L’IA privée au service de l’histoire familiale : comment l’OCR et la liaison d’entités transforment l’exploration des archives

La reconnaissance optique de caractères (OCR) et la mise en correspondance d’entités transforment la recherche généalogique en convertissant les images de documents en indices consultables et en reliant les personnes, lieux, dates et relations récurrents.

Une archive familiale peut contenir des certificats, des annuaires, des coupures de presse, des lettres, des photographies et des notes manuscrites dont les noms de fichiers n’indiquent presque rien. L’OCR crée du texte interrogeable ; la mise en correspondance d’entités suggère que « Juan Alvarez » et « José Alvarez » pourraient désigner une seule personne. Exécuter ces deux processus localement permet de garder le contrôle sur les documents familiaux privés tout en conservant un lien vers chaque numérisation.

L’OCR transforme les numérisations, de simples conteneurs en indices consultables

Une page numérisée est d’abord une grille de pixels. L’OCR segmente les lignes et les caractères, prédit le texte et enregistre les positions afin de pouvoir renvoyer un résultat vers une zone de l’image. Un nom de famille, une profession, une rue ou un témoin deviennent ainsi consultables, même si personne ne les avait auparavant catalogués.

Un exemple concret de recherche généalogique montre comment l’OCR de journaux numérisés peut faire apparaître des références dans la presse restées introuvables avec les recherches classiques. Le gain vient de la conversion du contenu des images en texte candidat, et non de la garantie que chaque caractère reconnu est correct.

Le texte consultable élargit l’exploration, car une seule requête peut parcourir de nombreux types de documents. L’image reste toutefois la preuve : l’OCR est une couche dérivée, dont les erreurs doivent être visibles, corrigeables et reliées à la page ou à la zone exacte qui les a produites.

La mise en correspondance d’entités crée des liens entre des documents distincts

La mise en correspondance d’entités normalise les mentions et évalue si elles désignent la même personne, le même lieu, la même organisation ou le même événement. Un acte de naissance, une ligne de recensement, une notice nécrologique et une lettre peuvent utiliser des orthographes différentes, mais les dates, proches, adresses et professions communes créent un réseau d’indices corroborants.

Les recherches sur les pratiques de recherche généalogique décrivent la manière dont les généalogistes organisent les preuves, collaborent et rencontrent des difficultés avec les liens non étayés entre arbres généalogiques en ligne. La mise en correspondance fonctionne au mieux lorsqu’elle considère les noms comme un signal parmi d’autres, plutôt que de propager une identité pratique à tous les documents.

Le résultat est un graphe navigable : sélectionner une personne peut révéler les documents, lieux et alias incertains associés. L’exploration devient plus rapide, car le système propose des pistes, tandis que le chercheur reste responsable d’accepter, de rejeter ou de scinder chaque identité.

Quand le texte historique et la résolution d’identités échouent

Les anciennes polices de caractères, les transparences d’encre, les pages endommagées, les abréviations, l’évolution des frontières, les noms réutilisés et les âges incohérents créent tous de l’ambiguïté. Les erreurs d’OCR peuvent déformer un nom de famille essentiel ; la mise en correspondance d’entités peut ensuite amplifier cette erreur en rattachant plusieurs documents sans lien à un même profil. Davantage de liens ne signifie pas automatiquement davantage de preuves.

Une étude sur la mise en correspondance de documents historiques a constaté des différences importantes de précision entre l’extraction et la mise en correspondance finale, montrant que les étapes d’un pipeline peuvent échouer indépendamment. Même un score de correspondance élevé peut hériter d’une mauvaise transcription ou d’une base de référence incomplète.

Cette approche atteint ses limites lorsque l’archive ne contient pas d’attributs suffisamment distinctifs ou lorsque le modèle masque les alternatives. Dans ce cas, conservez plusieurs candidats, affichez les champs pris en compte et évitez de transformer une correspondance probabiliste en fait généalogique.

-15% OFF

ZimaBoard 2 - Mini serveur domestique pour votre grande idée

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Vérifier un lien familial proposé

Sélectionnez un lien candidat et constituez un petit dossier de preuves : images originales, texte OCR, noms normalisés, dates, lieux, relations et score de correspondance du modèle. Indiquez les champs concordants, contradictoires ou manquants, et distinguez les informations copiées depuis un autre arbre de celles visibles dans un document.

Appliquez la discipline de traçabilité décrite pour la traçabilité des archives familiales : chaque affirmation doit conserver son document, sa version et son parcours de transformation. Revérifiez le texte décisif sur la numérisation et recherchez au moins un document indépendant qui n’a pas servi à créer la correspondance initiale.

N’acceptez le lien que lorsque l’identité est étayée par plusieurs attributs compatibles et qu’aucune contradiction non résolue ne modifie la conclusion. Sinon, étiquetez-le comme une piste de recherche. Vous préservez ainsi la rapidité d’exploration sans laisser une hypothèse issue de l’OCR devenir une certitude transmise.