Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarAWS Machine Learning Blog→ original

Amazon Textract Insights analyse des lots jusqu'à 3000 pages et indique la source de chaque champ

Amazon lance Textract Insights : le service extrait des scans les champs voulus à partir d'une description en langage naturel, sans entraînement de modèle. Un dossier de prêt immobilier de 26 pages, avec formulaire W-2, relevés bancaires et notes manuscrites, est découpé en documents par une seule requête (le fichier peut aller jusqu'à 3000 pages). Chaque valeur est accompagnée d'un score de confiance, d'une page et d'un cadre sur cette page : les champs fiables partent seuls dans le système, les douteux sont renvoyés à un humain.

Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Amazon Textract Insights analyse des lots jusqu'à 3000 pages et indique la source de chaque champ
Source : AWS Machine Learning Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireAWS Machine Learning Blog ↗
Rédacteur en chef
Chiffre clé #1Formats PDF, PNG, JPEG et TIFF ; Insights comprend 6 langues, dont l'anglais
Chiffre clé #2Facturation à la page, et non au jeton, sans engagement minimum
Chiffre clé #3Textract Core passe à 40 langues et 18 régions ; Insights n'est pas encore disponible dans les nouvelles

Banques, assureurs et administrations numérisent des papiers depuis des années, mais un manque de confiance les empêche de confier leur traitement entièrement à un réseau de neurones : on ne sait pas d'où vient un chiffre ni s'il peut être inscrit en base sans vérification. Amazon a ouvert en disponibilité générale Textract Insights, une nouvelle fonction d'Amazon Textract qui répond précisément à cette question. Prenons un dossier de prêt immobilier : un seul PDF de 26 pages, où se mélangent formulaire W-2, fiches de paie, relevés bancaires et notes manuscrites du chargé de crédit.

Vous décrivez les champs voulus en langage naturel, envoyez le fichier (jusqu'à 3000 pages) en une seule requête, et le service le découpe lui-même en documents. Pour chaque valeur trouvée, il renvoie un score de confiance, ainsi que la page et les coordonnées du cadre d'où elle provient. Le score permet de décider ce qui passe automatiquement et ce qui est confié à un humain ; la page et le cadre permettent de comparer rapidement le résultat à l'original.

Comment cela fonctionne, sur l'exemple du dossier de prêt immobilier

Jusqu'ici, les équipes avaient le choix entre deux options. La première : monter leur propre chaîne de traitement, avec reconnaissance de texte, découpage en documents, classifieur, requête à un modèle de langage et étape de vérification, puis la maintenir. La seconde : envoyer le fichier à un LLM généraliste. Celui-ci répond avec aisance, mais n'indique pas toujours la page source et ne fournit pas de score de confiance calibré.

Dans Textract Insights, vous décrivez les champs voulus dans un blueprint : il s'agit d'un JSON Schema où chaque champ possède une description textuelle en langage naturel. Chaque champ reçoit un type : sa valeur est soit lue mot à mot sur la page, soit déduite du contenu du document. Des modèles publics prêts à l'emploi existent pour les documents courants : W-2, Form 1040, Form 1098, passeport, acte de naissance. Pour vos propres documents, vous écrivez le modèle vous-même.

Vous ajoutez ensuite au projet les modèles de tous les types attendus, activez le découpage et envoyez un fichier depuis S3 en un seul appel StartDocumentInsights. Le service divise le lot en documents logiques, associe chacun à son modèle et dépose le résultat dans votre bucket. Le traitement est asynchrone et aucun entraînement de modèle n'est nécessaire.

Ce que cela change en pratique

L'apport principal est une automatisation maîtrisée. Un auditeur peut comparer n'importe quel champ à l'original, et l'équipe fixe elle-même le seuil de confiance : au-dessus, les valeurs avancent sans intervention humaine ; en dessous, elles partent en vérification manuelle. La société Symbeo (qui fait partie de CorVel), qui traite des factures médicales issues de multiples sources et de formats variés, souligne précisément ce point : la vérification manuelle peut se concentrer uniquement sur les champs à faible confiance. Il faut toutefois préciser que Symbeo n'a pour l'instant fait qu'évaluer le service, et qu'elle présente le découpage des lots comme une fonction qu'elle souhaite étudier, non comme une solution déjà en production.

Amazon a par ailleurs mis à jour le moteur de base Textract Core : la précision est améliorée, les tableaux denses et le texte manuscrit sont mieux gérés, et le nombre de langues pour les API DetectDocumentText et AnalyzeDocument passe à 40. Ces API n'ont pas changé : les clients existants profitent donc des améliorations sans toucher à leur code. Textract Core est aussi arrivé dans les régions de Tokyo et de Zurich, et compte désormais 18 régions.

Limites et points à vérifier avant le déploiement

  • Insights lui-même ne prend en charge que six langues : anglais, français, allemand, italien, portugais et espagnol.
  • À Tokyo et à Zurich, Insights n'est pas encore disponible ; cela ne concerne que Core.
  • Les requêtes d'inférence peuvent être traitées dans une autre région de votre zone géographique. Par exemple, une requête émise depuis les États-Unis reste aux États-Unis. Si vous avez des exigences strictes de localisation des données, il faut le vérifier dans la documentation. Core, à l'inverse, s'exécute dans la région que vous appelez.
  • Les données intermédiaires des tâches sont chiffrées avec des clés AWS et supprimées à la fin du traitement. Vous pouvez indiquer votre propre clé KMS via EncryptionConfiguration ; la clé du projet ne s'applique pas aux tâches.
  • Le prix est calculé à la page, et non au jeton, sans engagement minimum. L'annonce ne donne pas de tarifs précis.

La conclusion pour les développeurs et les product managers est simple : avant de basculer un flux en automatique, prenez un échantillon représentatif de vos documents et calibrez le seuil de confiance. Amazon recommande elle-même cette étape. Une calibration sur des données réelles montrera quelle part des champs passe réellement sans humain, et c'est seulement alors qu'on pourra calculer l'économie du projet. Si votre équipe maintient aujourd'hui une chaîne maison composée d'OCR, d'un classifieur et d'un LLM, c'est une bonne occasion de comparer son coût total de possession à celui d'une API unique et managée.

Dossier

Questions clés sur cet article

Comment cela fonctionne, sur l'exemple du dossier de prêt immobilier?

Jusqu'ici, les équipes avaient le choix entre deux options. La première : monter leur propre chaîne de traitement, avec reconnaissance de texte, découpage en documents, classifieur, requête à un modèle de langage et étape de vérification, puis la maintenir. La seconde : envoyer le fichier à un LLM généraliste. Celui-ci répond avec aisance, mais n'indique pas toujours la page source et ne fournit pas de score de confiance calibré.

Que sait-on sur Ce que cela change en pratique ?

L'apport principal est une automatisation maîtrisée. Un auditeur peut comparer n'importe quel champ à l'original, et l'équipe fixe elle-même le seuil de confiance : au-dessus, les valeurs avancent sans intervention humaine ; en dessous, elles partent en vérification manuelle.

Que sait-on sur Limites et points à vérifier avant le déploiement ?

Insights lui-même ne prend en charge que six langues : anglais, français, allemand, italien, portugais et espagnol. À Tokyo et à Zurich, Insights n'est pas encore disponible ; cela ne concerne que Core. Les requêtes d'inférence peuvent être traitées dans une autre région de votre zone géographique. Par exemple, une requête émise depuis les États-Unis reste aux États-Unis. Si vous avez des exigences strictes de localisation des données, il faut le vérifier dans la documentation.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
Qu'en pensez-vous ?
Chargement des commentaires…