Pièces scannées invisibles à la recherche : ce que change l’OCR

Un document numérisé est une image, pas un texte

Un PDF peut contenir deux choses très différentes. L’une est du texte, accompagné d’informations de mise en page. L’autre est l’image d’une feuille de papier, placée dans une enveloppe PDF pour pouvoir être envoyée par e-mail.

Les deux s’ouvrent dans la même visionneuse et paraissent identiques au lecteur. Une seule se prête à la recherche. Or les dossiers contentieux sont remplis de la seconde catégorie : des documents photocopiés, faxés, numérisés sur un copieur réglé n’importe comment, puis communiqués par RPVA en un seul gros fichier.

L’échec est silencieux, et c’est bien le problème

Rien ne vous avertit. La recherche ne renvoie aucun résultat, exactement comme lorsqu’elle ne renvoie rien parce que le mot n’y est pas. Le document reste au dossier, connu seulement par son nom de fichier, et la personne qui prépare l’affaire contourne un trou dont elle ignore l’existence.

Dans un dossier volumineux, un document impossible à rechercher est en pratique un document manquant, et il manque sans le moindre message d’erreur.

Ce que l’OCR vous donne réellement

La reconnaissance optique de caractères (OCR) lit l’image et en tire du texte. Sur un document dactylographié numérisé proprement, le résultat est presque parfait. La qualité baisse à chaque génération de copie : le fax d’une photocopie d’un fax donne des fragments, et une annotation manuscrite dans la marge ne donne en général rien.

Il en découle deux conséquences pratiques.

D’abord, lancez l’OCR à l’import plutôt qu’à la demande. Appliqué au moment où un document entre au dossier, il rend le dossier consultable dès le départ. Appliqué lorsque quelqu’un remarque un trou, il arrive quand ce trou a déjà coûté quelque chose.

Ensuite, conservez l’original. Le texte issu de l’OCR sert à retrouver le document. C’est le document lui-même que l’on cite, que l’on produit comme pièce et que l’on remet au tribunal.

Savoir ce qui a échoué, c’est la moitié de la valeur

Une page de caractères mal reconnus n’est pas du texte, et la traiter comme du texte est pire que ne rien en faire. Elle pollue les résultats de recherche, et un outil incapable de faire la différence finira par la citer.

Ce que vous attendez du traitement, c’est une réponse claire en deux parties : voici le texte que nous avons pu récupérer, et voici la liste des documents pour lesquels la récupération a échoué. Cette seconde liste est une liste de travail. Ce sont les pages qu’une personne doit ouvrir, et elles sont en général bien moins nombreuses que le volume des pièces ne le laisse craindre.

Où cela se situe dans le travail

Dans Legalnaut, l’extraction se fait d’après le contenu et non d’après l’extension du fichier, car les pièces communiquées arrivent mal nommées, ou pas nommées du tout. Le texte est d’abord extrait localement. Si ce qu’il renvoie est trop court ou trop abîmé pour être du vrai texte, le document passe à l’OCR. Les enregistrements audio passent à la transcription, horodatage conservé, pour qu’une citation puisse être vérifiée sur l’enregistrement.

Les documents dont rien d’exploitable n’a pu être tiré sont listés comme tels, au lieu de passer pour des documents vides. Cette liste est en général courte.

Une fois le texte disponible, il peut alimenter une chronologie : voir comment établir la chronologie d’un dossier à partir de 900 e-mails.

Créez votre compte et importez des pièces communiquées pour voir lesquelles reviennent illisibles. Sans carte bancaire.