentes.
- Une requête simple a inventé 11 numéros de commande en copiant des numéros de transaction et de facture. La requête précise v2 n’en a inventé aucun, pour environ le double du prix par page.
- Dans le schéma,
value(valeur) peut êtrenull, etstatus(statut) vautfound(trouvé),inferred(déduit) ouabsent. Une valeur absente a unereason(raison). « Absent » est une réponse normale. - Recadrez quand le document est petit dans l’image. Sur 10 des 17 numérisations : environ 60 % moins de jetons en entrée et un quart de coût en moins. Mesurez chaque changement d’entrée sur plusieurs pages : le recadrage de D025 a perdu une lettre du nom du fournisseur.
- Le projet rejoue les réponses enregistrées, sans clé ni coût.
--liveappelle un modèle avec votre propre clé.
Ensuite, vous appelez le modèle seulement là où les règles ne peuvent pas lire un reçu. Vous trouvez aussi un endroit sur la page pour chacune de ses valeurs.
Leçon suivante : Combiner les méthodes