LLM pour analyser les GOSTs : de 2 heures à 5 min

Automatisation de l'extraction des paramètres GOST avec les LLM : Une étude de cas de réduction de temps par 24

Dans une usine métallurgique à cycle complet avec 4 500 articles d'inventaire et plus de 200 documents réglementaires (principalement des scans de GOST et OST de l'ère soviétique), la préparation d'une seule fiche de contrôle prenait auparavant plus de 2 heures. Les technologues extrayaient manuellement les paramètres des tableaux, notes et textes sur plus de 40 indicateurs. Une solution basée sur un LLM a réduit ce temps à 3–5 minutes—une amélioration par 24.

Le défi : générer un tableau avec les paramètres de contrôle, les sources (section/tableau) et les valeurs basées sur les caractéristiques de l'inventaire (qualité d'acier, diamètre de la billette, groupe) et un PDF GOST.

Pourquoi un analyseur ne suffisait pas

Un analyseur basé sur des modèles a échoué en raison de la diversité des formats : dans certains GOST, les paramètres sont dans des tableaux ; dans d'autres, ils sont dans des notes ou des sections référencées. Une compréhension sémantique est nécessaire, pas seulement une analyse structurelle.

Le LLM agit comme un 'technologue virtuel' :

• Entrée : PDF GOST + paramètres d'inventaire
• Prompt : liste des paramètres avec algorithmes de recherche
• Sortie : tableau de 'Paramètre — Valeur — Source'

L'échec d'un prompt universel

Les tests dans Perplexity ont montré : Claude Sonnet 4.6 a atteint 85 % de précision sur le premier GOST, GPT 5.4 a atteint 72 % (en mode Thinking). Mais les erreurs se sont reproduites sur les documents suivants en raison des différences structurelles—tableaux imbriqués, constantes, plages.

Une approche universelle ne s'adapte pas. Passage à des prompts adaptés à des GOST spécifiques.

Architecture de travail basée sur le principe de Pareto

80 % de l'inventaire est couvert par 18 % des GOST (20 documents clés pour le pilote).

Pour chacun—un prompt personnalisé avec des règles :

• Emplacement du paramètre (tableau/section)
• Interprétation des cas limites ('pas moins de', plages)
• Traitement des tableaux

Processus :

• Fournir le PDF GOST et les paramètres dans le prompt.
• Recevoir le tableau de résultats.
• Si des erreurs surviennent—analyser dans Perplexity avec la commande 'Mettre à jour la règle XX'.

9 itérations sur 14 jours ont assuré 100 % de précision sur les GOST pilotes.

Implémentation actuelle et mise à l'échelle

Les règles sont exportées vers un tableau Excel pour que les technologues puissent les modifier. Le prompt charge le tableau + les données d'entrée, sort un tableau prêt pour le système d'entreprise.

Ajout de nouveaux GOST : copier les règles du modèle, déboguer en 1–2 itérations.

Points clés à retenir :

• Les LLM modernes (Claude Sonnet) analysent de manière fiable les scans PDF avec des tableaux de toute complexité.
• Appliquer Pareto : commencer avec les 20 % de documents les plus importants.
• Les prompts personnalisés par document sont plus efficaces que les universels.
• Le débogage itératif élimine les erreurs systémiques (tableaux imbriqués).

Points à retenir pour les professionnels de l'informatique

Cette approche est applicable dans les industries avec une documentation réglementaire :

• Métallurgie, génie mécanique
• Industrie chimique, construction, énergie
• Pharmaceutique (sans données confidentielles)

Conditions de réussite :

• Transfert manuel de données à partir de PDF hétérogènes.
• Pas d'exigences strictes de confidentialité.
• Capacité d'affinement itératif des prompts.

— Editorial Team