Inscription au registre foncier : lecture automatisée des données avec l'IA

Les inscriptions au registre foncier sont la colonne vertébrale de toute planification immobilière et de construction. Elles contiennent des informations sensibles sur la propriété, les servitudes et les hypothèques. La saisie et le traitement manuels de ces données prennent non seulement beaucoup de temps, mais comportent également un fort potentiel d'erreurs. Toutefois, grâce à la lecture automatisée des données basée sur l'IA, ces informations peuvent être extraites de manière précise et efficace de l'acte de propriété.

Cet article décrit, dans un cas d'application concret, la grande valeur ajoutée que représente la disponibilité immédiate d'informations structurées qui peuvent être directement intégrées dans les processus de planification. Cela accélère la prise de décision et réduit considérablement le risque d'erreurs de planification.

Situation de départ : vérifier les extraits du registre foncier

Les énergies renouvelables s'assurent une place de choix dans les débats politiques et les perspectives d'avenir de la société. La planification et la construction d'éoliennes constituent un élément important de ces discussions et représentent une tâche complexe, accompagnée de nombreuses exigences juridiques. L'inscription au registre foncier, les charges de construction et les droits de construction jouent un rôle central dans ce contexte. Une gestion efficace de ces documents est nécessaire pour garantir le succès de tels projets. C'est là qu'intervient l'importance d'une solution automatisée de traitement des documents, telle que la Helm & Nagel GmbH avec le logiciel d'intelligence artificielle Confuzio.

Défi : Reconnaître automatiquement les informations contenues dans un extrait du registre foncier

Le défi de la planification d'éoliennes réside dans la gestion et le traitement de documents juridiques volumineux et complexes. Les inscriptions au registre foncier, qui contiennent des informations importantes telles que les données du propriétaire, les servitudes et les hypothèques, doivent être soigneusement analysées. Le processus manuel par lequel les collaborateurs de ce cas d'application transfèrent les informations dans des feuilles de calcul Excel pour les intégrer ensuite dans un système d'information géographique (SIG) prend beaucoup de temps et est sujet à des erreurs. Une solution automatisée est donc nécessaire pour rendre ces processus plus efficaces tout en minimisant les sources d'erreur.

Objectif : traitement automatique des extraits du registre foncier

L'objectif est de mettre en œuvre une solution qui automatise le traitement et la gestion des documents liés aux registres fonciers, aux zones de projet, aux charges foncières et aux droits de construction. Cette solution doit permettre d'extraire rapidement et précisément les informations pertinentes et de les mettre sous une forme structurée afin de les traiter directement dans les processus internes.

Un élément essentiel de ce projet est le Preuve de concept (POC)qui montre comment l'extraction automatique de l'inscription au registre foncier peut être mise en œuvre. L'objectif de ce POC est d'extraire des champs spécifiques des inscriptions au registre foncier afin de pouvoir les utiliser efficacement dans la planification ultérieure du projet. Les champs à extraire comprennent

1. Généralités sur le registre foncier:
   • Registre foncier de
   • Date de l'extrait
   • Feuille
   • Tribunal d'instance
2. Inventaire:
   • Numéro d'ordre de la parcelle
   • Ancien numéro de la parcelle
   • Commune
   • Couloir
   • Parcelle
   • Type d'économie
3. Première section:
   • Numéro d'ordre de l'enregistrement
   • Propriétaire
   • Numéros d'ordre correspondants des parcelles (parfois indiqués individuellement, parfois avec 1-5 ou 1,2,3)
   • Base de l'enregistrement
4. Deuxième section:
   • Numéro d'ordre de l'enregistrement
   • Numéro d'ordre de la parcelle
   • Charges & restrictions
5. Troisième section:
   • Numéro d'ordre de l'enregistrement
   • Numéro d'ordre de la parcelle
   • Montant
   • Hypothèque, dette foncière, dette de rente

Cette extraction détaillée des données du registre foncier permet d'intégrer directement les informations juridiques pertinentes dans les processus de planification.

Analyse et préparation

La lecture automatisée de l'inscription au registre foncier nécessite une structure de projet bien conçue. Pour ce faire, les champs pertinents des inscriptions au registre foncier de Confuzio sont regroupés dans ce que l'on appelle des "fichiers de données". Étiquettes et LabelSets organisés. Cette classification permet un traitement systématique des documents :

1. Étiquettes sont des catégories ou des balises spécifiques attribuées à des points de données individuels dans un document afin d'identifier des informations particulières, par exemple "propriétaire" ou "numéro de parcelle".
2. LabelSets sont des groupes de labels qui vont ensemble sur le plan thématique ou fonctionnel, par exemple tous les labels qui contiennent des informations sur l'"inventaire" dans le registre foncier.

Cette structuration aide l'IA à identifier et à extraire les données pertinentes avec précision.

Dans l'étape suivante, les documents sont annotés, c'est-à-dire marqués, à l'aide de ces labels. Ces Annotations servent de données d'entraînement pour l'IA. L'entraînement répété et l'ajout de nouvelles données permettent d'élargir continuellement l'ensemble de données, ce qui améliore les performances d'extraction de l'IA.

Une fois la formation terminée, la personne formée peut IA d'extraction extraire automatiquement les champs définis de l'inscription au registre foncier et mettre à disposition les informations de manière structurée. L'inscription au registre foncier est téléchargée sous forme de fichier PDF, après quoi l'IA se charge automatiquement de l'extraction des données.

Après l'extraction, la plateforme Konfuzio prend en charge les annotations des données et les transfère dans un format JSON via une interface web (API REST). Cela permet une intégration transparente des données dans les processus en aval, comme le transfert vers un système d'information géographique (SIG) ou d'autres systèmes de traitement des données.

Annotation désigne le marquage et l'étiquetage de données ou d'informations spécifiques dans un document. Dans le traitement de données basé sur l'IA, ces marques sont utilisées pour apprendre à l'IA quelles données sont pertinentes. Ainsi, l'IA reconnaît automatiquement des informations similaires dans d'autres documents et peut également les extraire.

Mise en œuvre : extrait du registre foncier KI

Grâce à une approche itérative et à des adaptations spécifiquement adaptées aux exigences de l'acte de propriété, l'IA d'extraction et la qualité de l'ensemble de données sont considérablement améliorées. La mise en œuvre se déroule selon les étapes suivantes :

1. Définition de la structure du projet
   Définir une structure claire pour le projet, qui identifie tous les champs pertinents dans les entrées du registre foncier et les organise systématiquement en Labels et LabelSets. Cette structure permet un traitement efficace et ordonné des documents.
2. Préparation des données
   Télécharger les inscriptions au registre foncier dans le système et les préparer pour l'entraînement, en garantissant une annotation précise et cohérente des données. Ce soin garantit une qualité élevée des données, ce qui est essentiel pour l'entraînement de l'IA.
3. Formation au modèle
   L'entraînement du modèle a lieu avec les données soigneusement annotées, en effectuant plusieurs cycles d'entraînement. L'IA peut ainsi être calibrée de manière optimale en fonction des exigences spécifiques des inscriptions au registre foncier.
4. Réglage fin du modèle
   Après l'entraînement initial, le modèle est affiné. En ajustant les Hyperparamètres et l'optimisation basée sur les premiers résultats, la précision de l'extraction est encore améliorée.
5. Validation
   Le modèle entraîné est ensuite validé avec des données de test. Cette validation montre la capacité de l'IA à lire l'acte de propriété dans la pratique.
6. Optimisation
   Sur la base des résultats de la validation, des ajustements et des optimisations finales sont effectués afin de préparer l'IA d'extraction à une utilisation productive et de maximiser la précision de la lecture.

Extrait du registre foncier OCR et KI Performance

Les résultats sont basés sur une distribution d'ensembles de données d'environ 70 données d'entraînement % et 30 données de test %. Dans un premier temps, l'IA a été entraînée afin de créer une base pour la création automatisée d'annotations. Celles-ci ont ensuite été vérifiées par un expert de Konfuzio et améliorées si nécessaire. Le résultat a été un processus d'annotation nettement accéléré ainsi qu'un ensemble de données de grande qualité. Un autre facteur important pour la performance de l'IA est la qualité des données d'entraînement. Pour garantir la qualité des annotations futures, il est essentiel que la qualité des données soit cohérente.

Conclusion

Dans ce cas d'application, la mise en œuvre d'une solution automatisée pour la lecture des données des registres fonciers s'avère être une étape décisive pour améliorer l'efficacité de la planification des éoliennes. L'automatisation de la saisie et de la gestion des documents juridiquement pertinents permet d'accélérer considérablement les processus internes et d'améliorer la précision de la transmission des données. La combinaison d'une analyse minutieuse, d'une intelligence artificielle robuste pour l'extraction des données et de la possibilité d'une intégration via une interface crée une solution performante, flexible et orientée vers l'avenir.

Cette solution avancée de Confuzio contribue de manière significative à ouvrir la voie à la réalisation réussie de projets d'énergie éolienne ou de projets connexes et à répondre aux exigences d'un paysage juridique de plus en plus complexe.

Prenez Contact et explorez le potentiel d'automatisation pour votre cas d'application spécifique.

FAQ sur l'inscription au registre foncier