De 6 mois à 2 jours : la révolution LLM pour le traitement documentaire

Classifier et extraire les données de milliers, voire de millions de documents, c’était 6 mois de développement, une équipe de ML engineers et d’annotateurs externes, des dizaines de milliers d’images annotées et un budget à six chiffres.

Aujourd’hui, un LLM multimodal fait le même travail en quelques jours, sans dataset et sans entraînement.

Trop beau pour être vrai ? Dans cette démo live, je vous montre exactement comment ça fonctionne sur un cas réel de KYC bancaire, par exemple CNI, passeports, justificatifs, RIB, et surtout, comment on évite que le modèle hallucine sur vos données les plus sensibles.

Le sujet est issu d’une mission réelle en contexte bancaire (traitement KYC) avec des résultats validés sur plusieurs milliers de documents en production avec des taux de précision supérieurs à 99% après règles métier.

Ce que l’audience verra :

– Le passage concret d’un pipeline Deep Learning classique (CNN + OCR) à 3 briques : prompts, schémas de données, règles métier
– Une démo live d’extraction de bout en bout : du PDF brut au JSON structuré, pas un screencast pré-enregistré
– Les pièges rencontrés en production : hallucinations, documents dégradés, edge cases
– Les chiffres avant/après : coût, temps de développement, précision, latence

Déroulé :

1) La problématique KYC et le pipeline Deep Learning classique
2) Le nouveau paradigme : un prompt comme du code (versionning, tests, itérations), un schéma de données comme contrat de sortie, des règles métier comme garde-fous
3) Démo live : classification et extraction en temps réel
4) Les vrais chiffres en production : précision, latence, coût
5) POC vs production : les décisions d’architecture qui font qu’un POC qui marche devient un système qui tient (observabilité, drift detection, dead letter queue, souveraineté, sécurité LLM, RGPD)