L'IA de l'ONS dans les Statistiques Officielles — de la Recherche sur le Codage Automatique SIC/SOC au Prototype ScannerAI de Lecture de Reçus

L'Office national des statistiques du Royaume-Uni (ONS) attribue les réponses en texte libre des enquêtes à des codes de Classification Industrielle Type (SIC) et de Classification Type des Professions (SOC) dans ses grandes enquêtes, dont le recensement de 2021 (500 000 enregistrements), l'enquête sur les forces de travail (300 000 enregistrements), l'enquête sur l'infection à la COVID-19 (70 000 enregistrements) et l'enquête annuelle sur les heures et les rémunérations. Son outil interne fondé sur des règles, basé sur une correspondance approximative avec des bases de connaissances, atteint des taux de correspondance d'environ 50 à 62 % selon l'enquête.

Le Data Science Campus a créé un prototype alternatif utilisant une régression logistique sur des caractéristiques textuelles (unigrammes, bigrammes, trigrammes) — une approche délibérément « basique », l'équipe notant que des méthodes plus avancées comme BERT pourraient faire mieux. Les résultats publiés montrent que l'approche par apprentissage automatique atteint 73 % de correspondance / 84 % d'exactitude globale sur les données SOC du recensement, 70 % de correspondance / 85 % d'exactitude sur l'enquête sur les forces de travail, et 66–67 % de correspondance / 69–76 % d'exactitude sur deux enquêtes plus petites — une nette amélioration par rapport à la base de référence fondée sur des règles. Les performances ont chuté fortement sur une cinquième enquête (DLHE, à un taux de correspondance de 60 % contre 84 % pour le recensement), ce que l'équipe attribue à la difficulté du modèle à se transférer à une population de répondants différente ; elle signale aussi qu'il n'existe pas encore de données d'entraînement validées (« gold-coded ») suffisantes pour le SIC, et que le modèle apprendra et répétera toute erreur systématique déjà présente dans le codage manuel antérieur. Le code est publié en open source (ACE2, sur GitHub) et le projet reste en phase de recherche, l'ONS indiquant qu'une nouvelle étude comparative est nécessaire avant toute décision de déploiement.

En parallèle, le Campus développe ScannerAI, un système destiné à extraire automatiquement des données détaillées à partir de photographies de reçus soumis pour l'enquête sur le coût de la vie et l'alimentation, qui a recueilli environ 60 000 reçus auprès de près de 4 000 ménages au cours d'une année récente. Le système enchaîne prétraitement d'image, OCR (Tesseract et Google Vision, le modèle multimodal Gemini Pro étant actuellement privilégié), restructuration du texte via Gemini Pro, et un choix entre Random Forest ou un microservice de classification générative pour attribuer les catégories de dépenses. La documentation de l'ONS elle-même décrit l'outil comme un prototype en phase précoce, encore en cours de test de précision par rapport à des reçus codés par des humains, non encore en production. Des reportages indépendants d'août 2026 ont replacé les deux projets dans une démarche d'IA plus large touchant la grande majorité des quelque 6 000 employés de l'ONS, entreprise alors que l'agence absorbait une baisse de budget en termes réels — un rappel que ces projets d'efficacité répondent en partie à une pression sur les ressources, et pas seulement à une initiative portée par la technologie.