Ressources · 81
Extraction par IA : valider un JSON avant de l’intégrer
Séparer parsing, schéma, preuve documentaire et règles métier pour transformer des documents en données utilisables.
· 10 min
Ce que ce guide permet
- Définir le contrat du résultat
- Relier chaque valeur à une preuve
- Valider dans un ordre explicite
- Tester les documents difficiles
- Prévoir reprise et correction
Contrôle express
- Un JSON valide peut-il contenir une erreur ?
- Faut-il remplacer un champ manquant par zéro ?
- Quand demander une revue humaine ?
Méthode pas à pas
- 01
Définir le contrat du résultat
Listez les champs réellement nécessaires, leur type, unité et statut d’absence. JSON Schema distingue propriétés décrites et champs obligatoires : déclarer une propriété ne la rend pas obligatoire. Décidez si les champs supplémentaires sont acceptés. Conservez la version du schéma avec chaque lot, sans multiplier des champs sans usage.
Livrable : schéma versionné et exemples valides ou rejetés.
- 02
Relier chaque valeur à une preuve
Demandez une référence à la page, au passage ou à la cellule source pour les valeurs qui déterminent une action. Prévoyez un état inconnu lorsque l’information manque. Un montant correctement typé peut être celui d’un autre document ; une date plausible peut être la date d’émission au lieu de la date d’échéance.
Livrable : correspondance champ, source et règle de lecture.
- 03
Valider dans un ordre explicite
Contrôlez d’abord le parsing JSON, puis le schéma, puis les règles métier : devise autorisée, identifiant existant, somme des lignes, chronologie. Un résultat conforme au schéma ne garantit ni vérité ni autorisation d’écrire dans un système. Bloquez l’action métier tant que ses conditions ne sont pas réunies.
Livrable : erreurs distinctes et décisions d’acceptation.
- 04
Tester les documents difficiles
Constituez des cas avec tableaux scindés, plusieurs langues, valeurs contradictoires, document vide et instructions hostiles dans le texte. Vérifiez refus, troncature et nouvelle tentative. Réservez un jeu indépendant de la mise au point et comparez les erreurs par champ, sans convertir un taux global en garantie.
Livrable : jeu de référence et liste des erreurs critiques.
- 05
Prévoir reprise et correction
Associez document, version du modèle, schéma et résultat à un identifiant de traitement. Une reprise ne doit pas créer deux fiches. Une correction humaine doit conserver sa justification et permettre de retrouver les sorties dérivées. Évitez de copier inutilement le document entier dans les journaux.
Livrable : procédure de correction et reprise contrôlée.
Du résultat lisible à l’action autorisée
Un contrôle réussi ne remplace pas le suivant. Arrêtez le traitement au premier contrôle indispensable non satisfait.
Lire le JSON
La réponse est-elle complète et analysable ?
Valider le contrat
Types, champs, unités et absence correspondent-ils au schéma ?
Vérifier les valeurs
Les preuves sources et règles métier justifient-elles les valeurs ?
Autoriser l’action
L’identité, la portée et les conditions d’écriture sont-elles réunies ?
Exemple fictif : le parsing et le schéma passent, mais deux montants se contredisent. L’écriture reste bloquée ; le dossier part en revue.
Cas de recette à reproduire
Exemple fictif : ces données ne décrivent aucun client ni résultat réel.
Voir les données du cas
{
"schema": {
"type": "object",
"required": [
"amount"
],
"properties": {
"amount": {
"type": "number"
}
}
},
"output": {
"amount": "12.50"
}
}Décision attendue
La chaîne "12.50" ne satisfait pas le type number. Rejeter ou corriger explicitement avant intégration.
Variantes fictives à éprouver
Un grand entier change après lecture puis réécriture du JSON.
Comparer la valeur brute et la valeur relue, par exemple 9007199254740993. Certains traitements en binaire64 arrondissent cet entier. Choisir une représentation exacte adaptée au contrat avant intégration.
Le producteur valide avec la version 1, mais le destinataire attend la version 2.
Associer le résultat à une version explicite du contrat et vérifier la compatibilité avec le destinataire. Un succès sous un ancien schéma ne valide pas automatiquement la nouvelle version.
Le lot est valide, mais la réponse est marquée interrompue.
Conserver le statut incomplet. Vérifier la fin de génération et la couverture attendue avant d’intégrer le lot comme résultat complet.
Preuves à conserver
- Réponse brute protégée et statut de fin.
- Version du schéma et erreurs localisées.
- Contrôles métier et couverture du lot.
Référence complémentaire : IETF — RFC 8259, number interoperability [EN]
Procédure de vérification
- Fixez champs requis, types et valeurs autorisées.
- Validez un montant texte contre un schéma numérique.
- Conservez le chemin de l’erreur et la correction explicite. Ajoutez un résultat conforme au schéma dont une valeur contredit le document source ; il doit rester distinct d’une extraction vérifiée.
Fiche de travail à réutiliser
À compléter avec vos observations autorisées. Ces champs constituent une trame de travail, pas des résultats observés.
| Champ | Information à consigner |
|---|---|
| Contrat | Champs, types, unités, absence et version du schéma |
| Preuve | Document et passage correspondant à chaque champ décisif |
| Validation | Parsing, schéma, règles métier et raison du rejet |
| Reprise | Identifiant de traitement, doublon évité et correction propagée |
Exemple d’application
Situation illustrative
Exemple fictif : un extracteur trouve deux totaux sur une facture et choisit le montant hors taxes alors que le connecteur attend le montant à payer.
Décision et preuve attendue
Le schéma accepte le nombre, mais le rapprochement des lignes et de la devise bloque l’écriture et transmet le document à la revue.
Distinguer les mécanismes
| Mécanisme | Utilité | Point de vigilance |
|---|---|---|
| JSON lisible | Permettre le parsing | Ne valide ni champs attendus ni sens |
| Schéma conforme | Contrôler types et contraintes | Ne prouve pas la fidélité au document |
| Rapprochement métier | Vérifier l’usage et la cohérence | Dépend de règles et de références explicites |
Indicateurs de pilotage
| Indicateur | Ce qu’il mesure | Première action |
|---|---|---|
| Exactitude par champ | Valeurs correctement extraites parmi les champs évaluables | Prioriser les erreurs qui changent une action |
| Abstention utile | Cas non décidés faute de preuve | Examiner la file sans pousser à inventer une valeur |
| Doublons à la reprise | Fiches répétées pour un même traitement | Corriger le mécanisme de déduplication |
Erreurs fréquentes
- Ne valide ni champs attendus ni sens
- Ne prouve pas la fidélité au document
- Dépend de règles et de références explicites
Questions fréquentes
Un JSON valide peut-il contenir une erreur ?
Oui. Il peut respecter la syntaxe et le schéma tout en donnant un montant, une identité ou une date incorrects. Vérifiez les valeurs décisives avec leur source.
Faut-il remplacer un champ manquant par zéro ?
Seulement si le contrat donne ce sens à zéro. Sinon, utilisez le statut d’absence prévu ; une valeur par défaut inventée fausse les calculs.
Quand demander une revue humaine ?
Lorsqu’une contradiction, une preuve absente ou une erreur critique dépasse le périmètre accepté. Définissez les cas avant de lancer les lots.
IA : contrôler un résultat JSON
Un résultat JSON conforme peut encore être faux
L’extraction par IA transforme un document en champs exploitables. Pour l’intégrer, il faut distinguer la lecture de la réponse, le contrat des données, la validité d’une date et la fidélité au passage source. L’atelier ci-dessous rend ces écarts visibles : un nombre entier peut être bien typé tout en contredisant le document.
14 sorties fictives, calculées localement, sans appel à un modèle et sans document utilisateur. Le document témoin DOC-TRAIN-01, page 2, indique « Count: 12 » au 20 octobre 2026. DOC-TRAIN-02 n’a pas de témoin fourni. Les décisions sont limitées à cet exercice ; aucune sortie ne reçoit ici une autorisation d’écriture.
Le témoin de comparaison est affiché
{
"document_id": "DOC-TRAIN-01",
"page": 2,
"status": "observed",
"count": 12,
"observed_on": "2026-10-20",
"quote": "Count: 12"
}Ce petit objet est la référence complète de l’exercice, pas un vrai document ni une preuve de provenance externe. Une égalité avec ce témoin ne démontre pas la qualité d’un OCR, la complétude d’une archive ou l’authenticité d’un fichier.
Le contrat JSON Schema 2020-12
Le contrat exige six champs et refuse les propriétés supplémentaires. observed impose nombre, date et extrait ; unknown impose null pour ces trois valeurs. required porte sur la présence : il n’autorise pas à remplacer une absence par zéro. La politique locale refuse aussi les clés en double avant de construire l’objet à valider.
Le contrat JSON Schema 2020-12
{
"$schema": "https://json-schema.org/draft/2020-12/schema",
"title": "Fictional document observation v1",
"type": "object",
"additionalProperties": false,
"required": [
"document_id",
"page",
"status",
"count",
"observed_on",
"quote"
],
"properties": {
"document_id": {
"enum": [
"DOC-TRAIN-01",
"DOC-TRAIN-02"
]
},
"page": {
"type": "integer",
"minimum": 1
},
"status": {
"enum": [
"observed",
"unknown"
]
},
"count": {
"type": [
"integer",
"null"
],
"minimum": 0
},
"observed_on": {
"type": [
"string",
"null"
],
"format": "date"
},
"quote": {
"type": [
"string",
"null"
],
"minLength": 1
}
},
"allOf": [
{
"if": {
"properties": {
"status": {
"const": "observed"
}
},
"required": [
"status"
]
},
"then": {
"properties": {
"count": {
"type": "integer"
},
"observed_on": {
"type": "string"
},
"quote": {
"type": "string"
}
}
},
"else": {
"properties": {
"count": {
"type": "null"
},
"observed_on": {
"type": "null"
},
"quote": {
"type": "null"
}
}
}
}
]
}Le schéma est contrôlé avec Draft202012Validator. Deux exécutions sont comparées : sans vérification de format, puis avec le vérificateur date explicitement activé. Ce réglage de bibliothèque n’équivaut pas à annoncer la prise en charge complète du vocabulaire Format-Assertion. Aucune référence de schéma distante n’est récupérée pendant le calcul.
Python 3.12.14 · python-jsonschema 4.26.0 · Draft 2020-12 · FormatChecker: date
Six distinctions à conserver dans le connecteur
| Distinction | Conséquence dans l’exercice | Cas repère |
|---|---|---|
| Syntaxe / unicité des clés | Un doublon peut être accepté par un parseur ; le profil local le refuse pour éviter une valeur écrasée. | J03 |
| Présence / valeur | Un champ absent et un champ présent avec null sont deux états différents. | J06 / J07 |
| Entier / chaîne / booléen | Ni "12" ni true ne satisfont le type integer du schéma. Aucune conversion silencieuse n’est appliquée. | J04 / J05 |
| Annotation / contrôle actif | La date impossible passe la structure sans vérificateur de format, puis échoue lorsque celui-ci est activé. | J10 |
| Forme / fidélité | Le nombre 21 est conforme au type mais contredit le témoin indiquant 12. | J11 |
| Fidélité / droit d’agir | Même J01 n’autorise pas une écriture : identité, portée et opération restent à vérifier ailleurs. | J01 |
14 résultats : lire le motif avant de relancer
Les détails contiennent le texte exact reçu et les contrôles calculés. Un contrôle « non exécuté » n’est pas une réussite. En cas d’erreur syntaxique, de doublon, de schéma ou de date, les étapes suivantes restent arrêtées. Une preuve absente conduit à une revue ; une abstention explicite reste une abstention.
J01 · Conforme et concordant dans le périmètre
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Satisfait
- Schéma avec contrôle date
- Satisfait
- Concordance avec le témoin
- Satisfait
Prêt pour la revue suivante, sans droit d’écriture
Les champs correspondent au témoin local. Le résultat est seulement prêt pour la revue suivante ; aucune permission ni opération métier n’a été contrôlée.
Autorisation d’écriture : non évaluée dans tous les cas.
J02 · Réponse tronquée
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12"- Syntaxe JSON
- Échec
- Clés uniques
- Non exécuté
- Schéma sans contrôle de format
- Non exécuté
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
syntax: incomplete_or_non_json_text
Refuser le texte JSON
La dernière accolade manque. Le profil ne répare pas automatiquement le texte et ne suppose pas que le reste de la réponse est complet.
Autorisation d’écriture : non évaluée dans tous les cas.
J03 · Deux valeurs pour la clé count
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12","count":21}- Syntaxe JSON
- Satisfait
- Clés uniques
- Échec
- Schéma sans contrôle de format
- Non exécuté
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
duplicate_key: count
Refuser les clés en double
Le texte contient count:12 puis count:21. La grammaire peut être reconnue, mais la politique d’unicité échoue avant le schéma. Un parseur conservant seulement la dernière valeur aurait perdu ce signal.
Autorisation d’écriture : non évaluée dans tous les cas.
J04 · Le nombre est une chaîne
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":"12","observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Échec
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
schema: /count [type]
Refuser le contrat de données
La chaîne "12" ne devient pas l’entier 12. Une conversion peut modifier le sens d’une donnée ; elle doit relever d’une règle séparée, explicite et tracée.
Autorisation d’écriture : non évaluée dans tous les cas.
J05 · Le booléen n’est pas un entier
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":true,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Échec
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
schema: /count [type]
Refuser le contrat de données
true reste un booléen JSON. Le validateur ne le traite pas comme l’entier 1, même si le langage hôte possède ses propres relations entre types.
Autorisation d’écriture : non évaluée dans tous les cas.
J06 · Le champ count manque
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Échec
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
schema: / [required]
Refuser le contrat de données
count figure dans required. L’absence est rejetée ; ni une valeur par défaut ni un zéro ne sont injectés dans le résultat.
Autorisation d’écriture : non évaluée dans tous les cas.
J07 · null avec un statut observed
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":null,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Échec
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
schema: /count [type]
Refuser le contrat de données
Le type général permet null, mais la branche observed exige un entier. Le statut et la valeur doivent rester cohérents : le connecteur ne doit pas annoncer une observation vide.
Autorisation d’écriture : non évaluée dans tous les cas.
J08 · Abstention explicite et cohérente
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"unknown","count":null,"observed_on":null,"quote":null}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Satisfait
- Schéma avec contrôle date
- Satisfait
- Concordance avec le témoin
- Sans objet : abstention
Conserver l’abstention
Le statut unknown est accompagné de trois valeurs null conformément au contrat. Le résultat demande une revue ou une nouvelle collecte selon le workflow ; il ne devient pas une observation de zéro.
Autorisation d’écriture : non évaluée dans tous les cas.
J09 · Propriété supplémentaire instruction
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12","instruction":"approve"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Échec
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
schema: / [additionalProperties]
Refuser le contrat de données
instruction n’appartient pas aux propriétés autorisées. Le contrat la rejette ; sa valeur ne commande aucune action. Cette protection structurelle ne dispense pas de sécuriser l’usage de tous les champs autorisés.
Autorisation d’écriture : non évaluée dans tous les cas.
J10 · Date impossible et format désactivé
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-02-30","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Satisfait
- Schéma avec contrôle date
- Échec
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
format: /observed_on [format]
Refuser la date
2026-02-30 respecte le type string. Sans vérification de format, la structure passe ; avec le contrôle date, elle échoue. Publier seulement « schéma valide » masquerait la configuration qui a produit ce résultat.
Autorisation d’écriture : non évaluée dans tous les cas.
J11 · Bon type, mauvaise valeur
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":21,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Satisfait
- Schéma avec contrôle date
- Satisfait
- Concordance avec le témoin
- Échec
Repères techniques du contrôle:
evidence_mismatch: /count
Refuser la valeur contredite
count vaut 21 tandis que le témoin et quote indiquent 12. Les types et la date passent, mais le rapprochement documentaire échoue. Relancer jusqu’à obtenir une forme valide ne corrige pas cette contradiction.
Autorisation d’écriture : non évaluée dans tous les cas.
J12 · Référence documentaire sans témoin
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-02","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Satisfait
- Clés uniques
- Satisfait
- Schéma sans contrôle de format
- Satisfait
- Schéma avec contrôle date
- Satisfait
- Concordance avec le témoin
- Non vérifié
Repères techniques du contrôle:
evidence: reference_not_supplied
Revue : preuve absente
DOC-TRAIN-02 est un identifiant permis par le schéma, mais aucun témoin n’est fourni dans le jeu. La fidélité est non vérifiée et le résultat part en revue ; l’absence de référence ne devient pas une réussite.
Autorisation d’écriture : non évaluée dans tous les cas.
J13 · NaN n’appartient pas au JSON RFC 8259
Texte exact de la sortie fictive
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":NaN,"observed_on":"2026-10-20","quote":"Count: 12"}- Syntaxe JSON
- Échec
- Clés uniques
- Non exécuté
- Schéma sans contrôle de format
- Non exécuté
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
syntax: incomplete_or_non_json_text
Refuser le texte JSON
Le décodeur est configuré pour refuser NaN et Infinity, que RFC 8259 n’autorise pas. La tolérance par défaut d’une bibliothèque ne définit pas à elle seule le contrat de l’intégration.
Autorisation d’écriture : non évaluée dans tous les cas.
J14 · Bloc Markdown autour du JSON
Texte exact de la sortie fictive
```json
{"document_id":"DOC-TRAIN-01","page":2,"status":"observed","count":12,"observed_on":"2026-10-20","quote":"Count: 12"}
```- Syntaxe JSON
- Échec
- Clés uniques
- Non exécuté
- Schéma sans contrôle de format
- Non exécuté
- Schéma avec contrôle date
- Non exécuté
- Concordance avec le témoin
- Non exécuté
Repères techniques du contrôle:
syntax: incomplete_or_non_json_text
Refuser le texte JSON
Les balises Markdown ne font pas partie du texte JSON attendu. Le contrat exige une réponse JSON complète, sans enveloppe. Retirer du texte automatiquement serait une transformation à spécifier et à tester séparément.
Autorisation d’écriture : non évaluée dans tous les cas.
Préparer la recette et la reprise
- Fixer le dialecte du schéma, la version du validateur et les options de format avec le jeu de référence.
- Conserver séparément le texte reçu, le motif utile du rejet et la version du contrat, avec une rétention proportionnée.
- Tester les documents sans réponse attendue ; garder unknown distinct de null, absence et zéro selon le contrat choisi.
- Comparer les champs décisifs à une référence indépendante du modèle ; ne pas utiliser sa propre justification comme preuve suffisante.
- Rendre l’affichage et les opérations aval sûrs pour leur contexte : un JSON conforme n’autorise ni HTML exécutable ni commande ni requête construite par concaténation.
- Lier toute correction à un identifiant de traitement pour rapprocher les résultats dérivés et éviter les doublons lors d’une reprise.
Le schéma, le témoin, les 14 sorties et les décisions de revue sont des exemples éditoriaux. RFC 8259 définit le format JSON ; JSON Schema décrit des contraintes ; OWASP traite l’usage des sorties en aval. Aucun taux de précision, certification ou résultat client n’est revendiqué.
Sources primaires et paramètres de lecture
- IETF · RFC 8259 · Internet Standard · STD 90 · December 2017
§4 Objects: unique names recommended · §6 Numbers · §9 Parsers - JSON Schema · Object reference · Living documentation · checked 2026-10-22
Properties · Required properties · Additional properties - JSON Schema · Draft 2020-12 validation · Draft 2020-12 publication · 2022-06-16 · not an IETF RFC
§6 type, enum, required · §7 format annotation/assertion · §9 metadata annotations - Python 3.12 · json decoder · Python 3.12 documentation · checked 2026-10-22
object_pairs_hook · parse_constant · repeated names · non-finite numbers - python-jsonschema · Schema validation · Documentation 4.26.0 · checked 2026-10-22
Draft202012Validator · check_schema · optional format_checker - OWASP · LLM05:2025 Improper Output Handling · OWASP Top 10 for LLM applications · 2025 edition
Downstream validation · context-aware encoding · parameterized operations
Sources relues le
Lectures et outils complémentaires
Repères éditoriaux pour prolonger la méthode.
- WORLD AI GUIDE — choisir un outil IA Lien externe
Pour comparer une famille d’outils avant de tester votre extraction.
- IIS — vérifier une réponse d’IA Lien externe
Pour compléter la validation du format par un examen des affirmations et des sources.
Références officielles
Date de consultation des références : . La méthode et la fiche de travail proposent des contrôles à adapter à votre contexte ; elles ne constituent pas une certification.
