Les entreprises du monde entier investissent dans l’automatisation des processus. Pourtant, dans de nombreuses organisations, un problème invisible continue de freiner la capacité à passer à l’échelle: les documents.
Factures, formulaires, rapports, documentation médicale ou confirmations de services arrivent souvent dans des formats différents, depuis différents systèmes et de la part de nombreux partenaires.
Dans l’un des projets que nous avons réalisés avec Quantup pour un client du marché américain de l’assurance santé, l’ampleur du problème était considérable.
Environ un million de documents circulaient chaque jour.
Pour parler de ce projet et du rôle de l’intelligence artificielle, nous recevons Rafał Pisz, CEO de Quantup, dans le podcast « AI in Production ».
Sommaire
Le problème: quand 10 % des documents bloquent tout le processus
À première vue, le fonctionnement du système d’assurance santé semble simple.
Après la réalisation d’un acte médical, plusieurs documents apparaissent:
- un rapport médical de l’établissement,
- les informations sur les coûts,
- la décision de l’assureur,
- le relevé de remboursement pour le patient.
Ces documents doivent être réconciliés, c’est-à-dire comparés et vérifiés afin de s’assurer que toutes les informations correspondent.
Le problème est que, dans la réalité, tous les documents ne sont pas numériques.
De nombreuses organisations utilisent les standards EDI et l’échange électronique de données, mais certains acteurs du processus continuent d’envoyer leurs documents sur papier ou sous forme de scans. Même si cela ne représente que 5 à 10 % des documents, ce sont justement ces documents qui deviennent le principal goulot d’étranglement du processus.
Comme l’explique Rafał Pisz :
« Malgré l’existence de schémas de communication très standardisés, certains participants au processus ne sont pas en mesure de les utiliser et continuent de travailler avec des documents imprimés. Cela devient une limitation pour l’ensemble du processus. »
En pratique, cela signifie une chose: sans traitement automatisé des documents, le processus ne peut pas passer à l’échelle.
L’ampleur du problème : un million de documents par jour
Le client pour lequel nous avons réalisé ce projet opère dans le secteur des services liés à la facturation de la documentation médicale. Dans l’ensemble du processus, un nombre très important de documents apparaît chaque jour.
Comme cela a été mentionné dans le podcast :
« Nous parlons d’un projet dans lequel, à travers toute la structure entre les participants du processus, un million de documents circulent chaque jour. »
Auparavant, une grande partie du travail était réalisée par de larges équipes d’analystes qui, manuellement :
- examinaient les documents,
- vérifiaient leur structure,
- identifiaient le type de document,
- les dirigeaient vers le processus approprié.
À cette échelle, un problème fondamental apparaît. Si une entreprise veut multiplier son activité par dix, cela ne signifie pas simplement embaucher dix fois plus de personnes.
En pratique, le nombre d’employés devrait être encore plus élevé en raison de limites naturelles telles que :
- la disponibilité limitée des spécialistes,
- les coûts opérationnels,
- la gestion de grandes équipes,
- la baisse d’efficacité à grande échelle.
C’est pourquoi le client a décidé de mettre en place un système automatisé de traitement des documents basé sur l’intelligence artificielle.
Pourquoi l’OCR ne suffit pas
De nombreux dirigeants pensent que le problème des documents peut être résolu simplement en scannant les documents et en utilisant l’OCR.
En réalité, ce n’est que le début.
Comme l’explique Rafał Pisz :
« Beaucoup de gens disent : c’est simple, il suffit de scanner le document, de faire de l’OCR et c’est réglé. En réalité, ce n’est que le début du problème. »
Après la numérisation des documents, de nouveaux défis apparaissent :
- Où commence et où se termine un document ?
Un seul fichier peut contenir plusieurs documents. - Quel est le type de document ?
Est-ce une facture, un rapport médical ou une confirmation de service ? - À quel processus doit-il être envoyé ?
- Que faire lorsque le système n’est pas certain ?
Ce sont précisément ces défis qui étaient au cœur du projet.
Comment fonctionne la solution d’IA
Dans ce projet, des modèles de Document Understanding basés sur l’architecture transformers ont été utilisés. Les modèles ont été ajustés avec les données du client afin de mieux comprendre les spécificités des documents présents dans le processus.
Le système réalise deux tâches principales.
- Segmentation des documents
Le modèle identifie :
- le début d’un document,
- la fin d’un document,
- les limites entre les documents.
- Classification des documents
Après la segmentation, les documents sont classifiés et envoyés vers le processus métier approprié.
Le système a été conçu de manière à demander une intervention humaine en cas d’incertitude. Cela permet d’éviter que l’automatisation introduise un risque dans l’ensemble du processus.
90 % de précision qui transforme le processus
L’un des indicateurs clés du projet était la précision dans l’identification des limites des documents.
Comme l’explique Rafał Pisz :
« Nous avons construit une solution capable d’identifier correctement le début et la fin d’un document avec une probabilité de 90 %. Lorsque le système n’est pas certain, il signale le cas et demande l’intervention d’un humain. »
À première vue, 90 % de précision peut ne pas sembler parfait. En pratique, ce niveau de performance change pourtant la manière dont tout le processus fonctionne.
Pourquoi ?
Parce que les personnes ne réalisent plus de tâches répétitives et peuvent se concentrer uniquement sur :
- les exceptions,
- les cas complexes,
- le contrôle qualité.
Cela représente un changement opérationnel majeur.
Un ROI mesuré en semaines
Bien que le projet ait duré plusieurs mois et mobilisé une équipe de spécialistes en IA, en data science et en traitement de documents, les résultats ont permis de :
- réduire significativement les coûts opérationnels,
- augmenter la capacité de mise à l’échelle,
- accélérer le traitement des documents,
- améliorer la qualité du processus.
Cela montre l’une des caractéristiques les plus importantes des projets d’IA bien conçus. Lorsque l’on résout le bon problème métier, le retour sur investissement apparaît très rapidement.
Document AI concerne de nombreux secteurs
Même si ce projet concernait le marché américain de l’assurance santé, un problème similaire existe dans de nombreux secteurs :
- la logistique,
- l’industrie manufacturière,
- la banque,
- l’administration publique,
- la santé.
Dans chacun de ces secteurs, on observe le même schéma.
- La majorité des processus sont déjà numériques.
- Cependant, une partie des documents reste encore sous forme papier.
- Quelques pourcents de documents suffisent à bloquer l’automatisation.
C’est précisément à ce niveau que les technologies de Document AI apportent le plus de valeur.
L’IA remplacera-t-elle complètement les humains ?
Le podcast aborde également une question importante concernant l’avenir.
Le traitement des documents sera-t-il entièrement automatisé à l’avenir ?
Rafał Pisz apporte une réponse très pragmatique :
« L’objectif n’est pas de poursuivre de manière dogmatique une automatisation à 100 %. L’important est de résoudre le problème qui limite aujourd’hui la croissance de l’entreprise. »
En pratique, cela signifie que les meilleurs projets d’IA ne consistent pas à remplacer complètement les personnes. Leur objectif est de supprimer les goulots d’étranglement dans les processus métier.
Écoutez l’épisode complet du podcast
Si vous vous intéressez à :
- la mise en œuvre de l’IA dans le traitement des documents,
- les principaux défis des projets d’IA,
- la manière d’obtenir un ROI dans les projets de machine learning.
écoutez l’épisode complet du podcast « AI en production » avec Rafał Pisz de Quantup.
Dans cet échange, nous abordons les détails du projet, les technologies utilisées et les enseignements pratiques pour les entreprises qui souhaitent utiliser l’IA dans leurs processus.
