# Vue d'ensemble : extraction de données de documents en tableaux structurés

> ImageToTable.ai transforme les images, captures d'écran, PDF et autres documents en données structurées : il extrait les valeurs que vous nommez, calcule celles que le document n'imprime pas, localise des éléments visuels comme une signature ou un logo, et fusionne les résultats multi-pages en un seul tableau — vous obtenez le tableau sans rien retaper à la main.

ImageToTable.ai transforme les documents en données structurées, et données structurées signifie ici plus que des valeurs textuelles. Vous nommez les [colonnes](/docs/reference/glossary#column) que vous voulez et l'IA les remplit — en lisant une valeur sur la page, en calculant une à partir des chiffres que le document montre, en jugeant une que le document ne précise pas, ou en localisant un élément visuel comme une signature ou un logo et en renvoyant sa position sur l'image. Les résultats d'un document arrivé en plusieurs pages sont fusionnés en un seul enregistrement, et le tableau final s'exporte en lignes et colonnes que vous pouvez trier, additionner, filtrer et alimenter dans un autre système — sans aucune ressaisie manuelle à aucun moment.

## Ce qu'est ImageToTable.ai

Des documents en entrée, des données structurées en sortie, sans ressaisie manuelle entre les deux. Pointez ImageToTable.ai sur des images, captures d'écran, PDF, documents Word ou texte brut, et il renvoie les informations qu'ils contiennent sous forme de lignes et colonnes que vous pouvez trier, additionner, filtrer, joindre et alimenter dans un autre système. En chemin, il fait plus que lire du texte : il peut calculer des valeurs à partir des chiffres que le document montre, juger des valeurs que le document ne précise pas, et localiser un élément visuel comme une signature, un logo ou un tampon sur la page.

Le travail qu'il remplace est la saisie manuelle de données : une personne qui lit des valeurs sur des reçus, factures, relevés bancaires ou formulaires et les tape, ligne par ligne, dans un tableur. Avec ImageToTable.ai, cette étape de frappe disparaît ; le tableau revient déjà rempli.

Le chemin d'un fichier à un tableau final est le même à chaque fois : les valeurs sont extraites, les colonnes que vous configurez pour calculer ou juger produisent leurs résultats, les résultats d'un document arrivé en plusieurs morceaux sont fusionnés en un seul enregistrement, et le tableau complet est exporté comme données structurées.

Il fonctionne sur un ensemble de fichiers plutôt qu'un à la fois. Les fichiers que vous fournissez ensemble forment un [lot](/docs/reference/glossary#batch), qui est l'unité que vous traitez, révisez et exportez ; le nombre de lignes qu'un fichier contribue dépend de son contenu.

## Ce que ce n'est pas

Deux choses avec lesquelles ce produit est souvent confondu, et où se situe la différence :

- **Pas un outil OCR de texte uniquement.** L'OCR lit les caractères d'une page et renvoie le texte. Il peut vous dire quels mots apparaissent sur un reçu, mais pas lequel est le vendeur, le total ou la taxe. ImageToTable.ai lit ce qu'un document *signifie* en plus de ce qu'il dit, afin de trouver les valeurs que vous demandez même lorsqu'aucune étiquette fixe n'indique où elles se trouvent — et il peut localiser un élément visuel comme un portrait ou une signature sans lire aucun texte.
- **Pas une plateforme de workflow documentaire d'entreprise.** Ce n'est pas un système pour concevoir des chaînes d'approbation, router des documents entre équipes ou s'intégrer à un système d'archivage avant que quoi que ce soit d'utile ne se produise. Cela part d'un fichier et de la liste des valeurs que vous voulez récupérer, et le résultat est un tableau.

La catégorie à laquelle il appartient est l'extraction de données structurées : des documents en entrée, des données structurées en sortie. On le décrit aussi comme une extraction sémantique ou basée sur l'intention, car ce qui détermine le résultat, c'est ce que vous demandez, pas l'endroit où les données se trouvent sur la page.

## Vous nommez les colonnes ; l'IA trouve les valeurs

C'est tout le modèle. Vous listez les [colonnes](/docs/reference/glossary#column) que vous voulez — les mêmes noms que vous taperiez comme en-têtes d'un tableur — et l'IA lit chaque document et renvoie la valeur qui correspond à chaque nom. Il n'y a pas de modèle d'analyse à concevoir, pas de zones à dessiner autour des champs, et pas de modèle à entraîner sur vos documents.

Parce que les noms de colonnes portent le sens, la même liste fonctionne sur des documents dont les mises en page diffèrent : une valeur n'a pas besoin d'être au même endroit sur chaque page pour être trouvée. Une liste peut être utilisée pour une seule exécution, ou enregistrée comme [modèle](/docs/reference/glossary#template) réutilisable ; si vous préférez ne pas nommer de colonnes du tout, l'IA peut lire le document et proposer elle-même une structure de tableau.

La valeur d'une colonne ne doit pas être un texte imprimé sur la page. Ce qu'une colonne renvoie est déterminé par ce que demande son instruction :

- **Lire une valeur imprimée** — le comportement par défaut, qui prend la valeur telle qu'elle apparaît.
- **Calculer une valeur** — la calculer à partir de chiffres que le document affiche, comme un total de ligne ou une différence entre deux montants.
- **Juger ou déduire une valeur** — décider d'une valeur que le document n'indique pas, comme la catégorie à laquelle appartient un reçu.
- **Localiser un élément visuel** — au lieu de lire du texte, trouver un portrait, une signature, un logo ou un tampon sur la page et renvoyer son emplacement ; l'application affiche un aperçu recadré de cette zone, et l'élément localisé est ce qui atterrit dans le tableau.

Calculer, juger et localiser sont ce qui distingue le produit d'une simple lecture de la page, et ces quatre opérations se configurent de la même manière, via ce que demande l'instruction de la colonne. [Colonnes personnalisées](/docs/concepts/custom-columns) explique comment rédiger chaque type.

La position d'un compte sur l'échelle du [Niveau de modèle](/docs/reference/glossary#model-tier) détermine quel modèle d'IA fait le travail, et donc combien de [crédits](/docs/reference/glossary#credits) chaque fichier coûte. Lorsqu'un document réel arrive sous forme de plusieurs photos ou pages, [Fusion multi-pages](/docs/reference/glossary#multi-page-merge) peut regrouper ces résultats en un seul enregistrement.

## Où aller ensuite

Cette page est une orientation, pas le manuel. Le chemin le plus court vers un premier résultat se trouve dans le [Démarrage rapide](/docs/quickstart) ; le vocabulaire utilisé sur le reste du site est défini dans le [Glossaire](/docs/reference/glossary).

- [**Démarrage rapide**](/docs/quickstart) — le chemin le plus court de l'inscription à votre premier tableau structuré.
- [**Modèles et colonnes**](/docs/concepts/templates-and-columns) — ce qu'est un modèle, ce qui compose une colonne, et où les modèles enregistrés peuvent être réutilisés.
- [**Colonnes personnalisées**](/docs/concepts/custom-columns) — comment une colonne peut lire une valeur directement, en calculer une, en inférer une, ou localiser un élément visuel.
- [**Niveau de modèle**](/docs/concepts/model-tier) — le niveau de qualité de traitement associé à un compte et ce que cela signifie pour les crédits.
- [**Fusion multi-pages**](/docs/concepts/multi-page-merge) — regrouper un document reçu sous forme de plusieurs fichiers en un seul enregistrement.
- [**Lots**](/docs/concepts/batches) — comment les fichiers sont regroupés, nommés et suivis tout au long du traitement.
- [**Limites et spécifications**](/docs/reference/limits-and-specs) — types de fichiers pris en charge, limites de pages et de taille, et limites du plan.

Pour développer sur l'API plutôt que sur l'application web, la documentation développeur est un site séparé : consultez la [Documentation API](/developers/).

---

Source: https://imagetotable.ai/fr/docs/