Universidad Continental : l'intelligence artificielle pour les métadonnées et le catalogage sur un système commercial déjà en place

Contexte de l'institution

L'Universidad Continental est une université privée péruvienne qui fonctionne sur plusieurs campus, avec son siège principal à Huancayo. Son centre d'information repose sur une plateforme commerciale de gestion de bibliothèque, un choix fait et mis en œuvre antérieurement, qui n'était pas en discussion.

Le défi

La demande de l'université était celle que nous entendons le plus souvent, et celle que la plupart des fournisseurs esquivent : nous avons le système que nous voulons avoir ; ce dont nous avons besoin, c'est qu'il cesse de nous coûter autant d'heures de saisie. L'automatisation de la description documentaire se vend souvent liée à une plateforme : on automatise à condition que vous utilisiez mon système. Une amélioration de processus devient alors un projet de migration, avec son coût, son risque et son année de mise en œuvre.

Le défi technique n'était donc pas de cataloguer avec l'intelligence artificielle, mais de le faire sur la plateforme d'un tiers, en respectant ses règles d'intégration et sans toucher au circuit que l'équipe avait déjà intégré dans ses habitudes.

Ce que nous avons mis en place

• MetaExtract API pour l'extraction automatique des métadonnées des documents et le préremplissage des champs descriptifs.
• BiblioScan AI pour le catalogage assisté des documents physiques à partir de photos, avec préremplissage des champs MARC21.

Les deux outils fonctionnent comme une couche au-dessus de la plateforme existante : ils ne la remplacent pas, ne la dupliquent pas et n'obligent pas l'université à maintenir deux systèmes en parallèle.

Notre démarche

1. Diagnostic de l'environnement cible. Le schéma de métadonnées en usage, le profil de catalogage de l'établissement et les voies d'intégration qu'ouvre la plateforme commerciale ont été examinés.
2. Ajustement aux champs et aux types de documents. L'extraction a été entraînée sur des documents réels de l'université, pour que sa sortie corresponde à son profil et non à un standard générique.
3. Intégration sans modifier le circuit. Les outils ont été connectés de façon que le résultat arrive dans le formulaire de travail de l'équipe, et non dans un fichier intermédiaire que quelqu'un devrait recharger.
4. Validation sur un lot de contrôle. Un ensemble représentatif a été traité et comparé au travail de l'équipe elle-même, seule base de référence valable.
5. Formation et déploiement par étapes. D'abord MetaExtract API pour la description documentaire puis, une fois ce service stabilisé, BiblioScan AI pour le catalogage des documents physiques.

Résultat

L'université a gagné une capacité d'automatisation sans renoncer à son investissement antérieur dans sa plateforme ni courir le risque d'une migration. Les deux services ont été souscrits à des moments différents et tous deux ont été renouvelés, ce qui montre que chacun a été évalué séparément et que l'établissement a décidé de le conserver. La relation s'est depuis élargie à d'autres composants de notre portefeuille, en cours d'évaluation par l'établissement.

Pour comprendre comment fonctionnent ces outils, consultez nos guides sur le catalogage par intelligence artificielle et sur l'extraction de métadonnées par IA.

Technologies

MetaExtract API, BiblioScan AI, intégration sur la plateforme commerciale existante, MARC21, extraction de métadonnées par modèles de langage, reconnaissance d'images appliquée au catalogage.