Bekkali037/alphaedge-workflow-studio

⚡ AlphaEdge Workflow Studio

Prototype de workflow B2B autour de l'API OCR AlphaEdge.

Transforme les sorties OCR brutes en données exploitables : extraction de texte, scores de confiance, file de revue humaine, structuration JSON et export.

Démo

🟡 Mode mock — fonctionne sans clé API avec des réponses simulées réalistes. 🟢 Mode réel — se connecte à l'API AlphaEdge OCR (AlphaDigit Max).

Lancer l'app

# Cloner
git clone https://github.com/MedBekkali/alphaedge-workflow-studio.git
cd alphaedge-workflow-studio

# Installer
pip install -r requirements.txt

# Configurer (optionnel pour le mode mock)
cp .env.example .env

# Lancer
streamlit run app.py

Fonctionnalités

Extraction OCR — Upload PDF/image → appel AlphaEdge → texte extrait avec confiance globale et par mot.

Heatmap de confiance — Chaque mot coloré selon son score : 🟢 ≥90% 🟡 ≥70% 🔴 <70%.

File de revue — Tableau trié par confiance croissante. Les mots sous 70% sont signalés pour vérification humaine.

Structuration — Extraction automatique des champs (type de document, date, montants, SIRET, IBAN, etc.) via regex ou LLM optionnel.

Export JSON — Sortie structurée téléchargeable, prête à intégrer dans un pipeline métier.

Architecture

Document → AlphaEdge OCR API → Texte + confiance par mot
                                    ↓
                           Post-traitement (remplaçable)
                           ├── rules   : regex + heuristiques (local, souverain)
                           ├── claude  : LLM optionnel (démo uniquement)
                           └── custom  : modèle on-premise / AlphaEdge custom
                                    ↓
                           JSON structuré + alerte de revue + export

La couche de post-traitement est volontairement découplée pour rester compatible avec un déploiement on-premise ou on-device. Le cœur de l'intelligence (OCR) reste dans AlphaEdge — aucun transfert de données vers un tiers n'est requis en mode rules.

Structure du projet

alphaedge-workflow-studio/
├── app.py                    ← App Streamlit
├── alphaedge/
│   ├── ocr.py                ← Client API OCR (mock + réel)
│   └── structurer.py         ← Post-traitement (rules / claude)
├── mock_data/
│   └── ocr_response.json     ← Réponse simulée réaliste
├── demo_files/               ← Fichiers de démo
├── .env.example
├── requirements.txt
└── README.md

Notes d'intégration

Ce qui marche bien

• —API simple à intégrer : un seul endpoint POST multipart, réponse JSON claire.
• —Le champ global_confidence + words[].confidence permet de construire directement un workflow de revue humaine — c'est le principal différentiateur par rapport à un OCR qui renvoie juste du texte.
• —Temps d'inférence rapide (< 0.5s sur les documents testés).

Points d'attention

• —Le champ multipart doit s'appeler exactement image — file ou document provoquent un 422.
• —Ne pas définir Content-Type manuellement en multipart ; laisser la bibliothèque HTTP gérer le boundary.
• —Pour les clients régulés (finance, juridique, santé), la couche de structuration doit être remplaçable par un modèle souverain — d'où l'architecture découplée de ce prototype.

Idée produit

Un module human-in-the-loop clé en main pour les clients B2B :

• —OCR AlphaEdge → extraction
• —File de revue automatique (mots < seuil de confiance)
• —Validation humaine des zones à risque
• —Export validé vers le SI client

Cas d'usage naturels : dématérialisation de factures, extraction de formulaires administratifs, numérisation de dossiers juridiques.

Prototype réalisé par Mohamed Bekkali — ESAIP Angers, spécialisation IA.