Contexte

• Projet visant l'extraction automatique de données depuis factures et documents administratifs.
• Travail au croisement de la vision par ordinateur et du traitement documentaire pour automatiser des flux métier.

Objectifs du stage

• Concevoir et mettre en œuvre une chaîne OCR robuste adaptée aux documents administratifs et factures.
• Produire une API (Django) exposant les résultats d'extraction pour intégration dans des systèmes downstream.

Tâches et activités principales

• Collecte, nettoyage et annotation d'un jeu de données de factures et documents administratifs.
• Entraînement et adaptation de modèles OCR (ex. Paddle OCR), post-traitement des résultats (normalisation, règles métier).
• Développement d'une API REST avec Django pour recevoir des documents et retourner les champs extraits.
• Mise en place d'un pipeline d'évaluation (métriques d'extraction, précision/champ, recall) et optimisation itérative.

Compétences requises

• Maîtrise de Python et des bibliothèques de deep learning/vision (expérience Paddle OCR un plus important).
• Connaissances en traitement de texte et règles de parsing (regex, heuristiques) pour l'extraction d'entités.
• Bonnes pratiques de développement d'API (Django/DRF), gestion des données et tests.

Environnement technique

• Langages et frameworks : Python, Django (API).
• Outils OCR/ML : Paddle OCR, frameworks de deep learning habituels (PyTorch/TF selon besoins).
• Workflow : annotation de données, entraînement modèle, déploiement d'API, évaluation continue.

Livrables attendus & modalités

• Prototype fonctionnel d'extraction automatique capable d'identifier et normaliser les principaux champs (montant, date, fournisseur, etc.).
• API Django documentée et exemples d'utilisation (tests, scripts d'intégration).
• Rapport de stage présentant méthodologie, résultats d'évaluation et pistes d'amélioration.