Moteurs d’OCR : Tesseract, ABBYY, services cloud comparés
Un moteur d'OCR se juge sur vos documents, pas sur ses brochures. Voici les familles de solutions, les critères pertinents et une méthode de test simple.
Choisir un moteur d’OCR revient souvent à choisir entre trois mondes : un outil libre que l’on héberge, un logiciel commercial éprouvé, un service en ligne facturé à l’usage. Aucun n’est le meilleur dans l’absolu. Le bon choix tient à vos documents, à votre sensibilité aux données et à vos moyens d’exploitation.
DOSOBE édite GedFlow, une solution de gestion documentaire ; aucun moteur n’est favorisé ici et les mêmes critères s’appliquent à toutes les solutions.
Les trois familles
- Gratuit, auditable, déployable sur site
- Bon sur des textes imprimés propres
- Plus fragile sur les mises en page complexes et les scans dégradés
- Prétraitement et intégration à votre charge
- Moteur mature, reconnaissance de mises en page et de tableaux
- Nombreuses langues, outils de capture de documents
- Licence payante, déploiement et paramétrage à prévoir
- Mise en route rapide, tarification à l’usage
- Extraction de champs et de tableaux, modèles pour factures ou pièces d’identité selon les fournisseurs
- Évolution continue sans maintenance
- Documents envoyés à un tiers : analyse de conformité nécessaire
- Dépendance à un fournisseur et à ses tarifs
- Comportement susceptible de changer lors d’une mise à jour
Comment tester sérieusement
- Constituer un corpus de 100 à 200 documents réels, avec les mauvais scans et les cas tordus, pas seulement les beaux.
- Établir la vérité terrain sur les champs qui comptent (numéro, date, montant, nom) en les saisissant à la main une fois.
- Mesurer le taux d’erreur par champ plutôt qu’un score global : une erreur sur un montant n’a pas le poids d’une erreur sur un en-tête.
- Chronométrer et chiffrer le traitement d’un lot représentatif.
- Tester la correction humaine : combien de temps faut-il pour reprendre une erreur ?
Le prétraitement (redressement, suppression du bruit, résolution de numérisation autour de 300 dpi) fait souvent plus pour la qualité que le changement de moteur.
Le cas des documents difficiles
Trois situations dégradent fortement la reconnaissance : l’écriture manuscrite, les anciens registres aux encres pâlies, les formulaires dont les cases chevauchent le texte. Pour ces cas, aucun moteur ne donne de résultat parfait. Il faut alors raisonner en chaîne : reconnaissance automatique, mesure d’un indice de confiance, puis relecture humaine des seuls champs douteux. Un bon moteur est celui qui sait dire quand il doute, pas seulement celui qui se trompe peu. Demandez donc aux fournisseurs comment ils exposent ce score de confiance, et testez qu’il est bien corrélé aux erreurs réelles sur votre corpus.
Les critères hors performance
Hébergement, durée de conservation côté fournisseur, langues et alphabets utiles, formats de sortie (texte, PDF consultable, données structurées), interfaces de programmation, coût complet à volume attendu, réversibilité. Dans un projet de GED, l’OCR n’est qu’une étape : voir notre solution GedFlow et l’expertise automatisation des processus.
Questions fréquentes
Tesseract est-il suffisant pour un usage professionnel ?
Pour des documents propres et imprimés, souvent oui. Pour des formulaires complexes, de l'écriture manuscrite ou des scans médiocres, un moteur commercial ou une approche par apprentissage donne en général de meilleurs résultats.
Faut-il choisir l'OCR en cloud ?
Si les documents ne sont pas sensibles et que le volume varie, oui. Sinon, vérifiez la localisation du traitement, les garanties contractuelles et la possibilité d'un déploiement sur site.