Extraction de métadonnées par IA : le guide complet de MetaExtract API

Qu'est-ce qu'une API d'extraction de métadonnées ?

Une API (interface de programmation d'applications) permet à deux systèmes de communiquer sans intervention humaine : l'un envoie une requête, l'autre renvoie une réponse dans un format que les deux comprennent. Avec MetaExtract API, la requête est le document PDF et la réponse, ses métadonnées déjà identifiées et classées par champ.

La différence avec les outils génériques d'extraction de texte, c'est que MetaExtract API ne se contente pas de lire le contenu : elle s'appuie sur des modèles de langage pour comprendre le rôle de chaque fragment de texte dans la structure d'un document académique ou institutionnel. Elle sait distinguer le titre du sous-titre, séparer le nom des auteurs de leur affiliation et repérer où commence et où finit un résumé, même lorsque le document ne le signale par aucune étiquette explicite.

Les champs que renvoie MetaExtract API

L'ensemble des champs s'entraîne selon le schéma de métadonnées de chaque établissement, mais il couvre de façon constante :

• Titre et, le cas échéant, sous-titre.
• Auteurs : nom de chaque auteur et, quand le document l'indique, son affiliation.
• Résumé, repéré dans le corps du document même s'il n'est pas présenté comme une section à part.
• Mots-clés, aussi bien ceux que l'auteur déclare que ceux que le modèle peut suggérer à partir du contenu.
• Date de publication ou de dépôt.
• Type de document (thèse, article, rapport, communication, entre autres), utile pour orienter automatiquement ce qui entre dans un dépôt organisé en collections.
• Langue du document.
• Champs locaux propres à l'établissement : formation ou composante, directeur de thèse, numéro de projet, référence d'appel à projets, nombre de pages, identifiants, et toute autre donnée de son schéma.

Ce dernier point fait la différence entre une extraction générique et une extraction réellement utile : MetaExtract API est entraînée sur des documents réels de chaque établissement, pour que sa sortie corresponde à son schéma de métadonnées et non à un modèle standard qu'il faudrait ensuite réarranger à la main.

Comment fonctionne l'intégration

En pratique, le flux comporte quatre temps :

1. Entraînement du modèle. L'extraction est ajustée sur des documents réels de l'établissement (thèses, articles, rapports) pour reconnaître ses types de documents et ses champs propres, puis connectée au système ou au dépôt de destination.
2. Envoi du document. Le PDF est transmis à l'API, soit parce qu'une personne le charge dans le circuit de dépôt, soit parce que le système de l'établissement l'envoie automatiquement au moment où quelqu'un dépose un document.
3. Reconnaissance et catégorisation. L'API identifie les métadonnées demandées et les organise selon le schéma convenu : Dublin Core, champs locaux, ou les deux.
4. Préremplissage des champs. Les données extraites remplissent automatiquement le formulaire de description du système de destination, prêtes à être relues avant publication.

En entrée, un PDF ; en sortie, un ensemble de métadonnées structurées livré directement au formulaire ou au flux de travail du système récepteur, sans fichier intermédiaire que quelqu'un devrait recharger à la main.

Précision de l'extraction de métadonnées par IA : ce que relit l'équipe

Aucun système d'extraction automatique ne garantit 100 % de réussite sur tous les documents, et ce guide ne le promettra pas. La fiabilité varie selon la qualité du PDF : un document nativement numérique, au texte sélectionnable et à la structure claire, s'extrait plus précisément qu'un scan en basse résolution ou qu'une mise en page peu conventionnelle. Les champs écrits explicitement dans le document, comme le titre, le résumé ou la date, s'extraient de façon très fiable ; ceux qui demandent une interprétation, comme les mots-clés du thésaurus de l'établissement ou la licence, exigent toujours une relecture. Pour un document scanné sans couche texte, tout dépend de la numérisation : un scan net et droit donne de bons résultats, une basse résolution ou des pages de travers dégradent l'extraction. Ce point s'évalue au diagnostic, sur un échantillon de votre fonds réel.

C'est pourquoi le flux comprend toujours une étape de relecture humaine avant la publication d'une notice. Le bibliothécaire reçoit une proposition déjà structurée et applique son jugement là où la machine ne peut pas trancher : harmonisation des noms, choix des descripteurs, décisions de licence et d'accès. C'est exactement là que sa formation apporte de la valeur. L'objectif n'est pas de supprimer cette relecture, mais de la réserver aux cas qui en ont réellement besoin.

Reste la question de la langue. MetaExtract API traite des documents en espagnol, en anglais et en portugais et renvoie les métadonnées dans la langue du document ; pour les collections multilingues, l'extraction des titres et des résumés en deux langues se configure lorsque le document les contient. Pour un fonds rédigé en français, le lot de contrôle est le bon moment pour vérifier le comportement de l'outil sur vos propres documents avant la mise en production.

Avec quels systèmes MetaExtract API s'intègre-t-elle ?

MetaExtract API est conçue pour s'ajouter à l'infrastructure existante, pas pour la remplacer. Elle est compatible avec :

Dans les projets de BiblioLabTech, cette compatibilité multiple règle le scénario le plus inconfortable à automatiser : une bibliothèque qui exploite deux plateformes différentes, un dépôt et un catalogue par exemple, et qui doit réduire la transcription dans les deux sans les fusionner en un seul système. Une telle fusion serait un projet d'une tout autre ampleur, et elle est rarement à l'ordre du jour.

Pour qui MetaExtract API a-t-elle du sens ?

Elle se justifie surtout pour trois profils d'établissement :

• Les dépôts institutionnels au flux de dépôts constant : universités qui reçoivent thèses, articles et rapports en continu, et où la description manuelle devient un goulet d'étranglement qui s'aggrave à chaque semestre.
• Les bibliothèques avec un arriéré numérique : des collections de PDF déjà rassemblées, fonds numérisés ou production institutionnelle historique, jamais décrites faute de personnel. Le traitement par lots est possible ; mieux vaut avancer par collection ou par type de document et relire chaque lot avant de passer au suivant, car un dépôt rempli vite de métadonnées non relues coûte plus cher à corriger qu'à charger posément.
• Les établissements qui exploitent plusieurs plateformes à la fois : dépôt et catalogue, ou dépôt et système éditorial, où un seul outil d'extraction entraînable évite d'entretenir deux circuits manuels séparés.

Elle n'a en revanche pas de sens si le volume de documents est faible et irrégulier : entraîner et maintenir une intégration de ce type ne se justifie qu'avec un flux constant de documents à décrire. Dans ce cas, la description manuelle reste raisonnable.

MetaExtract API ou BiblioScan AI ?

On les confond souvent, car les deux automatisent le catalogage par intelligence artificielle, mais ils partent d'une source différente et résolvent un problème différent.

Lorsque BiblioLabTech déploie les deux ensemble, c'est presque toujours parce que l'établissement mène les deux chantiers à la fois : un catalogue de livres physiques et un dépôt numérique, avec le besoin d'automatiser la description des deux côtés. Pour le versant imprimé, voyez BiblioScan AI.

Des cas réels

• L'Universidad ICESI, en Colombie, a intégré MetaExtract API à son infrastructure existante, sans changer de système ni migrer de contenus : son équipe de gestion de l'information est passée de la transcription de chaque document à la relecture d'une notice déjà proposée.
• L'Universidad Católica Luis Amigó, en Colombie, l'a intégrée simultanément à deux plateformes différentes, son dépôt DSpace et son catalogue ABCD. Elle l'exploite en production continue depuis octobre 2024, avec un contrat renouvelé pour une deuxième année, et a ensuite ajouté BiblioScan AI pour les documents physiques.
• L'Universidad Continental, au Pérou, l'a mise en œuvre sur une plateforme commerciale de gestion de bibliothèque déjà choisie par l'établissement, sans aucune migration.
• L'Universidad Americana, au Paraguay, l'a intégrée au circuit de dépôt de son dépôt DSpace dès le lancement du projet.

Quatre établissements, quatre combinaisons de systèmes différentes, et le même principe de fond : l'API s'adapte à l'existant.

Comment se déroule la mise en place

Lorsque BiblioLabTech déploie MetaExtract API pour un établissement, le processus suit cet ordre :

1. Relevé du schéma de métadonnées cible : champs obligatoires, vocabulaires applicables, types de documents à distinguer.
2. Entraînement de l'extraction sur des documents réels de l'établissement, et non sur un échantillon générique.
3. Lot de contrôle : un ensemble représentatif est traité puis comparé champ par champ à la description réalisée par votre propre équipe, seule base de référence qui ait du sens.
4. Mise en production, avec la procédure de relecture humaine arrêtée avant toute publication.

Comptez de six à neuf semaines entre le diagnostic et la mise en production, moins si votre schéma de métadonnées est déjà défini et documenté ; la phase la plus variable est l'ajustement aux types de documents propres à l'établissement. MetaExtract API se souscrit sous forme de licence annuelle du service, qui comprend la mise en œuvre initiale, l'ajustement aux champs de l'établissement, le support et les évolutions de la période. Le montant dépend du nombre de schémas ou de types de documents à prendre en charge, des intégrations requises et du volume de traitement prévu.

Elle est incluse sans surcoût dans chaque mise en œuvre de DSpace réalisée par BiblioLabTech, car un nouveau dépôt naît presque toujours avec un fonds accumulé à décrire, et elle se souscrit aussi séparément pour des dépôts existants, y compris ceux que BiblioLabTech n'a pas mis en place. Aucune infrastructure n'est requise de votre côté, puisqu'il s'agit d'un service par API ; les conditions de traitement, de conservation et de suppression des documents se fixent dans le contrat, avant la mise en œuvre.

Si votre dépôt institutionnel ou votre catalogue reçoit plus de documents que votre équipe ne peut en décrire à la main, l'étape suivante consiste à examiner votre schéma de métadonnées avec nous pour voir en combien de temps l'extraction peut être entraînée sur vos documents réels. Tout commence sur la page MetaExtract API ou par un message à notre équipe.