Plateforme d'enrichissement d'entités par IAVos documents deviennent une base de données.
Un environnement IA permettant aux utilisateurs comme aux agents IA de créer, d'alimenter et de faire évoluer des bases de données relationnelles normalisées. Partez de PDF, de photos, de mémos vocaux, de fichiers CSV, d'une base de données existante, ou décrivez simplement ce dont vous avez besoin. Entity Enricher crée un schéma modifiable et des workflows qui enrichissent vos données, résolvent les entités en doublon et maintiennent votre base de données à jour.
Lancer un enrichissement en directUn enrichissement part d'une requête et remplit le schéma d'une entité et de celles qui lui sont liées. Cinq joueurs sont enrichis tour à tour : un club ou un pays trouvé pour un joueur précédent est reconnu, pas ajouté une seconde fois.
Chaque champ d'un schéma est une question
Les enrichissements ci-dessus remplissent un schéma de valeurs. Voici le même schéma sous forme de diagramme de classes : chaque objet de sa structure JSON, avec ses champs, chacun affichant son type JSON (string, number, boolean…) là où figurerait une valeur. Chaque champ porte une description, et placer le pointeur sur un champ, ou le toucher, ouvre cette description — la question — avec les exemples du champ, les valeurs qu'il peut prendre lorsqu'il s'agit d'un ensemble fermé, et l'expert qui y répond ; l'en-tête d'un objet ouvre la description de l'objet lui-même. Un lien vers un autre objet est aussi un champ : il porte le nom du champ et ouvre la question qui indique au modèle à quel objet il renvoie.
Chaque description est la question posée au modèle de langage pour obtenir la valeur de ce champ. La génération de schéma les rédige, et l'éditeur de schéma permet de les modifier, afin de préciser une question ou de lever une ambiguïté avant tout enrichissement.
Un identifiant unique par club avec les identifiants sémantiques, quelle que soit l'orthographe de son nom
Chaque enrichissement écrit le nom d'un club comme le font ses sources : FC Barcelona dans l'enregistrement d'un joueur, Futbol Club Barcelona dans le suivant. Chaque club nommé par un enregistrement reçoit un ID sémantique, jamais renseigné par le modèle, résolu selon les trois étapes ci-dessous, de la moins coûteuse à la plus coûteuse. En cas de doute, un nouvel ID est créé : fusionner deux ID se fait en un clic, annuler une fusion erronée non.
Chaque enrichissement devient des lignes dans vos tables
Un schéma lié à une base de données devient des tables : une par type d'entité, une par liste, chacune jointe aux autres par ses clés étrangères. Un enrichissement est écrit en une seule transaction, les lignes référencées avant les lignes qui les référencent. Une entité déjà écrite par un enrichissement antérieur n'ajoute aucune nouvelle ligne : sa ligne est mise à jour, ou laissée telle quelle. Un schéma qui n'est lié à aucune base de données s'arrête à la sortie de l'enrichissement lui-même : du JSON structuré, validé par rapport au schéma.
Une seule file vers votre base de données, pour les lignes comme pour les changements de schéma
Un Database Sync conserve les entités dans votre propre base de données PostgreSQL. Chaque enrichissement devient une transaction d'upserts, pour l'entité et pour celles qui lui sont liées ; la publication d'un changement de schéma devient une migration. Les deux attendent dans la même file, dans leur ordre d'arrivée, et le client ee-database applique l'élément de tête, puis l'acquitte. Une nouvelle colonne existe donc avant la première ligne qui la remplit, et les lignes écrites auparavant y conservent NULL.
ee-database est un programme open source (licence MIT) qui s'exécute sur votre serveur ou votre ordinateur portable, à côté de la base de données dans laquelle il écrit. C'est lui qui ouvre la connexion, vers l'extérieur en direction d'Entity Enricher : la base de données n'accepte donc aucune connexion entrante et ses identifiants ne quittent jamais cette machine.
Un schéma conçu par l'IA à partir de vos échantillons de données
L'échantillon, extrait d'un document ou rédigé à la main, constitue la première version du schéma, qui est ensuite modifiée dans la plateforme.
D'un document à un échantillon
Un échantillon peut être extrait d'un document — ici, la fiche de La Communauté de l'Anneau au catalogue d'une librairie (la fiche au format PDF). Une extraction conserve toutes les valeurs que le document indique : l'auteur et l'éditeur, mais aussi les chapitres, les personnages et le rayon du livre dans la boutique. Un document ne laisse pas choisir les champs qui en sortent.
L'utilisateur conserve ensuite les champs auxquels le schéma est destiné. Un catalogue de livres a besoin d'un titre, d'un genre, d'une année et d'un prix, d'un auteur, d'une série et d'un éditeur : les autres champs sont écartés. Ce qui reste constitue l'échantillon de ce livre, le premier des cinq que lisent les étapes suivantes ; un document fournit un échantillon, les autres proviennent d'autres livres.
D'un échantillon à une carte d'entités
Entity Enricher lit un échantillon de vos données et reconnaît les entités qu'il décrit — ici, les livres, les auteurs, les séries et les éditeurs — ainsi que les champs qui identifient chacune d'elles. Ces entités sont des propositions : le schéma conserve la structure plate de l'échantillon jusqu'à ce que l'utilisateur transforme l'une d'elles en entité à part entière, en un clic. Ses champs passent alors sous elle, et un auteur cité par plusieurs livres devient une seule entité dotée de son propre identifiant unique.
Champs répartis entre les experts
La génération du schéma regroupe les champs selon les connaissances qu'ils requièrent et attribue un expert à chaque groupe : ici un expert littéraire pour les titres, les genres, les auteurs et les séries, et un expert de l'édition pour les éditeurs, les prix et les années de publication.
À l'enrichissement, chaque expert peut devenir un appel distinct, exécuté en parallèle : un modèle interrogé uniquement sur les prix et les éditeurs y répond plus complètement qu'un modèle interrogé sur tout à la fois.
Chaque expert décrit ses champs
Chaque expert rédige ensuite la description de ses propres champs, dans son propre vocabulaire : de quelle année il s'agit pour l'année d'un livre, dans quelle devise et à quelle date son prix est relevé. Les experts rédigent en parallèle, un appel chacun.
Une description est la question à laquelle un modèle répond pour son champ lors de l'enrichissement : plus elle est précise, plus deux modèles, ou deux exécutions, rempliront le champ de la même façon.
Champs qui identifient une entité
Pour chaque type d'entité, la génération du schéma retient les champs qui identifient une instance — le titre d'un livre, le nom d'un auteur. Dante et Dan Brown ont tous deux écrit un Inferno : un livre se distingue par son titre et son auteur réunis.
Un ID sémantique pour chaque entité
Lorsque des ID sémantiques sont demandés, chaque objet représentant une entité reçoit un champ id : le livre, ainsi que chaque entité qui y est imbriquée — auteur, série, éditeur. Le modèle ne le renseigne jamais : après chaque enrichissement, il est résolu à partir des champs identifiants de l'entité, de sorte qu'un même auteur écrit de deux façons conserve un identifiant unique.
Un objet qui ne porte que des faits relatifs à son parent — ici l'année et le prix du livre — n'en reçoit aucun : aucun de ses champs n'identifie quoi que ce soit. Il en va de même pour une association, comme le numéro de volume d'un livre dans sa série : elle est identifiée par les deux entités qu'elle relie.
Champs multilingues
Un champ texte peut être marqué comme multilingue : il contient alors une valeur par langue demandée — un titre, un genre ou un pays écrits dans chacune d'elles, un nom dans l'écriture de chaque langue. Une année ou un prix reste une valeur unique. L'identité est lue dans la première langue : un titre traduit ne crée donc jamais un second livre.
Des identifiants conservés tels quels
Pour chaque entité, un ou plusieurs modèles de langage remplissent le schéma à partir des documents joints et de leurs propres connaissances. Un champ marqué comme préservé fait exception : sa valeur provient de votre propre système — un identifiant de ligne, une référence interne — et traverse l'enrichissement sans être modifiée, afin que chaque livre enrichi retrouve la ligne dont il est issu. Sans ce marquage, le champ est rempli par le modèle, et rien ne l'empêche d'inscrire l'ISBN qu'il connaît à la place de votre identifiant.
Une base de données conçue à partir de votre schéma
Un schéma lié à une base de données devient des tables. L'essentiel de la conception tient à la façon dont ces tables se relient : quelles lignes plusieurs entités partagent, lesquelles n'appartiennent qu'à une seule. Un modèle de langage répond à ces questions ; les règles de la projection font le reste.
Une table par type de chose
Une base de données conserve ses données dans des tables. Une table est une grille : chaque colonne contient un champ, chaque ligne une chose. Lorsqu'un schéma est lié à une base de données, chaque type d'entité reçoit sa propre table — ici
football_player— et chaque joueur enrichi en devient une ligne.Un groupe de champs sans identité propre, comme les débuts d'un joueur, n'a besoin d'aucune table : ses champs deviennent des colonnes de la même ligne, nommées d'après le chemin qui y mène —
senior_debuts_club_date.Ce qui distingue deux lignes
Chaque table a une clé : les colonnes qui distinguent une ligne d'une autre. Un joueur se distingue par son nom complet et sa date de naissance réunis, un pays par son code ISO. Les clés sont choisies lors de la liaison du schéma, parmi les champs qui identifient chaque entité.
Lorsqu'un joueur est enrichi à nouveau, la clé retrouve la ligne qui lui correspond déjà : la ligne est mise à jour, sans qu'aucun doublon n'apparaisse.
Une relation est un pointeur
Dans un tableur à plat, un club apparaît sur la ligne de chaque joueur qui y a joué, son année de fondation recopiée à chaque fois. Les copies divergent : dès que l'une est corrigée, les autres conservent encore l'ancienne valeur.
Dans une base de données, le club est stocké une seule fois, dans une table qui lui est propre, et chaque passage n'en contient qu'un pointeur — une clé étrangère, l'
_iddu club. Ce sont ces relations entre tables qui rendent les données fiables : chaque fait vit en un seul endroit, et chaque ligne qui en a besoin y pointe.Partagé ou exclusif : la question à laquelle répond le modèle
Pour chaque relation du schéma, une seule question est posée à un modèle de langage : un autre joueur pourrait-il pointer vers cette même ligne ? Un club, une ville, un pays ou une compétition existe indépendamment de tout joueur : la réponse est donc oui, et la ligne est partagée par tous les joueurs qui y pointent.
Chaque réponse est accompagnée de sa justification, que l'utilisateur lit, et peut infirmer, avant la création de la base de données. Pour ce schéma, le modèle a jugé dix-huit relations, et a trouvé que chacune pointait vers quelque chose de partagé.
Des lignes qui n'appartiennent qu'à un seul joueur
Le passage d'un joueur dans un club contient des faits vrais pour ce seul joueur : les années, les buts. Ses lignes sont exclusives : chaque joueur a les siennes, même pour un même club, et chacune pointe vers l'unique ligne partagée du club.
Le sélecteur montre ce que produirait un verdict erroné. En mode partagé, les deux passages fusionnent en une seule ligne par club, et le second enrichissement écrase les valeurs du premier joueur. C'est pourquoi une relation est considérée comme exclusive jusqu'à preuve qu'elle est partagée : une fusion erronée corrompt les données, alors qu'une fusion manquée ne coûte qu'une ligne supplémentaire.
Types de colonnes et index
Chaque colonne tire son type de son champ : une taille devient un nombre décimal, une année un entier, une date de naissance une date. Un type précis permet à la base de données de comparer, de trier et de vérifier ses valeurs.
Un index est une copie triée de certaines colonnes, qui permet à la base de données de trouver des lignes sans lire toute la table. Les noms reçoivent un index de recherche, et le modèle façonne les autres index d'après les écrans de liste qu'une application affichera — ici, des joueurs filtrés par taille et triés par nom.
Un schéma par workflow, une base de données pour plusieurs
Un schéma correspond à un workflow : son propre échantillon, ses propres exécutions d'enrichissement, son propre webhook lorsqu'un résultat arrive. Une base de données peut être liée à plusieurs. Deux workflows qui nomment le même type d'objet — ici la ville du club d'un joueur, et une ville enrichie pour elle-même — écrivent dans la même table : celui qui se contente de la nommer écrit son identité, celui qui la décrit remplit le reste, et chaque colonne au-delà de l'identité n'a qu'une seule source d'écriture.
Lier un schéma le confronte à ceux déjà liés : un type nommé par les deux doit être distingué par la même clé. Le guide Database Sync détaille ces vérifications.
Des données brutes au système d'information
Un seul pipeline prend tout ce que vous avez — documents, feuilles de calcul, lignes à moitié remplies — et renvoie des enregistrements auxquels votre base de données peut se fier.
Source
Importez un traitement par lot depuis votre système existant — ou une seule nouvelle entité dès qu'elle apparaît. Documents, images, recherche web et connaissances générales du LLM comblent ce que vos données ne disent pas.
Structure
Décrivez votre cible en langage naturel ou collez un exemple — l'IA rédige un schéma typé avec des domaines d'expertise. Affinez-le visuellement ou par chat.
Vérifier
Plusieurs modèles répondent en parallèle, par domaine de connaissance. Les conflits sont détectés champ par champ et résolus par des règles ou un arbitre IA — avec le raisonnement enregistré.
Intégrer
Les enregistrements validés reviennent avec vos clés d'origine préservées à l'identique et des identifiants sémantiques comme clés de jointure stables. Aucun doublon, aucune re-création de clés — jusqu'à 40 langues par champ.
Deux façons de l'alimenter
Traitement par lot — depuis votre système existant
Récupérez des centaines d'entités depuis votre base de données, votre CRM ou n'importe quel point de terminaison REST — collez du JSON ou récupérez une URL avec authentification. Enrichissez-les en parallèle, suivez la progression en direct, réécrivez des enregistrements propres — ou exportez vers Excel.
À la volée — dès l'arrivée de nouvelles entités
Un nouveau lead, produit ou document entre dans votre système ? Enrichissez-le en quelques secondes — un appel API, un déclencheur n8n/Make, ou directement depuis un chat via MCP. Structuré, validé, prêt à insérer.
Les deux chemins partagent les mêmes identifiants sémantiques — une entité enrichie aujourd'hui dans un traitement par lot et recroisée demain à la volée aboutit toujours sur un seul enregistrement.
Chaque valeur est entièrement traçable
La plupart des outils d'IA vous demandent de faire confiance au résultat. Nous vous permettons d'inspecter comment il a été décidé.
Vérification préalable
Un modèle rapide classe d'abord l'entité par rapport à votre schéma. Enrichir « Titan » en tant que planète ? Vous êtes averti avant qu'un seul jeton ne soit dépensé.
Modèles en compétition
Deux LLM ou plus répondent indépendamment. Les sorties sont validées par le schéma ; les erreurs sont renvoyées au modèle pour auto-correction, automatiquement.
Arbitré, enregistré
Les conflits au niveau du champ sont résolus par majorité, par médiane ou par un arbitre IA. Chaque décision — toutes les valeurs candidates, la valeur retenue, le raisonnement — est stockée dans l'enregistrement.
Acme Corp
Toute entité : entreprise, médicament, affaire juridique, article de recherche...
Correspondance — Entreprise
Détecte les incompatibilités de type avant de gaspiller des crédits LLM.
Apportez vos propres clés API — compatible avec tous les fournisseurs LLM.
Schéma découpé par domaine — les prompts auto-correcteurs réessaient en cas d'échec de validation.
Fusion profonde des réponses d'expertise par modèle.
Acme Corp
ArbitréUne résolution raisonnée des conflits au niveau des champs produit le résultat final fiable.
Huit couches de défense séparent l'imagination d'un LLM de votre base de données. Comment nous prévenons les hallucinations →
Vos données, vos modèles, vos clés
Conçu pour les équipes dont les données ne peuvent pas quitter les murs — le confort du cloud avec un contrôle total sur l'endroit où l'inférence s'exécute.
Apportez vos propres clés API
Utilisez les clés Anthropic, OpenAI ou Gemini de votre organisation — votre facturation, vos accords de traitement des données. Les clés de la plateforme ne sont que l'option par défaut sans configuration.
Exécutez des modèles sur votre propre matériel
Appairez un ordinateur portable ou un serveur GPU sur site en deux minutes et acheminez les enrichissements via un tunnel sécurisé vers votre Ollama local. Les données sensibles n'atteignent jamais un LLM cloud.
Fonctionnement du tunnel →Isolé par locataire, par conception
Les enregistrements, schémas, fichiers et registres de concepts sont limités à l'organisation. Contrôle d'accès basé sur les rôles jusqu'à chaque clé API.
Organisations & rôles →Pourquoi Entity Enricher
Conçu spécifiquement pour l'enrichissement structuré par LLM — voici ce qu'il apporte par rapport à un appel de modèle unique ou à un pipeline fait maison.
S'intègre à votre système d'information
IntégréAjoutez une database sync à un schéma et vos enrichissements se répliquent dans votre propre PostgreSQL sous forme de véritables tables relationnelles — un instantané SQL pour l'initialiser, un flux delta idempotent pour la maintenir convergente, et un client de synchronisation open-source qui l'applique sans aucun code de liaison. Les clés d'entrée sont préservées telles quelles, et chaque entité reçoit un semantic ID stable : une clé de jointure prête à l'emploi qui résout « Headache », « Céphalée » et « Cephalalgia » en un seul enregistrement, et non trois.
Du JSON brut à chaque appel. Vous concevez le stockage, les clés, la mise en correspondance et la réconciliation avant que cela puisse toucher vos systèmes.
Schéma personnalisé
Vous définissez la structure de sortie. N'importe quel type d'entité, n'importe quels champs, n'importe quelle profondeur d'imbrication.
Un prompt écrit à la main renvoie une structure plate. L'imbrication, les types et la validation sont entièrement à votre charge.
Multi-modèle
Exécutez 2 LLM ou plus simultanément. Comparez les résultats. Utilisez le meilleur de chacun.
Un seul modèle, un seul fournisseur. Aucun moyen d'effectuer une validation croisée ni d'améliorer la précision.
Fusion et arbitrage
Détection des conflits au niveau du champ avec résolution basée sur des règles ou arbitrée par LLM.
Confiance aveugle dans une source unique. Aucune détection des conflits.
Tout domaine, toute entité
Entités juridiques, composés pharmaceutiques, articles de recherche, immobilier — tout ce que vous voulez.
Chaque nouveau domaine implique de nouveaux prompts, une nouvelle validation, une nouvelle tuyauterie — un pipeline par type d'entité.
Multilingue par conception
IntégréMarquez un champ comme multilingue une seule fois. Un seul appel d'enrichissement renvoie la valeur traduite dans toutes les langues sélectionnées — jusqu'à 40 — sans appel LLM supplémentaire ni pipeline de traduction.
Sortie uniquement en anglais. La traduction est une étape distincte, un coût distinct et un mode de défaillance distinct.
Apportez vos propres documents
NouveauJoignez des PDF, des diapositives, des feuilles de calcul, des contrats, des numérisations, des enregistrements audio. Les modèles compatibles vision, PDF et audio les lisent directement ; les autres sont extraits côté serveur et intégrés automatiquement.
Entrées en texte seul. Les documents sont votre problème — convertissez, OCR, transcrivez, découpez et nettoyez avant de pouvoir enrichir.
Optimisé pour les coûts par défaut
IntégréLa mise en cache des prompts réutilise le prompt partagé entre les appels parallèles à ~10 % du prix d'entrée, chaque domaine d'expertise ne voit que ses propres champs, et une vérification préalable peu coûteuse vous évite de payer pour enrichir la mauvaise entité.
Tarification forfaitaire par enregistrement, sans optimisation au niveau des tokens — et aucune visibilité sur ce que vous avez réellement dépensé.
Fonctionne là où vous travaillez
Concevez votre schéma une seule fois, puis enrichissez à n'importe quelle échelle — depuis l'application web, via des workflows automatisés ou directement depuis votre propre code.
Enrichissement par lot
Enrichissez des centaines d'entités en parallèle depuis l'application web. Streaming en temps réel, fusion automatique, export Excel.
Workflows n8n & Make
Pipelines automatisés : déclenchement sur nouvelles données, enrichissement, envoi vers votre CRM ou votre base de données. Plus de 400 intégrations d'applications.
API REST
Accès programmatique pour des intégrations personnalisées. Schéma OpenAPI typé, clés au niveau de l'organisation, points de terminaison synchrones et en streaming.
Connectez-vous à plus de 400 applications via n8n
Créez des pipelines d'enrichissement automatisés avec l'éditeur de workflows visuel de n8n. Extrayez des données de n'importe quelle source, enrichissez-les avec l'IA et envoyez les résultats où vous voulez.
Entity Enricher intègre un serveur MCP (Model Context Protocol) embarqué. Listez vos schémas, enrichissez une entité, inspectez le résultat — le tout depuis le chat. Aucun éditeur de workflow requis.
Le client open source ee-database maintient la convergence de votre propre PostgreSQL avec chaque enrichissement — amorçage par instantané, puis un flux delta en direct sur une connexion sortante. Aucun workflow à construire, et votre chaîne de connexion ne quitte jamais votre machine.
Conçu pour tous les domaines
Pas seulement des contacts B2B. Définissez un schéma pour n'importe quel type d'entité et enrichissez-le.
Notre positionnement face à la concurrence
Vous venez d'une API de recherche web, d'un agent de recherche sur tableur — ou vous construisez votre propre pipeline LLM ? Voici où se situe Entity Enricher.
| Fonctionnalité | Entity Enricher | Parallel AI | Agents de recherche IA | Pipeline LLM DIY |
|---|---|---|---|---|
| Schéma imbriqué personnalisé | Schéma JSON plat | Un prompt par colonne | Codé à la main | |
| Enrichissement multi-modèle | Vous orchestrez | |||
| Fusion et résolution des conflits | ||||
| Piste d'audit au niveau du champ | Citations + confiance | |||
| Déduplication des entités liées (ID sémantiques) | ||||
| Synchronisation vers votre propre PostgreSQL | Export CSV / tableur | Vous le construisez | ||
| Vos documents comme sources | Variable | Vous le construisez | ||
| N'importe quel type d'entité | ||||
| Sortie multilingue (40 langues) | Vous le construisez | |||
| BYOK / modèles auto-hébergés | Rarement | |||
| Traitement par lot | Vous le construisez | |||
| Maintenance | Géré | Géré | Géré | À vous, pour toujours |
| Tarifs | Paiement au token | 5-25 $ / 1 000 lignes | Crédits / abonnement | Temps d'ingénierie + tokens |
Complétez le passé. Enrichissez l'avenir.
Le savoir de votre entreprise est déjà écrit — rendez-le interrogeable. Commencez gratuitement, apportez vos propres clés API et ne payez que les coûts LLM.
Commencer gratuitement