Extraire des données avec des activités basées sur des prompts

• Créer une activité d’extraction basée sur des prompts.
• Configurer une connexion à un LLM.
• Rédiger des prompts d’extraction efficaces.
• Définir le format et la structure de sortie.
• Appliquer la rigueur et des règles de validation.
• Tester et affiner votre extraction.

• Extraction des informations sur le fournisseur à partir de factures
• Capture de données d’en-tête de document
• Traitement de documents semi-structurés
• Documents présentant des mises en page variables

​

Prérequis

1. D’un accès à ABBYY Vantage Advanced Designer.
2. D’une connexion LLM configurée. Voir Configurer les connexions LLM.
3. D’une Compétence de document avec des exemples de documents chargés.
4. D’une compréhension de base de la structure JSON.
5. De définitions de champs pour les données que vous souhaitez extraire.

​

Comprendre l’extraction basée sur des prompts

​

Qu’est-ce que l’extraction basée sur des prompts ?

• Rôle : le rôle que le LLM doit jouer (par exemple, « modèle d’extraction de données »).
• Instructions : comment extraire et mettre en forme les données.
• Structure de sortie : le format JSON exact des résultats.
• Règles : les consignes pour gérer les données ambiguës ou manquantes.

​

Étape 1 : Ajouter une activité Prompt-based

1. Ouvrez votre Compétence de document dans ABBYY Vantage Advanced Designer.
2. Dans le panneau de gauche, repérez EXTRACT FROM TEXT (NLP). Ce groupe contient également les activités d’extraction Named Entities (NER) et Deep Learning.
3. Recherchez Prompt-based et cliquez dessus.

4. L’activité apparaît dans le canevas de votre workflow.
5. Connectez-la entre vos activités Input et Output.

​

Étape 2 : Configurer la connexion LLM

1. Sélectionnez l’activité basée sur des prompts dans votre workflow.
2. Dans le volet Propriétés de l’activité à droite, repérez LLM Connection.
3. Cliquez sur le menu déroulant.

4. Sélectionnez dans la liste la connexion LLM que vous avez configurée.
   • Exemple : Nick-ChatGPT, Microsoft Foundry, Production GPT-5.6
   • Si votre tenant dispose du droit ABBYY Phoenix Plus, ABBYY Phoenix Model apparaît également dans cette liste. Cette connexion est provisionnée par ABBYY, ne nécessite aucun identifiant ni configuration de votre part, et ne peut être ni modifiée ni supprimée. Voir Les LLM dans ABBYY Vantage.
5. Vérifiez que la connexion est bien sélectionnée.

​

Étape 3 : Définir les champs de sortie

1. Dans le panneau Propriétés de l’activité, repérez la section Output.
2. Vous verrez une liste hiérarchique de groupes de champs et de champs.
3. Pour cet exemple, nous extrayons des informations sur le fournisseur :
   • Fournisseur
     • Nom
     • Adresse
     • ID fiscal
     • Numéro de compte
     • Sort Code
     • IBAN
     • BIC_SWIFT
   • unité commerciale
     • Nom
     • Adresse
     • Date de la facture
     • Numéro de facture
   • Totaux
     • Montant net

4. Cliquez sur le bouton Éditeur d’activité pour commencer à configurer le prompt.

​

Étape 4 : Rédiger la définition du rôle

1. Dans l’Éditeur d’activité, vous verrez l’interface Prompt Text
2. Commencez par la section ROLE :

RÔLE

Vous êtes un modèle d'extraction de données. Extrayez uniquement les champs 
relatifs au fournisseur spécifiés dans un document. Extrayez la valeur textuelle 
telle quelle (et non le libellé). Ne déduisez ni ne reformatez aucune donnée. Omettez 
tout champ qui n'est pas clairement présent.

• Soyez précis : “data extraction model” indique au LLM son objectif.
• Définissez le périmètre : “vendor-related fields” limite les éléments à extraire.
• Précisez les attentes : “value text verbatim” évite tout reformatage.
• Gérez les données manquantes : “Omit any field that is not clearly present”.

• Gardez le rôle clair et concis.
• Utilisez des consignes à l’impératif (“Extract”, “Do not infer”).
• Indiquez explicitement ce qu’il NE faut PAS faire.
• Définissez comment gérer les cas limites.

​

Étape 5 : Définir le format de sortie

1. Sous la section ROLE, ajoutez l’intitulé OUTPUT FORMAT.
2. Définissez la structure JSON :

OUTPUT FORMAT

Return one valid JSON object using this exact structure:

{
  "Fields": [
    { "FieldName": Vendor.Name, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.Address, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.TaxID, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.Account Number, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.Sort Code, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.IBAN, "Text": "...", "Line": <FirstLineIndex> },
    { "FieldName": Vendor.BIC_SWIFT, "Text": "...", "Line": <FirstLineIndex> }
  ]
}

• FieldName: Doit correspondre exactement aux définitions de vos champs (par exemple, Vendor.Name).
• Text: La valeur extraite sous forme de string.
• Line: Indice de ligne (à partir de 0) où la valeur apparaît dans le document.

• Utilisez les noms de champ exacts de votre configuration Output.
• Incluez tous les champs, même si certains peuvent être vides.
• La structure doit être un JSON valide.
• Les numéros de ligne facilitent la vérification et la résolution des problèmes.

​

Étape 6 : Ajouter des règles d’extraction propres à chaque champ

VENDOR NAME
1) Recognize names like "ABC Corporation", "XYZ Ltd", "Acme Inc.".
2) Extract the complete company name including legal suffixes (Ltd, Inc, GmbH, etc.).
3) Vendor name typically appears near the top of the document.

VENDOR ADDRESS
1) Extract the complete address including street, city, postal code.
2) For multiline addresses, represent each new line using "\n".
3) Vendor-side only; exclude customer/buyer addresses.

ACCOUNT NUMBER
1) Recognize "Account Number", "Account No", "Acct #".
2) Extract the numeric format exactly as printed (e.g., "12-34-56" or "500 105 17").
3) Vendor-owned accounts only (e.g., "Beneficiary" or "Vendor Payment" sections).
4) Ignore IBAN — it has its own field.

SORT CODE
1) Recognize "Sort Code", "Sort No.", "BLZ", "Bankleitzahl".
2) Extract the numeric format exactly as printed (e.g., "12-34-56" or "500 105 17").
3) Vendor-side data only; ignore payer/buyer codes.

IBAN
1) Recognize "IBAN", "International Bank Account Number".
2) Extract the full IBAN exactly as printed (include spaces).
3) Vendor-side only, typically under "Bankverbindung", "Coordonnées bancaires", "Payment Details", or "Beneficiary Bank".

BIC_SWIFT
1) Recognize "BIC", "SWIFT", or "BIC/SWIFT".
2) Extract the complete identifier (usually 8 or 11 uppercase letters/numbers).
3) Vendor-side only, near the IBAN or bank name.
4) Exclude customer/payer data.

• Motifs de reconnaissance : indiquez des libellés alternatifs pour chaque champ.
• Spécifications de format : décrivez le format exact à extraire.
• Indications sur l’emplacement : où trouver généralement les données.
• Exclusions : ce qu’il NE faut PAS extraire.

• Numérotez vos règles pour plus de clarté.
• Fournissez plusieurs variantes de libellés.
• Précisez à qui appartiennent les données (côté fournisseur ou côté client).
• Incluez des exemples de format entre parenthèses.
• Soyez explicite concernant les champs associés (par ex., “Ignorez l’IBAN — il a son propre champ”).

​

Étape 7 : Appliquer les règles de rigueur

STRICTNESS
- Never generate or infer values.
- Omit ambiguous or missing fields.
- If none of the vendor fields are found, return:
  {
    "Fields": []
  }

GENERAL RULES
- Extract exactly one value per field.
- Skip any field that cannot be confidently located — omit it from the output.
- "FieldName" must match the names above exactly.
- "Text" must be copied verbatim from the document — no normalization or inference.
- For multiline values (e.g., addresses), represent each new line using the escape sequence "\n" (a backslash followed by the letter n).
- Do not insert HTML tags such as <br> in the output text.
- "Line" is the 0-based index of the first line containing the extracted value; include it only if verifiable.

• Évite les hallucinations : les LLM peuvent générer des données plausibles mais incorrectes.
• Garantit la cohérence : des règles claires réduisent les variations d’une exécution à l’autre.
• Gère les données manquantes : définit la marche à suivre lorsque des champs ne sont pas trouvés.
• Préserve l’intégrité des données : l’extraction verbatim conserve la mise en forme d’origine.

• Ne générez jamais de données qui ne figurent pas dans le document.
• Omettez les extractions incertaines plutôt que de deviner.
• Renvoyez une structure vide si aucun champ n’est trouvé.
• Faites correspondre exactement les libellés des champs.
• Préservez la mise en forme du texte d’origine.

​

Étape 8 : Sélectionner le format de document

1. Dans l’Éditeur d’activité, repérez la liste déroulante Prompt.
2. Vous verrez plusieurs options pour définir comment le document est transmis au LLM.

• PDF : fichier PDF d’origine
  • À utiliser pour : les documents dont la mise en page est essentielle
  • Points à prendre en compte : taille de fichier plus importante, prise en charge des PDF limitée par certains LLM
  Obsolète : Le format de document PDF est obsolète et n’est disponible que pour les connexions OpenAI existantes. Ce format n’est plus pris en charge pour les nouvelles connexions, quel que soit le fournisseur. Utilisez plutôt Annotated Text.
• Plain Text : extraction de texte sans mise en forme
  • À utiliser pour : les documents simples contenant uniquement du texte
  • Points à prendre en compte : toutes les informations de mise en forme et de structure sont perdues
• Annotated Text ⭐ (Recommandé)
  • À utiliser pour : la plupart des types de documents
  • Points à prendre en compte : préserve la structure tout en restant un format textuel
  • Avantages : meilleur équilibre entre structure et performance
• Formatted Text : texte avec conservation de la mise en forme de base
  • À utiliser pour : les documents pour lesquels une partie de la mise en forme est importante
  • Points à prendre en compte : solution intermédiaire entre Plain et Annotated

3. Sélectionnez Annotated Text pour obtenir les meilleurs résultats

​

Étape 9 : Testez votre extraction

​

Exécuter l’activité

1. Fermez l’Éditeur d’activité.
2. Accédez à l’onglet All Documents.
3. Sélectionnez un document de test.
4. Cliquez sur Test Activity ou sur le bouton Run.

5. Attendez que le document soit traité par le LLM
   • Temps de traitement : généralement de 5 à 30 secondes, selon la complexité du document.
   • Un indicateur de chargement s’affiche pendant l’attente de la réponse de l’API.

​

Vérifier les résultats

1. L’interface passe en vue prédictive.
2. Vérifiez le panneau Output, qui affiche les champs extraits.
3. Cliquez sur chaque champ pour voir :
   • Valeur extraite
   • Niveau de confiance (s’il est fourni)
   • Zone mise en évidence sur l’image du document

• ✅ Tous les champs attendus sont renseignés
• ✅ Les valeurs correspondent exactement au document
• ✅ Aucune donnée hallucinée ou déduite
• ✅ Gestion correcte des champs multilignes
• ✅ Les champs manquants sont omis (et non remplis avec des données incorrectes)

​

Schémas de résultats courants

{
  "Fields": [
    { "FieldName": "Vendor.Name", "Text": "ABC Corporation Ltd", "Line": 3 },
    { "FieldName": "Vendor.Address", "Text": "123 Business Street\nLondon SW1A 1AA", "Line": 5 },
    { "FieldName": "Vendor.IBAN", "Text": "GB29 NWBK 6016 1331 9268 19", "Line": 15 }
  ]
}

{
  "Fields": [
    { "FieldName": "Vendor.Name", "Text": "ABC Corporation Ltd", "Line": 3 }
  ]
}

{
  "Fields": []
}

​

Étape 10: Affinez votre prompt

​

Problèmes courants et solutions

• Solution : Ajoutez des indications d’emplacement plus précises.
• Exemple : “Côté Fournisseur uniquement ; exclure les adresses du client/de l’acheteur”

• Solution : Insistez sur une extraction à l’identique.
• Exemple : “Extrayez le format numérique exactement tel qu’il est imprimé (par ex., ‘12-34-56’)”

• Solution : Renforcez les règles de rigueur.
• Exemple : “Ne générez ni ne déduisez jamais de valeurs. Omettez-les si elles ne sont pas présentes.”

• Solution : Spécifiez les séquences d’échappement.
• Exemple : “Pour les valeurs multiligne, utilisez \n pour les retours à la ligne”

• Solution : Vérifiez que les libellés de champ correspondent exactement.
• Exemple : Utilisez Vendor.Account Number et non AccountNumber

​

Processus d’amélioration itératif

1. Testez sur plusieurs documents : n’optimisez pas à partir d’un seul exemple.
2. Documentez les schémas récurrents : notez quelles règles fonctionnent et lesquelles doivent être affinées.
3. Ajoutez des exemples précis : incluez des exemples de format entre parenthèses.
4. Affinez la rigueur : ajustez en fonction des schémas de surextraction/sous-extraction.
5. Testez les cas limites : essayez des documents avec des champs manquants ou des mises en page inhabituelles.

​

Exemples d’améliorations

VENDOR NAME
1) Extract the vendor name from the document.

VENDOR NAME
1) Recognize names like "ABC Corporation", "XYZ Ltd", "Acme Inc.".
2) Extract the complete company name including legal suffixes (Ltd, Inc, GmbH, etc.).
3) Vendor name typically appears near the top of the document.
4) Exclude customer/buyer names - focus on the entity issuing the invoice.

​

Comprendre le processus d’extraction

​

Fonctionnement de l’extraction basée sur des prompts

1. Conversion du document : votre document est converti dans le format sélectionné (Annotated Text recommandé).
2. Assemblage du prompt : votre rôle, le format de sortie, les règles des champs et les règles de rigueur sont combinés.
3. Appel API : le prompt et le document sont envoyés au LLM via votre connexion.
4. Traitement par le LLM : le LLM lit le document et extrait les données conformément à vos instructions.
5. Réponse JSON : le LLM renvoie des données structurées au format JSON spécifié.
6. Mise en correspondance des champs : Vantage met en correspondance la réponse JSON avec les champs de sortie que vous avez définis.
7. Vérification : les numéros de ligne et les scores de confiance (le cas échéant) aident à en vérifier l’exactitude.

​

Utilisation des tokens et coûts

• Longueur du document : les documents plus longs utilisent plus de tokens.
• Complexité du prompt : des prompts détaillés augmentent le nombre de tokens.
• Choix du format : Annotated Text est généralement plus efficace qu’un PDF.
• Nombre de champs : plus il y a de champs, plus les prompts sont longs.

• Utilisez un langage concis, mais clair, dans les prompts.
• Évitez de dupliquer les instructions.
• Supprimez les exemples inutiles.
• Envisagez de regrouper les champs pour les données liées.

​

Bonnes pratiques

​

Rédaction de prompts

• ✅ Utilisez des consignes claires et à l’impératif (« Extract », « Recognize », « Omit »).
• ✅ Fournissez plusieurs variantes de libellé pour chaque champ.
• ✅ Incluez des exemples de format entre parenthèses.
• ✅ Précisez ce qu’il ne faut PAS extraire (exclusions).
• ✅ Numérotez vos règles pour en faciliter la référence.
• ✅ Utilisez une terminologie cohérente tout au long du document.

• ❌ Utiliser des instructions vagues (« récupérer le nom »).
• ❌ Supposer que le LLM connaît les conventions propres au domaine.
• ❌ Rédiger des phrases trop longues et trop complexes.
• ❌ Vous contredire d’une section à l’autre.
• ❌ Omettre les règles de rigueur.

​

Définitions des champs

• Commencez par les motifs de reconnaissance (libellés alternatifs).
• Spécifiez le format exact à préserver.
• Fournissez des indications d’emplacement (position habituelle).
• Précisez à qui se rapporte la donnée (fournisseur ou client).
• Indiquez comment gérer les valeurs sur plusieurs lignes.
• Faites référence aux champs connexes pour éviter toute confusion.

IBAN
1) Reconnaître « IBAN », « International Bank Account Number ».
2) Extraire l'IBAN complet exactement tel qu'il est imprimé (espaces inclus).
3) Côté fournisseur uniquement, généralement sous « Bankverbindung », « Payment Details ».
4) Ne PAS confondre avec le Numéro de compte — l'IBAN est plus long et alphanumérique.

​

Stratégie de test

1. Commencez par des documents simples : testez d’abord l’extraction de base.
2. Élargissez aux variantes : essayez différentes mises en page et différents formats.
3. Testez les cas limites : champs manquants, positions inhabituelles, correspondances multiples.
4. Documentez les échecs : conservez des exemples de cas où l’extraction échoue.
5. Procédez de manière systématique : modifiez un seul élément à la fois.

​

Optimisation des performances

• Gardez les prompts concis.
• Utilisez le format Annotated Text.
• Limitez le nombre de champs par activité.
• Envisagez de diviser les documents complexes.

• Définissez des règles de champ détaillées.
• Incluez des exemples de formats.
• Ajoutez des règles de rigueur strictes.
• Testez avec divers échantillons de documents.

• Optimisez la longueur du prompt.
• Utilisez des formats de document efficaces.
• Mettez les résultats en cache lorsque cela est pertinent.
• Surveillez l’utilisation des tokens dans le tableau de bord du fournisseur de LLM.

​

Dépannage

​

Problèmes d’extraction

• Vérifiez que le libellé du champ correspond exactement.
• Vérifiez que les données se trouvent bien dans le format de document sélectionné.
• Ajoutez davantage de variantes de libellés aux motifs de reconnaissance.
• Réduisez temporairement la rigueur pour voir si le LLM les détecte.
• Vérifiez si la qualité du document affecte l’OCR/l’extraction de texte.

• Renforcez les spécifications côté fournisseur.
• Ajoutez des exclusions explicites pour les données du client/de l’acheteur.
• Fournissez des indications d’emplacement (par ex. : « haut du document », « section de l’émetteur »).
• Incluez des exemples d’extraction correcte et incorrecte.

• Spécifiez explicitement le format de la séquence d’échappement (\n).
• Fournissez des exemples de sortie multiligne correcte.
• Vérifiez que le format du document préserve les sauts de ligne.
• Ajoutez l’instruction : « Préserver les sauts de ligne d’origine à l’aide de \n ».

• Insistez sur « verbatim » et « exactement tel qu’imprimé ».
• Ajoutez une règle de rigueur : « Aucune normalisation ni inférence ».
• Fournissez des exemples précis montrant la conservation de la mise en forme.
• Incluez des exemples négatifs : « Pas “12-34-56”, conserver “12 34 56” ».

​

Problèmes de performance

• Passez au format Annotated Text si vous utilisez un PDF.
• Simplifiez le prompt sans perdre d’instructions essentielles.
• Réduisez la résolution du document si les images sont très volumineuses.
• Vérifiez l’état du fournisseur de LLM et ses limites de requêtes.
• Envisagez d’utiliser un modèle plus rapide pour les documents simples.

• Renforcez les règles de rigueur.
• Rendez les instructions plus précises et sans ambiguïté.
• Ajoutez davantage d’exemples de format.
• Réduisez la complexité du prompt, qui pourrait donner lieu à des interprétations.
• Testez avec des paramètres de température plus élevés (si disponibles dans la connexion).

• Optimisez la longueur du prompt.
• Utilisez Annotated Text à la place du PDF.
• Traitez les documents par lots pendant les heures creuses.
• Envisagez d’utiliser des modèles plus petits et moins chers pour les documents simples.
• Surveillez et configurez des alertes budgétaires dans le tableau de bord du fournisseur de LLM.

​

Techniques avancées

​

Extraction conditionnelle

ACCOUNT NUMBER (CONDITIONAL)
1) N'extraire que si le document contient des informations de paiement bancaire.
2) Si « Moyen de paiement : Chèque » ou une mention similaire apparaît, omettre ce champ.
3) Reconnaître « Account Number », « Account No », « Acct # ».

​

Prise en charge multilingue

VENDOR NAME (MULTI-LANGUAGE)
1) Recognize in English: "Vendor Name", "Supplier", "Seller"
2) Recognize in German: "Verkäufer", "Lieferant", "Anbieter"
3) Recognize in French: "Fournisseur", "Vendeur"
4) Extract the complete company name regardless of language.

​

Règles de validation

IBAN (WITH VALIDATION)
1) Extract the full IBAN exactly as printed.
2) Verify it starts with a 2-letter country code.
3) If format doesn't match IBAN pattern, omit the field.
4) Do not invent check digits or country codes.

​

Relations entre les champs

ACCOUNT NUMBER vs IBAN
- Account Number : généralement plus court, numérique, format domestique.
- IBAN : alphanumérique, commence par le code pays (ex. : « GB29 NWBK... »).
- Si les deux sont présents, extraire les deux dans des champs distincts.
- Si un seul est présent, l'extraire dans le champ approprié.
- Ne pas dupliquer la même valeur dans les deux champs.

​

Limites et considérations

​

Fonctionnalités actuelles

• ✅ Extraction de champs au niveau de l’en-tête
• ✅ Valeurs sur une seule ligne ou sur plusieurs lignes
• ✅ Plusieurs champs par document
• ✅ Logique d’extraction conditionnelle
• ✅ Documents multilingues
• ✅ Mises en page de document variables

• ⚠️ Extraction de tableaux (selon l’implémentation)
• ⚠️ Structures complexes imbriquées
• ⚠️ Très grands documents (limites de tokens)
• ⚠️ Traitement en temps réel (latence de l’API)
• ⚠️ Résultats déterministes garantis

​

Quand utiliser l’extraction basée sur des prompts

​

Intégration avec les Skills de document

​

Utilisation des données extraites

1. Activités de validation : appliquez des règles métier aux valeurs extraites.
2. Activités de script : traitez ou transformez les données extraites.
3. Activités d’export : envoyez les données vers des systèmes externes.
4. Interface de relecture : vérification manuelle des champs extraits.

​

Combiner avec d’autres activités

Exemple de workflow :
1. Classification (identifier le type de document)
2. Reconnaissance optique de caractères (OCR) (extraire le texte)
3. Extraction basée sur des prompts (extraire des données structurées)
4. Règles de validation (vérifier la qualité des données)
5. Script (formater pour l'export)
6. Output (transmettre les résultats)

​

Mise en correspondance des champs

• "FieldName": "Vendor.Name" → Correspond au champ de sortie Vendor.Name.
• La hiérarchie des champs est conservée dans la structure de sortie.
• Les numéros de ligne facilitent la vérification et le dépannage.

​

Résumé

• ✅ Créé une activité d’extraction basée sur des prompts.
• ✅ Configuré une connexion LLM.
• ✅ Rédigé un prompt d’extraction complet avec rôle, format et règles.
• ✅ Sélectionné le format de document optimal (Annotated Text).
• ✅ Appliqué des règles de rigueur pour la qualité des données.
• ✅ Testé l’extraction et examiné les résultats.
• ✅ Appris les bonnes pratiques de l’ingénierie de prompts.

• L’extraction basée sur des prompts utilise des instructions en langage naturel.
• Le format Annotated Text fournit les meilleurs résultats.
• Des prompts clairs et précis produisent une extraction cohérente.
• Les règles de rigueur empêchent les hallucinations et maintiennent la qualité des données.
• Des tests et ajustements itératifs améliorent la précision.

​

Étapes suivantes

1. Testez avec des documents variés : validez sur différentes mises en page et variantes.
2. Affinez vos prompts : améliorez-les en continu en fonction des résultats.
3. Surveillez les coûts : suivez l’utilisation des tokens dans le tableau de bord de votre fournisseur LLM.
4. Optimisez les performances : peaufinez les prompts pour gagner en rapidité et en précision.
5. Explorez l’extraction de tableaux : testez l’extraction des lignes d’articles (si prise en charge).
6. Intégrez à des workflows : combinez avec d’autres activités pour un traitement complet.

​

Ressources supplémentaires

• Documentation Advanced Designer d’ABBYY Vantage : https://docs.abbyy.com
• Guide de configuration des connexions LLM : Configurer les connexions LLM.
• Bonnes pratiques d’ingénierie de prompts : Consultez la documentation de votre fournisseur de LLM.
• Support : Contactez le support ABBYY pour obtenir une assistance technique.

​

Questions fréquentes