La bonne valeur, pour le bon objet : extraction par LLM dans des rapports industriels

Des rapports techniques de fin de puits — texte, tableaux, scans OCR, jusqu'à 175 000 tokens — doivent produire des métadonnées fiables pour indexer des objets métier dans des référentiels. Une profondeur juste, attribuée au mauvais puits, devient une erreur de donnée maître.

Stage de fin de master au DataLab de TotalEnergies OneTech (Pau), au sein d'une chaîne existante de traitement de lots de données techniques. Modèles ouverts servis sur l'infrastructure GPU de l'entreprise, données traitées dans son environnement de gouvernance.

• Documents longs et hétérogènes : texte, tableaux, scans OCR de qualité variable, informations dispersées.
• Plusieurs objets par rapport, et des puits « offset » cités comme références géologiques sans être le sujet.
• Modèles ouverts auto-hébergés uniquement, sur GPU partagés (L40S, H100) ordonnancés par SLURM.
• Sorties exploitables par un référentiel : structure imposée, valeurs normalisées, provenance.

1. 01

   Index hiérarchique

   Chaque rapport Markdown devient une arborescence de sections, titres, résumés et identifiants — pour ne plus chercher partout à l'aveugle.

2. 02

   Recherche hybride, sans index vectoriel

   Sélection guidée par LLM sur l'arbre, complétée par une recherche lexicale de repères métier. « Vectorless » veut dire sans embeddings — pas sans lexical.

3. 03

   Passe 1 · les objets

   Recenser les puits et wellbores sujets, avec leurs identifiants et leur rôle.

4. 04

   Passe 2 · leurs attributs

   Extraire les attributs sous contrainte de la liste établie : une valeur ne peut appartenir qu'à un objet identifié.

5. 05

   Contrôle et provenance

   Normalisation et validation déterministes (Pydantic), marqueur de rôle, extrait source et priorité de revue pour l'opérateur.

Vue conceptuelle, volontairement simplifiée pour diffusion externe.

1. 01

   Séparer « qui » de « quoi »

   Un RAG classique répond à « quelle est la profondeur ? » avec une valeur plausible — parfois celle d'un autre objet. Séparer la détection des objets de l'extraction des attributs rend l'erreur d'attribution visible et mesurable.

2. 02

   Naviguer au lieu de découper

   La structure du rapport porte l'information : le modèle choisit des branches de l'arbre plutôt que de recevoir des extraits fixes sans contexte.

3. 03

   Router chaque étape vers le bon modèle

   Le meilleur modèle pour détecter les objets n'était pas le meilleur pour extraire les attributs. Un système composite affecte chaque étape au modèle le plus adapté, en arbitrant qualité et temps d'inférence.

4. 04

   Rendre l'expérimentation reproductible

   Inférence vLLM sur jobs SLURM, sorties structurées validées, campagnes suivies dans ClearML : chaque chiffre renvoie à une configuration rejouable.

Deux niveaux, mesurés séparément : L1, l'identification des wellbores sujets d'un rapport ; L2, la qualité des attributs sur les objets correctement appariés. Les objets manqués, mal identifiés et sur-générés sont suivis à part. Chaque configuration est comparée sur la détection, l'exactitude des attributs, la latence et l'analyse d'erreurs, sur un corpus de rapports annotés.

Non publiéLes scores détaillés et le volume du corpus restent internes tant que l'entreprise n'en a pas validé la diffusion. Je les présente volontiers en entretien, dans ce cadre.

• Temps de traitement réduit de 75 % sur la chaîne étudiée.
• Meilleure couverture de certains objets, notamment dans les rapports à plusieurs wellbores du corpus testé.
• Un compromis explicite détection / attributs / coût d'inférence, plutôt qu'un score unique.
• Statut : prototype évalué, candidat à l'intégration dans une brique existante. Aucun déploiement autonome n'est revendiqué.

• 01Mesurer l'attribution, pas seulement la valeur : c'est là que se cachent les erreurs qui coûtent cher.
• 02Un modèle unique « meilleur » n'existe pas quand les étapes ont des exigences différentes.
• 03Écrire les limites dans le même document que les résultats rend les résultats crédibles.

• Mémoire de stage (77 p.) et présentation au Data Science ChapterInternes — consultables avec l'accord de l'entreprise
• Lettres de recommandation de l'encadrementSur demande