Holograin : Détecter les documents redessinés par l'IA
Holograin est notre détecteur pour les documents numérisés et les photos redessinés par un générateur d'images IA. Il détecte 90 % des pages modifiées par l'IA après téléchargement tout en signalant 1 page authentique sur 100. Voici comment il se compare aux LLMs de pointe et aux détecteurs d'images IA open source.
Greg T
Un deepfake peut avoir l'air vrai. Encore faut-il qu'il le soit.
Un faussaire peut effacer toute trace de la création d'un document : l'imprimer, le numériser à nouveau, le régénérer avec un modèle d'image. Ce que le document affirme survit à ce lavage, et une affirmation peut être vérifiée. Voici comment nous vérifions ces affirmations, là où nos propres contrôles nous ont d'abord fait défaut, et les deux indicateurs qui garantissent notre intégrité.
Greg T
Forest et la nécessité de traiter la décision comme une infrastructure, pas comme une boîte de réception
Forest a fait valoir que l'OCR mérite d'être traité comme une infrastructure plutôt que comme une commodité. Voici l'argument complémentaire vu de l'amont : la couche qui reçoit les données mérite le même sérieux, car un chiffre parfaitement extrait peut toujours attendre trois jours, être approuvé par la mauvaise personne et ne laisser aucune trace de ce qui s'est passé.
Greg T
Forest
BenchmarkLe Benchmark d'Extraction de Relevés Bancaires
Un benchmark en conditions réelles pour l'extraction de transactions sur relevés bancaires. holofin traite 98 % des relevés sans aucune erreur. Les LLMs de pointe lisent presque chaque ligne, mais sur une minorité de mises en page, ils renvoient des lignes qui ne sont pas sur la page — de manière imprévisible — de sorte qu'un modèle précis à 90 % par ligne ne renvoie un relevé entièrement correct que ~75 à 80 % du temps.
Holofin Engineering
Votre extracteur de tableaux a réussi le test. Pas les chiffres.
Une auditrice ouvre votre résultat d'extraction pour un bilan. Le modèle affiche une précision par cellule de 99,2 %. Impressionnant. Puis elle fait le total de la colonne des actifs à la main, comme le font les auditeurs, et obtient un chiffre décalé d'une ligne. Les actifs ne sont plus égaux au passif plus les capitaux propres. Le bilan ne s'équilibre pas.
Greg T
Détection de fraude documentaire : ce qu'un PDF ne peut pas cacher
Nous pensions que la fraude documentaire était un problème visuel. Mauvaises polices. Colonnes mal alignées. Un logo qui semblait légèrement décalé. Nous avons construit des vérifications basées sur ce que les humains voient, car ce que les humains voient était tout ce que nous avions.
Greg T
Quand les documents contre-attaquent
Page 1 : Résumé du compte, deux colonnes. Page 15 : Même compte, trois colonnes, noms d'en-tête différents. Page 47 : Un scan avec une tache de café. Page 89 : La page des totaux, qui fait référence à des transactions que vous avez extraites il y a 70 pages.
Greg T
La piste d'audit invisible
Un auditeur ouvre votre fichier d'export, trouve un solde de clôture de 47 500 € et sort le PDF source. Page 3, coin inférieur droit : 47 000 €. Un chiffre différent. « D'où vient la différence ? Qui l'a modifié ? »
Greg T
HoloRecall : Montrer plutôt que raconter
Il y a un moment dans chaque projet de classification où vous voyez le modèle se tromper avec assurance. Pas un cas difficile. Pas un cas limite ambigu. Quelque chose qu'un humain résoudrait en une demi-seconde sans réfléchir.
Greg T