La compréhension de documents est une technologie d'intelligence artificielle multimodale qui combine vision par ordinateur et traitement automatique du langage naturel (TALN). Elle vise à permettre aux machines de comprendre le contenu de documents comportant des informations complexes telles que du texte, des images, des tableaux et la mise en page. Contrairement à la reconnaissance optique de caractères (OCR) traditionnelle, qui se concentre uniquement sur la transcription du texte, les systèmes de compréhension de documents doivent non seulement reconnaître le texte, mais aussi analyser la disposition spatiale, les éléments visuels et les relations sémantiques entre les différents éléments de contenu du document, permettant ainsi l'extraction d'informations, l'analyse syntaxique du contenu et l'organisation des connaissances.

Le développement des technologies de compréhension de documents repose sur plusieurs domaines, notamment la reconnaissance optique de caractères (OCR), l'analyse de documents et les modèles pré-entraînés. Les premiers systèmes de traitement de documents s'appuyaient principalement sur l'OCR, combinée à des règles définies manuellement, pour la reconnaissance de texte et l'extraction des champs. Cependant, face à des formats de documents complexes (contrats, factures, rapports, formulaires, etc.), les relations spatiales entre les textes étaient souvent perdues. En 2019, des chercheurs de Microsoft Research Asia ont proposé… LayoutLM : Pré-entraînement du texte et de la mise en page pour la compréhension des images de documents Ce travail est le premier à combiner des informations textuelles et des informations de mise en page dans un modèle pré-entraîné. En modélisant conjointement le contenu textuel et la position spatiale bidimensionnelle, il améliore la capacité du modèle à comprendre la structure des documents et constitue une contribution importante à la recherche dans le domaine de la compréhension documentaire.

Grâce au développement de modèles pré-entraînés et de l'apprentissage multimodal, les modèles modernes de compréhension de documents intègrent progressivement diverses informations telles que le texte, les images et la mise en page. Les méthodes représentées par la série de modèles LayoutLM étendent l'encodage positionnel bidimensionnel, les caractéristiques d'image et la représentation sémantique visuelle, permettant ainsi aux modèles de traiter des scénarios documentaires plus complexes. Ces technologies sont largement utilisées dans des domaines tels que le traitement intelligent des documents (TID), l'analyse des factures, l'extraction d'informations contractuelles, la gestion documentaire d'entreprise et l'analyse syntaxique des documents médicaux.

La compréhension de documents vise principalement à résoudre le problème des méthodes OCR traditionnelles, qui se limitent à l'extraction du contenu textuel et peinent à appréhender la structure et les relations sémantiques des documents. En analysant conjointement le contenu textuel, les cadres de délimitation et les caractéristiques visuelles, le modèle peut identifier les relations entre les champs, la structure des tableaux et les informations clés d'un document, réduisant ainsi la dépendance aux modèles de règles générés manuellement. La compréhension de documents est aujourd'hui devenue un axe technologique majeur dans le traitement intelligent de l'information en entreprise et les systèmes d'intelligence artificielle multimodaux.