Comment rechercher dans les documents numérisés ?
Une page numérisée n'est au départ qu'une image. Elle se retrouve par ses mots seulement si elle a une couche de texte ; la reconnaissance automatique (OCR) n'existe que pour le roumain.
Réponse courte
- OCR signifie reconnaissance optique de caractères : le texte d'une image devient un texte consultable par recherche. Chez nous, l'OCR n'existe que pour les documents en roumain.
- La numérisation ne produit qu'une image ; sans OCR, son contenu ne peut pas être retrouvé par une recherche.
- Pour les documents en roumain, la reconnaissance s'exécute automatiquement au chargement et ajoute une couche de texte par-dessus l'image ; pour les autres langues, le texte doit déjà exister ou être saisi à la main.
- Après traitement, vous pouvez rechercher tout ce qui figure dans le document : nom, numéro d'enregistrement, date ou montant.
Ce que dit la loi (en bref)
- La norme NF Z42-026 encadre la numérisation fidèle : elle porte sur la conformité de l'image au papier, pas sur la qualité de la couche texte. La couche de texte sert à la recherche, elle ne remplace pas le document versé.
- L'article 1379 du code civil et le décret n° 2016-1673 : c'est l'intégrité de la copie, attestée par une empreinte électronique, qui fonde sa force probante — l'inventaire et les métadonnées restent donc nécessaires même avec une couche de texte.
- Le Règlement (UE) 2016/679 (RGPD), art. 5, paragraphe 1, point e) : le texte extrait d'un scan contient les mêmes données personnelles et relève des mêmes délais de conservation.
- Les pièces comptables numérisées restent soumises aux 10 ans de l'article L123-22 du code de commerce et aux 6 ans de l'article L102 B du livre des procédures fiscales.
Exemples pratiques
- Vous recherchez « procès-verbal réception hall 2 » et obtenez quatre pages correspondantes parmi 3 500 pages numérisées.
- Un numéro SIRET mentionné dans le corps d'un courrier reçu devient consultable par recherche, alors qu'il n'apparaît nulle part dans le nom du fichier.
- À 200 pages numérisées par jour, l'indexation manuelle représenterait environ deux heures de saisie ; pour le roumain, l'OCR le fait au chargement.
- Un dossier du personnel de 2014, numérisé rétroactivement, devient consultable par le nom du salarié le jour même.
Erreurs fréquentes
- On numérise à 150 ppp ou moins, ce qui réduit visiblement la précision de la reconnaissance ; 300 ppp est le seuil pratique.
- Les pages sont de travers ou photographiées avec un téléphone, sans redressement automatique.
- On effectue les recherches sans accents, alors que le texte reconnu les contient.
- On suppose que chaque mot d'un scan est recherchable : sur les documents manuscrits, le résultat reste partiel.
- On renonce à l'inventaire, au motif que « de toute façon on recherche en plein texte ».
Comment 4docs vous aide
- Reconnaissance automatique au chargement pour les documents roumains, y compris pour les imports en masse depuis l'ancienne archive.
- Recherche en plein texte dans le contenu des documents, pas seulement dans le nom du fichier.
- Filtrage combiné par année, type de document, service et délai de conservation.
- Les résultats en plein texte vous renvoient directement au document où le terme apparaît.