text-extract-api
Service FastAPI pour convertir des documents en JSON structuré ou en Markdown à l'aide de modèles de vision locaux et supprimer les informations PII.
Extrayez des tableaux, du texte et du JSON à partir de documents d'assurance en utilisant des LLM de vision locaux et PyTorch OCR.
Cet outil est un service d'API self-host pour l'extraction de données structurées et la suppression des PII des documents numérisés et des PDF. Les équipes techniques d'assurance peuvent traiter des sinistres, des factures et des dossiers médicaux entièrement on-premise en utilisant Ollama et les modèles de vision PyTorch. Il offre une architecture basée sur des files d'attente conçue pour l'automatisation backend à haut débit.
Qu'est-ce que c'est
Il convertit les PDF, les images et les fichiers Office en format Markdown ou JSON propre tout en gérant les données tabulaires et les formulaires spécialisés. Le service principal associe EasyOCR ou des LLM de vision locaux à des workers Celery et au cache Redis pour exécuter des pipelines d'extraction sans envoyer de données sensibles en dehors de votre réseau.
Pour qui
Il convient aux développeurs d'assurance et aux ingénieurs de données qui ont besoin d'analyser des formulaires de sinistres sensibles et d'anonymiser les dossiers clients sur du matériel local. Il ne convient pas aux équipes non techniques recherchant une interface graphique prête à l'emploi.
Fonctionnalités clés
Traitement OCR de vision local
Exécute des modèles PyTorch OCR et des LLM locaux via Ollama pour conserver les dossiers d'assurance sensibles dans votre environnement.
Masquage automatisé des PII
Extrait le texte des documents tout en identifiant et en supprimant les informations personnelles identifiables avant le stockage en aval.
File d'attente asynchrone avec Celery
Utilise des workers Celery et le cache Redis pour traiter des lots de documents à volume élevé de manière concurrente.
Analyse de sortie flexible
Convertit des tableaux complexes, des factures et des rapports en Markdown formaté ou en schémas JSON structurés.
Intégration de moteur distant
Prend en charge les wrappers OCR externes comme Marker-pdf via des points de terminaison d'API pour les mises en page multi-langues complexes.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Zéro dépendance cloud externe pour conserver les fichiers de sinistres sensibles strictement sur l'infrastructure locale.
- Le cache Redis évite les traitements redondants lors de l'exécution de tâches d'extraction LLM répétitives.
- Prend en charge à la fois les moteurs OCR standard et les LLM dotés de capacités de vision comme Llama 3.2 Vision et MiniCPM-V.
- Comprend une interface en ligne de commande dédiée pour tester les fichiers de prompt sur des documents complexes.
Ses limites
- Nécessite du matériel dédié ou des ressources GPU pour exécuter des LLM de vision avec des performances acceptables.
- La configuration des workers, de Redis et des modèles Ollama requiert des compétences importantes en DevOps et en Python.
- L'utilisation de moteurs OCR sous licence GPL comme Marker nécessite un déploiement de serveur séparé pour éviter la contamination des licences.
- La stratégie Llama 3.2 Vision peut être très lente lors du traitement de grands lots de documents multipages.
Tarifs & licence
Le logiciel est gratuit sous licence MIT. Le seul coût provient de l'exploitation des serveurs de calcul et des ressources GPU locales requises pour traiter les documents.
Missions pour francophones
880 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Utilisez-le, ou laissez-nous l'installer
FAQ
Puis-je exécuter ceci sans envoyer de données à des fournisseurs cloud externes ?
Oui, le pipeline complet comprenant PyTorch OCR, les modèles Ollama, Redis et FastAPI s'exécute entièrement sur votre propre machine locale ou serveur privé.
Comment l'outil supprime-t-il les données client sensibles ?
Vous pouvez transmettre des fichiers de prompt personnalisés lors de la soumission pour demander au LLM intégré de nettoyer les informations personnelles identifiables avant de renvoyer la sortie JSON.
Peut-il analyser des tableaux complexes dans des rapports médicaux ou de sinistres ?
Oui, les modèles de vision sous-jacents et les stratégies OCR convertissent des données tabulaires complexes en Markdown ou JSON structuré.
