Behördebot KI

BehördeBot est un système modulaire doté d'un backend Flask (traitement central) et d'un frontend Streamlit (interface). Les utilisateurs téléversent des formulaires scannés ou photographiés (PDF/JPG/PNG). Le backend convertit les pages en images, exécute l'OCR et visualise le texte reconnu ainsi que les bounding boxes.

Le système classe le type de formulaire, extrait des champs structurés (avec des indices de confiance), réalise une extraction d'entités nommées, applique des vérifications d'erreurs heuristiques et exécute une recherche par Retrieval-Augmented Generation (RAG) sur un corpus local de documents juridiques afin de faire remonter les extraits juridiques pertinents.

Les utilisateurs peuvent traduire le contenu allemand↔anglais, modifier les valeurs des champs détectés dans un tableau interactif, enregistrer du JSON structuré et générer des PDF traduits préservant la mise en page pour téléchargement. Un tableau de bord d'évaluation calcule les métriques d'OCR (WER/CER), de traduction (BLEU) et d'utilisabilité (SUS, taux d'accomplissement des tâches), et les sorties/journaux de session sont stockés dans uploads/ et outputs/. L'architecture est extensible (ajout d'autres types de formulaires, ajout de LLM, connexion de bases de données cloud).

• Fiabilité de l'OCR sur des scans de mauvaise qualité : le texte manuscrit, les scans en basse résolution ou les mises en page complexes réduisent la précision de l'extraction et la détection des champs en aval.
• Variabilité des formulaires & complexité des mises en page : de nombreux formulaires administratifs présentent des différences de mise en page subtiles ; une classification et un mappage des champs robustes pour de nombreux modèles demandent un travail considérable.
  
• Pertinence & fiabilité du contexte juridique : garantir que les résultats du RAG soient juridiquement exacts, à jour et présentés avec les réserves appropriées afin de ne pas induire les utilisateurs en erreur.

• Pipeline modulaire OCR + NER : combiner Tesseract (ou de meilleurs moteurs OCR) avec une reconnaissance d'entités nommées basée sur spaCy et des heuristiques afin d'extraire les champs candidats et les types d'entités (noms, dates, adresses).
• Classification des formulaires + extraction structurée : des classifieurs ML pour détecter les types de formulaires et une logique d'extraction adaptée aux modèles (bounding box + analyse sémantique) pour mapper le texte OCR aux champs.
  
• RAG juridique pour une orientation contextualisée : un magasin vectoriel local sur les documents juridiques afin de récupérer les extraits pertinents par requête/page, aidant à expliquer les exigences des formulaires et à citer les références.

• Remplissage des formulaires plus rapide et moins sujet aux erreurs : les utilisateurs remplissent les formulaires plus vite grâce à une orientation au niveau des champs, à des conseils sur les erreurs et à l'autocomplétion à partir des entités extraites.
• Accessibilité améliorée & prise en charge multilingue : la traduction allemand↔anglais à la volée et la génération de PDF préservant la mise en page abaissent les barrières linguistiques pour les personnes non germanophones.
  
• Auditabilité & traçabilité : les sorties JSON structurées et les journaux facilitent l'examen de ce qui a été extrait, corrigé et référencé (utile pour les services d'assistance ou la conformité).

• Temps de traitement manuel réduit : l'automatisation de l'OCR + validation réduit le temps consacré par le personnel à la saisie manuelle des données et aux corrections.
• Moins de soumissions répétées : la détection des erreurs et une orientation claire réduisent les nouvelles soumissions, ce qui permet d'économiser des coûts administratifs et du papier.
  
• Option de déploiement local/offline-first : un état basé sur des fichiers/la RAM et des corpus juridiques locaux permettent des déploiements sans coûts cloud élevés ni bases de données persistantes (coûts d'hébergement réduits ; meilleure confidentialité des données).