Référence · Données structurées
Des libellés en vrac,
des marques retrouvées.
Une enseigne de distribution voulait passer aux étiquettes électroniques. Il lui manquait une donnée simple : la marque de chaque produit. Des modèles de langage l’ont retrouvée dans les libellés.
Le contexte
Le système de gestion de l’enseigne tournait sur un IBM AS/400. Les libellés produits y étaient saisis en texte libre, sans champ « marque ». Or les étiquettes électroniques en ont besoin : sans marque, pas de bascule.
Ce qui a été livré
Analyser les libellés
Repérer, dans des libellés non structurés, où et comment la marque apparaît.
Extraire les marques par l’IA
Des modèles de langage — ChatGPT et Ollama — lisent chaque libellé et en sortent la marque.
Structurer et intégrer
Les marques extraites sont rangées et versées dans le référentiel produit (PIM).
Ce que ça change
Une donnée absente du système source est reconstruite à partir du texte existant, puis intégrée au PIM. Le modèle hébergé et le modèle local servent la même tâche d’extraction ; le système historique reste en place.
Une référence portée par SOBOIA, qui s’appuie sur TheSocle.
Et sur TheSocle aujourd’hui
Ce type de traitement correspond à la passerelle LLM du Hub, qui parle à plusieurs fournisseurs de modèles, et à ses pipelines d’enrichissement. Voir API et IA.