Résumé exécutif

Les nouveautés de cette semaine renforcent plusieurs composantes pratiques autour de l’intelligence artificielle (IA) : extraction structurée de documents opérationnels, application de contraintes aux données synthétiques, examen confidentiel du potentiel d’appariement et gouvernance des activités des modèles et agents. Pour les offices statistiques, la priorité reste l’expérimentation contrôlée ; les travaux récents sur les modèles fondamentaux pour données tabulaires et la synthèse différentiellement privée demeurent expérimentaux et exigent une validation indépendante avant tout usage officiel.

Nouveautés de la semaine

Édition et validation

Unstructured 0.23.0 et 0.23.1 améliorent l’extraction PDF et la traçabilité

  • Date de publication : 10-11 juin 2026.
  • Fonction : La version 0.23.0 corrige des pertes de texte sur les pages PDF denses, améliore l’alignement entre le texte extrait et les images de pages orientées, et ajoute des métadonnées sur l’origine des enrichissements. La version 0.23.1 extrait également le texte saisi dans les champs AcroForm des PDF.
  • Intérêt pour la statistique officielle : Les formulaires d’enquête, déclarations administratives et archives opérationnelles sont souvent transmis en PDF. Une meilleure extraction des champs et une traçabilité plus explicite peuvent faciliter une conversion vérifiable en enregistrements structurés.
  • Cas d’usage : Extraire les réponses de formulaires électroniques remplis, puis comparer les champs obtenus aux spécifications du questionnaire avant chargement dans une base intermédiaire.
  • Mise en œuvre : L’extraction PDF ne constitue pas une saisie validée. Il faut tester des mises en page, langues, orientations, écritures manuscrites et pages numérisées représentatives, conserver le fichier source et les coordonnées de page, puis soumettre les cas incertains ou incohérents à une revue humaine.
  • Source : Versions d’Unstructured.

Nettoyage et contrôle de qualité

SDV 1.37 permet de réutiliser des fichiers de contraintes pour les données synthétiques

  • Date de publication : Version 1.37.0 le 29 mai 2026 ; version 1.37.1 le 11 juin 2026.
  • Fonction : Synthetic Data Vault (SDV) peut désormais enregistrer et charger des contraintes depuis des fichiers. Ces contraintes décrivent les relations ou règles de validité que les enregistrements synthétiques doivent respecter.
  • Intérêt pour la statistique officielle : Des données synthétiques d’enquête ou administratives peuvent paraître plausibles tout en violant des filtres de questionnaire, des identités comptables, l’ordre des dates ou des règles entre tables. Des définitions réutilisables facilitent la gestion de versions et la revue de ces contrôles.
  • Cas d’usage : Appliquer des règles documentées sur les tranches d’âge, les liens au sein du ménage ou l’ordre des dates lors de la création de données de test hors production.
  • Mise en œuvre : Le respect des contraintes ne démontre ni la protection de la confidentialité ni l’utilité analytique. Il faut mesurer séparément le risque de divulgation, la fidélité des distributions, les résultats par sous-groupe et l’adéquation à chaque usage prévu.
  • Source : Versions de SDV.

Traitement et intégration

Docling 2.100-2.102 étend la conversion de documents et l’intégration de services

  • Date de publication : 9-12 juin 2026.
  • Fonction : Docling 2.100 ajoute un moteur DocLang, la conversion EPUB et une correction de l’orientation des tableaux. Les versions suivantes ajoutent un contrôle explicite des images de pages et la récupération des résultats de conversion au moyen d’artefacts présignés.
  • Intérêt pour la statistique officielle : Les organismes statistiques doivent souvent convertir des rapports méthodologiques, classifications, formulaires et documents administratifs en contenu structuré tout en préservant les tableaux et le contexte documentaire.
  • Cas d’usage : Mettre en place un service contrôlé d’ingestion pour extraire les tableaux et sections de rapports reçus avant leur indexation pour la recherche interne ou l’aide au codage.
  • Mise en œuvre : Les artefacts présignés exigent des durées de validité courtes, des autorisations de stockage minimales et une journalisation des accès. La structure des tableaux, l’ordre de lecture et l’exactitude des caractères doivent être évalués sur un échantillon vérifié manuellement.
  • Source : Versions de Docling.

Appraisal propose un examen confidentiel plus rapide avant l’appariement

  • Date de publication : Dépôt arXiv le 26 mai 2026 ; l’article indique une publication à l’IEEE International Conference on Data Engineering 2025.
  • Fonction : L’article propose une étape préalable qui estime si les données de deux parties sont suffisamment appariables avant d’exécuter un protocole d’appariement confidentiel plus coûteux. Les auteurs signalent d’importantes réductions des calculs et communications par rapport à certains systèmes de référence.
  • Intérêt pour la statistique officielle : Les administrations qui envisagent un appariement interinstitutionnel peuvent avoir besoin d’estimer sa valeur potentielle sans divulguer d’abord les identifiants ni engager immédiatement un processus complet.
  • Cas d’usage : Examiner des sources administratives candidates avant un projet pilote de registre de population ou de recensement, sous réserve de la base juridique et de l’accord de partage applicables.
  • Mise en œuvre : Il s’agit d’un système cryptographique de recherche spécialisé, et non d’un service prêt à l’emploi. Une revue indépendante de sécurité, une modélisation des menaces, une évaluation de la qualité d’appariement et une autorisation de gouvernance sont nécessaires. Les performances annoncées ne sont pas confirmées sur des données statistiques nationales.
  • Sources : Notice arXiv ; notice DOI IEEE.

Analyse et modélisation

Schema-1 propose un modèle de langage des données pour les tableaux bruts

  • Date de publication : 7 mai 2026.
  • Fonction : La prépublication présente Schema-1, un modèle de 140 millions de paramètres conçu pour traiter directement les valeurs brutes des cellules. Les auteurs publient des résultats pour la prédiction au niveau des lignes, la reconstruction des valeurs manquantes et l’identification du secteur associé à un jeu de données.
  • Intérêt pour la statistique officielle : Un modèle capable d’apprendre la structure d’un tableau sans prétraitement approfondi propre à chaque tâche pourrait, à terme, appuyer l’imputation, la classification et certains contrôles exploratoires de qualité sur des données hétérogènes.
  • Cas d’usage : Comparer le modèle aux méthodes établies d’imputation ou de classification sur des données publiques ou entièrement désidentifiées.
  • Mise en œuvre : Il s’agit d’une prépublication émergente comportant des résultats rapportés par les auteurs. Avant tout usage sur des données sensibles ou officielles, il faut vérifier les risques de contamination des tests, les erreurs par sous-groupe, la calibration, la reproductibilité et la stabilité sous des mécanismes réalistes de non-réponse.
  • Source : Prépublication sur les Data Language Models.

Gouvernance, confidentialité et IA responsable

Tab-PE applique la confidentialité différentielle aux données tabulaires synthétiques

  • Date de publication : 6 juin 2026.
  • Fonction : Tab-PE adapte une approche d’évolution privée aux données tabulaires en utilisant des opérateurs spécialisés pour produire, évaluer de manière confidentielle et sélectionner des enregistrements candidats. Les auteurs rapportent une meilleure utilité pour la classification que certains modèles de référence sur des jeux présentant des corrélations d’ordre supérieur.
  • Intérêt pour la statistique officielle : La confidentialité différentielle fournit un cadre formel pour limiter la contribution des enregistrements individuels, ce qui est pertinent pour évaluer des microdonnées synthétiques destinées à la recherche ou aux tests.
  • Cas d’usage : Évaluer une méthode de synthèse différentiellement privée sur un jeu public proche d’un recensement, avec un budget de confidentialité et des mesures d’utilité définis à l’avance.
  • Mise en œuvre : La garantie dépend de l’ensemble du mécanisme, de la comptabilisation et des paramètres choisis. Une garantie formelle ne suffit pas à établir que les résultats peuvent être diffusés ; une revue du risque de divulgation, des tests d’utilité et une documentation complète restent indispensables.
  • Source : Prépublication Tab-PE.

MLflow 3.13 ajoute le contrôle d’accès par rôles et la conservation des traces

  • Date de publication : 1er juin 2026.
  • Fonction : MLflow 3.13 introduit un contrôle d’accès fondé sur les rôles (RBAC) avec des autorisations au niveau des espaces de travail, l’archivage automatique des anciennes traces et de nouvelles options de traçage et de gouvernance pour les agents de programmation et passerelles d’IA.
  • Intérêt pour la statistique officielle : Les flux assistés par IA pour le codage, la classification ou l’analyse nécessitent des accès contrôlés, des éléments de preuve conservés et des journaux vérifiables de l’activité des modèles ou agents.
  • Cas d’usage : Limiter les personnes autorisées à exécuter ou revoir un assistant expérimental de codage, tout en conservant les traces nécessaires au contrôle de qualité et à l’analyse des incidents.
  • Mise en œuvre : La version modifie le modèle d’autorisation et supprime d’anciennes interfaces, ce qui impose une revue de migration. Les traces peuvent contenir des fragments d’enregistrements ou des sorties confidentielles ; les règles de minimisation, conservation, chiffrement et accès doivent être définies avant activation.
  • Sources : Notes de version de MLflow 3.13 ; documentation RBAC de MLflow.

Implications pour les offices statistiques

La tendance commune est le développement de chaînes de traitement intégrant l’IA de manière plus gouvernable, plutôt que de modèles isolés. Les métadonnées de provenance, contraintes explicites, autorisations par rôles, traces conservées et protocoles confidentiels peuvent renforcer la responsabilité, mais ne remplacent pas le contrôle de qualité statistique. Chaque outil devrait être rattaché à un objectif approuvé, à des données de test représentatives, à des seuils de qualité mesurables, à des contrôles de sécurité et à une décision humaine clairement attribuée.

Les travaux de recherche rappellent également qu’il faut distinguer les résultats prometteurs sur des jeux de référence de la capacité opérationnelle. La confidentialité différentielle, l’appariement confidentiel et les modèles fondamentaux tabulaires devraient être évalués conjointement par les méthodologues, spécialistes métier, responsables de la protection des données et équipes de sécurité avant tout traitement d’enregistrements confidentiels.

Prochaines actions

  • Constituer un petit corpus de PDF représentatifs et mesurer l’extraction des champs, tableaux et ordres de lecture.
  • Gérer les versions des contraintes de données synthétiques avec les spécifications des questionnaires et données administratives.
  • Définir un modèle de menace et une base juridique avant de tester l’appariement confidentiel.
  • Comparer les modèles tabulaires expérimentaux à des méthodes statistiques et d’apprentissage automatique transparentes.
  • Examiner les rôles d’accès, le contenu des traces et les durées de conservation de chaque flux assisté par IA.
  • Exiger une évaluation documentée du risque de divulgation et de l’utilité des microdonnées synthétiques.

Sources