Etudiant : EL IDRISSI AYOUB

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. EL-BATTEOUI ISMAIL

Annèe : 2026

Résumé : Dans le cadre de mon projet de fin d’études pour l’obtention du diplôme de Master en Machine Learning Avancé et Intelligence Multimédia (MLAIM), réalisé au sein de Golden Carrière, entreprise spécialisée dans le transport et la commercialisation des matériaux de construction à Fès, j’ai contribué au développement d’un système intelligent de traitement automatique des factures, doté d’un assistant conversationnel d’aide à la décision. Ce projet poursuit deux objectifs complémentaires. Le premier consiste à automatiser l’extraction et la structuration des informations contenues dans les factures, afin de réduire les tâches manuelles, fiabiliser les données et faciliter leur exploitation ; il s’appuie sur le modèle Donut (Document Understanding Transformer), une approche OCR-free de bout en bout. Le second, qui constitue le cœur du projet, vise à rendre ces données interrogeables en langage naturel grâce à un assistant conversationnel fondé sur l’approche Text-to-SQL, qui traduit automatiquement les questions de l’utilisateur en requêtes SQL exécutées sur la base de données PostgreSQL via le modèle Llama 3.3 70B (accessible via l’API d’inférence Groq), dont le schéma est injecté directement dans le prompt (schema-in-prompt), sans recours à une recherche vectorielle ni à des embeddings. L’ensemble repose sur une architecture modulaire : Apache Airflow pour l’orchestration du pipeline, FastAPI pour les services backend, PostgreSQL pour le stockage des données structurées et Next.js pour l’interface utilisateur. Les données extraites sont valorisées à la fois par des tableaux de bord interactifs Power BI (montants, clients, chantiers, volumes traités) et par l’assistant conversationnel Text-to-SQL, permettant aux utilisateurs d’interroger les données en français sans compétences techniques particulières. Les résultats obtenus démontrent l’efficacité de l’approche proposée, avec un score ANLS de 98,7 % sur 10 champs d’extraction, confirmant la supériorité de l’approche OCR-free sur les méthodes classiques.