spec: Architecture complète avec VLM (5 couches détection)

- Ajout documentation VLM (Ollama qwen2.5vl:7b)
- Pipeline complet: Regex → VLM → EDS-Pseudo → CamemBERT → Contextuel
- Nouvelles exigences REQ-013/REQ-014 pour optimisation VLM
- Tâches Phase 2.5: amélioration prompt, validation croisée, perf
- Document ARCHITECTURE_REELLE.md avec détails complets
- Matériel: AMD Ryzen 9 9950X, 128GB RAM, RTX 5070 12GB
- Objectifs: Rappel ≥99.5%, Précision ≥97%, F1 ≥0.98

.kiro/specs/anonymization-quality-optimization/tasks.md

@@ -0,0 +1,408 @@
+# Tasks - Optimisation de la Qualité d'Anonymisation
+
+## Phase 1 : Mesure et Baseline (2 semaines)
+
+### 1.1 Création du Dataset de Test Annoté
+
+- [ ] 1.1.1 Sélectionner 30 documents représentatifs des 59 dossiers OGC
+  - [ ] 1.1.1.1 Analyser la répartition des documents (types, complexité, taille)
+  - [ ] 1.1.1.2 Sélectionner 10 documents simples (1-2 pages, peu de PII)
+  - [ ] 1.1.1.3 Sélectionner 15 documents moyens (3-5 pages, PII variés)
+  - [ ] 1.1.1.4 Sélectionner 5 documents complexes (>5 pages, nombreux PII)
+  - [ ] 1.1.1.5 Copier les documents dans `tests/ground_truth/`
+
+- [ ] 1.1.2 Créer l'outil d'annotation CLI
+  - [ ] 1.1.2.1 Créer `tools/annotation_tool.py`
+  - [ ] 1.1.2.2 Implémenter l'extraction et affichage du texte
+  - [ ] 1.1.2.3 Implémenter la saisie guidée des annotations
+  - [ ] 1.1.2.4 Implémenter la validation du format JSON
+  - [ ] 1.1.2.5 Implémenter l'export au format standardisé
+  - [ ] 1.1.2.6 Ajouter la documentation d'utilisation
+
+- [ ] 1.1.3 Annoter les 30 documents sélectionnés
+  - [ ] 1.1.3.1 Annoter les 10 documents simples
+  - [ ] 1.1.3.2 Annoter les 15 documents moyens
+  - [ ] 1.1.3.3 Annoter les 5 documents complexes
+  - [ ] 1.1.3.4 Valider les annotations (double vérification)
+  - [ ] 1.1.3.5 Calculer les statistiques du dataset (PII par type, difficulté)
+
+- [ ] 1.1.4 Enrichir la liste des stopwords médicaux
+  - [ ] 1.1.4.1 Extraire les termes médicaux des 30 documents annotés
+  - [ ] 1.1.4.2 Identifier les faux positifs actuels (termes masqués à tort)
+  - [ ] 1.1.4.3 Ajouter les nouveaux termes à `_MEDICAL_STOP_WORDS_SET`
+  - [ ] 1.1.4.4 Documenter les sources des stopwords
+
+### 1.2 Système d'Évaluation de la Qualité
+
+- [ ] 1.2.1 Implémenter l'évaluateur de qualité
+  - [ ] 1.2.1.1 Créer `evaluation/quality_evaluator.py`
+  - [ ] 1.2.1.2 Implémenter la classe `EvaluationResult` (dataclass)
+  - [ ] 1.2.1.3 Implémenter la classe `QualityEvaluator`
+  - [ ] 1.2.1.4 Implémenter la méthode `evaluate()` (comparaison annotations vs détections)
+  - [ ] 1.2.1.5 Implémenter le calcul des métriques (Précision, Rappel, F1)
+  - [ ] 1.2.1.6 Implémenter l'identification des faux négatifs
+  - [ ] 1.2.1.7 Implémenter l'identification des faux positifs
+  - [ ] 1.2.1.8 Implémenter la génération de rapport texte
+  - [ ] 1.2.1.9 Ajouter les tests unitaires
+
+- [ ] 1.2.2 Implémenter le scanner de fuite
+  - [ ] 1.2.2.1 Créer `evaluation/leak_scanner.py`
+  - [ ] 1.2.2.2 Implémenter la classe `LeakReport` (dataclass)
+  - [ ] 1.2.2.3 Implémenter la classe `LeakScanner`
+  - [ ] 1.2.2.4 Implémenter `scan_text()` (détection PII résiduels)
+  - [ ] 1.2.2.5 Implémenter `scan_metadata()` (scan métadonnées PDF)
+  - [ ] 1.2.2.6 Implémenter la classification par sévérité
+  - [ ] 1.2.2.7 Implémenter la génération de rapport de fuite
+  - [ ] 1.2.2.8 Ajouter les tests unitaires
+
+- [ ] 1.2.3 Implémenter le benchmark de performance
+  - [ ] 1.2.3.1 Créer `evaluation/benchmark.py`
+  - [ ] 1.2.3.2 Implémenter la collecte des métriques de temps
+  - [ ] 1.2.3.3 Implémenter la collecte des métriques CPU/RAM
+  - [ ] 1.2.3.4 Implémenter la collecte des métriques de qualité
+  - [ ] 1.2.3.5 Implémenter l'export JSON des résultats
+  - [ ] 1.2.3.6 Implémenter l'affichage tabulaire des résultats
+  - [ ] 1.2.3.7 Ajouter les tests unitaires
+
+### 1.3 Mesure de la Baseline
+
+- [ ] 1.3.1 Exécuter l'évaluation sur le dataset annoté
+  - [ ] 1.3.1.1 Anonymiser les 30 documents annotés avec le système actuel
+  - [ ] 1.3.1.2 Exécuter l'évaluateur sur les 30 documents
+  - [ ] 1.3.1.3 Générer le rapport de qualité baseline
+  - [ ] 1.3.1.4 Identifier les faux négatifs critiques
+  - [ ] 1.3.1.5 Identifier les faux positifs fréquents
+
+- [ ] 1.3.2 Exécuter le benchmark de performance
+  - [ ] 1.3.2.1 Benchmarker le système actuel sur les 30 documents
+  - [ ] 1.3.2.2 Mesurer le temps de traitement moyen
+  - [ ] 1.3.2.3 Mesurer l'utilisation CPU/RAM
+  - [ ] 1.3.2.4 Exporter les résultats baseline
+
+- [ ] 1.3.3 Analyser les résultats baseline
+  - [ ] 1.3.3.1 Analyser les types de PII manqués (faux négatifs)
+  - [ ] 1.3.3.2 Analyser les types de faux positifs
+  - [ ] 1.3.3.3 Identifier les patterns problématiques
+  - [ ] 1.3.3.4 Prioriser les améliorations à implémenter
+  - [ ] 1.3.3.5 Documenter les findings dans un rapport
+
+---
+
+## Phase 2 : Amélioration de la Détection (3 semaines)
+
+### 2.1 Amélioration des Regex
+
+- [ ] 2.1.1 Améliorer la détection des téléphones
+  - [ ] 2.1.1.1 Créer `detectors/improved_regex.py`
+  - [ ] 2.1.1.2 Implémenter `RE_TEL_IMPROVED` (formats fragmentés)
+  - [ ] 2.1.1.3 Ajouter 20+ tests unitaires pour les téléphones
+  - [ ] 2.1.1.4 Valider sur le dataset annoté
+
+- [ ] 2.1.2 Améliorer la détection des emails
+  - [ ] 2.1.2.1 Implémenter `RE_EMAIL_IMPROVED` (domaines médicaux)
+  - [ ] 2.1.2.2 Ajouter 20+ tests unitaires pour les emails
+  - [ ] 2.1.2.3 Valider sur le dataset annoté
+
+- [ ] 2.1.3 Améliorer la détection des adresses
+  - [ ] 2.1.3.1 Implémenter `RE_ADRESSE_IMPROVED` (compléments Bât., Appt.)
+  - [ ] 2.1.3.2 Ajouter 20+ tests unitaires pour les adresses
+  - [ ] 2.1.3.3 Valider sur le dataset annoté
+
+- [ ] 2.1.4 Améliorer la détection des NIR
+  - [ ] 2.1.4.1 Implémenter `RE_NIR_IMPROVED` (espaces variables)
+  - [ ] 2.1.4.2 Ajouter 20+ tests unitaires pour les NIR
+  - [ ] 2.1.4.3 Valider sur le dataset annoté
+
+- [ ] 2.1.5 Améliorer la détection des noms avec caractères spéciaux
+  - [ ] 2.1.5.1 Adapter les regex pour O'Brien, D'Angelo, Müller, etc.
+  - [ ] 2.1.5.2 Ajouter 20+ tests unitaires
+  - [ ] 2.1.5.3 Valider sur le dataset annoté
+
+- [ ] 2.1.6 Intégrer les regex améliorées
+  - [ ] 2.1.6.1 Remplacer les regex dans `anonymizer_core_refactored_onnx.py`
+  - [ ] 2.1.6.2 Exécuter les tests de régression
+  - [ ] 2.1.6.3 Mesurer l'amélioration (Rappel, Précision)
+
+### 2.2 Détection Contextuelle
+
+- [ ] 2.2.1 Implémenter le détecteur contextuel
+  - [ ] 2.2.1.1 Créer `detectors/contextual.py`
+  - [ ] 2.2.1.2 Implémenter la classe `ContextualDetector`
+  - [ ] 2.2.1.3 Implémenter la détection avec contexte fort
+  - [ ] 2.2.1.4 Implémenter la détection des noms en MAJUSCULES
+  - [ ] 2.2.1.5 Implémenter la détection avec contexte faible
+  - [ ] 2.2.1.6 Implémenter le filtrage via stopwords médicaux
+  - [ ] 2.2.1.7 Implémenter la dédoplication et tri par confiance
+  - [ ] 2.2.1.8 Ajouter les tests unitaires
+
+- [ ] 2.2.2 Valider le détecteur contextuel
+  - [ ] 2.2.2.1 Tester sur le dataset annoté
+  - [ ] 2.2.2.2 Mesurer le rappel (noms détectés)
+  - [ ] 2.2.2.3 Mesurer la précision (faux positifs)
+  - [ ] 2.2.2.4 Ajuster les seuils de confiance si nécessaire
+
+### 2.3 Approche Hybride
+
+- [ ] 2.3.1 Implémenter le détecteur hybride
+  - [ ] 2.3.1.1 Créer `detectors/hybrid.py`
+  - [ ] 2.3.1.2 Implémenter la classe `HybridDetector`
+  - [ ] 2.3.1.3 Implémenter le pipeline en 4 étapes (Regex → EDS → CamemBERT → Contextuel)
+  - [ ] 2.3.1.4 Implémenter le masquage progressif
+  - [ ] 2.3.1.5 Implémenter la fusion des résultats
+  - [ ] 2.3.1.6 Implémenter la traçabilité (méthode de détection)
+  - [ ] 2.3.1.7 Ajouter les tests d'intégration
+
+- [ ] 2.3.2 Intégrer le détecteur hybride
+  - [ ] 2.3.2.1 Modifier `anonymizer_core_refactored_onnx.py` pour utiliser `HybridDetector`
+  - [ ] 2.3.2.2 Ajouter la configuration activable/désactivable par détecteur
+  - [ ] 2.3.2.3 Exécuter les tests de régression
+  - [ ] 2.3.2.4 Mesurer l'amélioration globale
+
+- [ ] 2.3.3 Optimiser les performances avec GPU
+  - [ ] 2.3.3.1 Activer l'accélération CUDA pour EDS-Pseudo
+  - [ ] 2.3.3.2 Activer l'accélération CUDA pour CamemBERT-NER
+  - [ ] 2.3.3.3 Implémenter le batch processing optimisé pour GPU
+  - [ ] 2.3.3.4 Tester différentes tailles de batch (4, 8, 16, 32)
+  - [ ] 2.3.3.5 Mesurer l'utilisation VRAM et ajuster batch_size
+  - [ ] 2.3.3.6 Implémenter le fallback CPU automatique si GPU indisponible
+  - [ ] 2.3.3.7 Profiler le code (cProfile + CUDA profiler)
+  - [ ] 2.3.3.8 Identifier les goulots d'étranglement
+  - [ ] 2.3.3.9 Optimiser les parties critiques
+  - [ ] 2.3.3.10 Vérifier que le temps de traitement est < 10s/PDF avec GPU
+
+- [ ] 2.3.4 Implémenter le traitement parallèle multi-PDF
+  - [ ] 2.3.4.1 Créer un gestionnaire de pool de workers (ProcessPoolExecutor)
+  - [ ] 2.3.4.2 Tester avec 4, 8, 12 workers (optimal sur 16 cœurs)
+  - [ ] 2.3.4.3 Implémenter la répartition de charge intelligente
+  - [ ] 2.3.4.4 Mesurer le speedup avec parallélisation
+  - [ ] 2.3.4.5 Gérer les conflits d'accès GPU entre workers
+
+### 2.4 Configuration
+
+- [ ] 2.4.1 Créer le fichier de configuration
+  - [ ] 2.4.1.1 Créer `config/quality_config.yml`
+  - [ ] 2.4.1.2 Définir les paramètres d'évaluation
+  - [ ] 2.4.1.3 Définir les paramètres de validation
+  - [ ] 2.4.1.4 Définir les paramètres de détection
+  - [ ] 2.4.1.5 Définir les paramètres GPU (device, batch_size, max_vram)
+  - [ ] 2.4.1.6 Définir les paramètres VLM (Ollama URL, model, timeout, confidence)
+  - [ ] 2.4.1.7 Définir les paramètres de performance (max_workers, parallélisation)
+  - [ ] 2.4.1.8 Définir les paramètres de reporting
+
+- [ ] 2.4.2 Implémenter le chargement de configuration
+  - [ ] 2.4.2.1 Utiliser `pydantic` pour valider la configuration
+  - [ ] 2.4.2.2 Créer les modèles de configuration typés
+  - [ ] 2.4.2.3 Implémenter le chargement depuis YAML
+  - [ ] 2.4.2.4 Ajouter les tests de validation
+
+### 2.5 Optimisation VLM
+
+- [ ] 2.5.1 Améliorer le prompt VLM
+  - [ ] 2.5.1.1 Analyser les hallucinations actuelles du VLM
+  - [ ] 2.5.1.2 Créer un prompt plus précis avec exemples négatifs
+  - [ ] 2.5.1.3 Ajouter des instructions anti-hallucination
+  - [ ] 2.5.1.4 Tester sur échantillon de pages manuscrites
+  - [ ] 2.5.1.5 Mesurer le taux d'hallucination avant/après
+
+- [ ] 2.5.2 Implémenter la validation croisée VLM ↔ NER
+  - [ ] 2.5.2.1 Créer `detectors/vlm_validator.py`
+  - [ ] 2.5.2.2 Implémenter la comparaison VLM vs NER
+  - [ ] 2.5.2.3 Définir les règles de résolution de conflits
+  - [ ] 2.5.2.4 Rejeter les détections VLM non confirmées (seuil configurable)
+  - [ ] 2.5.2.5 Logger les conflits pour analyse
+  - [ ] 2.5.2.6 Ajouter les tests unitaires
+
+- [ ] 2.5.3 Optimiser les performances VLM
+  - [ ] 2.5.3.1 Vérifier si Ollama supporte GPU (CUDA)
+  - [ ] 2.5.3.2 Configurer Ollama pour utiliser le GPU si disponible
+  - [ ] 2.5.3.3 Mesurer le temps de traitement par page (baseline)
+  - [ ] 2.5.3.4 Optimiser la résolution d'image (trade-off qualité/vitesse)
+  - [ ] 2.5.3.5 Implémenter un cache des résultats VLM par hash d'image
+  - [ ] 2.5.3.6 Mesurer le speedup après optimisations
+
+---
+
+## Phase 3 : Validation et Reporting (1 semaine)
+
+### 3.1 Validation Post-Anonymisation
+
+- [ ] 3.1.1 Implémenter la validation post-anonymisation
+  - [ ] 3.1.1.1 Créer `core/post_validation.py`
+  - [ ] 3.1.1.2 Implémenter la fonction `validate_anonymized_pdf()`
+  - [ ] 3.1.1.3 Intégrer le scanner de fuite
+  - [ ] 3.1.1.4 Implémenter la vérification de lisibilité
+  - [ ] 3.1.1.5 Implémenter la génération de certificat
+  - [ ] 3.1.1.6 Implémenter le mode strict (blocage si fuite)
+  - [ ] 3.1.1.7 Ajouter les tests unitaires
+
+- [ ] 3.1.2 Intégrer la validation dans le pipeline
+  - [ ] 3.1.2.1 Modifier `anonymizer_core_refactored_onnx.py` pour appeler la validation
+  - [ ] 3.1.2.2 Ajouter l'option `--validate` en CLI
+  - [ ] 3.1.2.3 Ajouter l'option dans la GUI
+  - [ ] 3.1.2.4 Tester sur le dataset annoté
+
+### 3.2 Reporting
+
+- [ ] 3.2.1 Créer le générateur de rapports
+  - [ ] 3.2.1.1 Créer `tools/quality_reporter.py`
+  - [ ] 3.2.1.2 Implémenter la classe `QualityReporter`
+  - [ ] 3.2.1.3 Créer le template HTML (`templates/quality_report.html`)
+  - [ ] 3.2.1.4 Implémenter la génération de graphiques (matplotlib)
+  - [ ] 3.2.1.5 Implémenter l'export JSON
+  - [ ] 3.2.1.6 Implémenter l'export HTML
+  - [ ] 3.2.1.7 Ajouter les tests unitaires
+
+- [ ] 3.2.2 Générer les rapports de qualité
+  - [ ] 3.2.2.1 Générer le rapport baseline (avant optimisation)
+  - [ ] 3.2.2.2 Générer le rapport après optimisation
+  - [ ] 3.2.2.3 Créer un rapport comparatif (avant/après)
+  - [ ] 3.2.2.4 Exporter en HTML et JSON
+
+### 3.3 Tests de Régression
+
+- [ ] 3.3.1 Créer la suite de tests de régression
+  - [ ] 3.3.1.1 Créer `tests/regression/test_regression.py`
+  - [ ] 3.3.1.2 Implémenter le test de qualité (Rappel ≥ 99.5%, Précision ≥ 97%)
+  - [ ] 3.3.1.3 Implémenter le test de performance (temps < 30s/PDF)
+  - [ ] 3.3.1.4 Implémenter le test de non-régression (vs baseline)
+  - [ ] 3.3.1.5 Configurer pytest pour exécution automatique
+
+- [ ] 3.3.2 Exécuter les tests de régression
+  - [ ] 3.3.2.1 Exécuter sur le dataset annoté complet
+  - [ ] 3.3.2.2 Vérifier que tous les tests passent
+  - [ ] 3.3.2.3 Corriger les régressions si nécessaire
+
+### 3.4 Validation sur Corpus Complet
+
+- [ ] 3.4.1 Exécuter sur les 59 dossiers OGC complets
+  - [ ] 3.4.1.1 Anonymiser les 130 fichiers avec le système optimisé
+  - [ ] 3.4.1.2 Exécuter le scanner de fuite sur tous les fichiers
+  - [ ] 3.4.1.3 Vérifier qu'aucune fuite critique n'est détectée
+  - [ ] 3.4.1.4 Générer le rapport de qualité global
+
+- [ ] 3.4.2 Validation manuelle (échantillon)
+  - [ ] 3.4.2.1 Sélectionner 10 documents aléatoires
+  - [ ] 3.4.2.2 Vérifier manuellement la qualité d'anonymisation
+  - [ ] 3.4.2.3 Vérifier la lisibilité médicale
+  - [ ] 3.4.2.4 Documenter les observations
+
+- [ ] 3.4.3 Comparer avec la baseline
+  - [ ] 3.4.3.1 Comparer les métriques de qualité (Rappel, Précision, F1)
+  - [ ] 3.4.3.2 Comparer les métriques de performance (temps, CPU, RAM)
+  - [ ] 3.4.3.3 Calculer le gain d'amélioration
+  - [ ] 3.4.3.4 Documenter les résultats
+
+---
+
+## Phase 4 : Documentation et Finalisation (3 jours)
+
+### 4.1 Documentation
+
+- [ ] 4.1.1 Créer le guide d'annotation
+  - [ ] 4.1.1.1 Créer `docs/annotation_guide.md`
+  - [ ] 4.1.1.2 Documenter le processus d'annotation
+  - [ ] 4.1.1.3 Documenter le format JSON
+  - [ ] 4.1.1.4 Ajouter des exemples
+
+- [ ] 4.1.2 Créer le guide d'évaluation
+  - [ ] 4.1.2.1 Créer `docs/evaluation_guide.md`
+  - [ ] 4.1.2.2 Documenter l'utilisation de l'évaluateur
+  - [ ] 4.1.2.3 Documenter l'utilisation du scanner
+  - [ ] 4.1.2.4 Documenter l'utilisation du benchmark
+  - [ ] 4.1.2.5 Ajouter des exemples
+
+- [ ] 4.1.3 Créer la référence API
+  - [ ] 4.1.3.1 Créer `docs/api_reference.md`
+  - [ ] 4.1.3.2 Documenter les classes principales
+  - [ ] 4.1.3.3 Documenter les méthodes publiques
+  - [ ] 4.1.3.4 Ajouter des exemples de code
+
+- [ ] 4.1.4 Mettre à jour le README
+  - [ ] 4.1.4.1 Ajouter la section "Évaluation de la Qualité"
+  - [ ] 4.1.4.2 Ajouter les nouvelles dépendances
+  - [ ] 4.1.4.3 Ajouter les exemples d'utilisation
+  - [ ] 4.1.4.4 Ajouter les métriques de qualité
+
+### 4.2 Finalisation
+
+- [ ] 4.2.1 Revue de code
+  - [ ] 4.2.1.1 Vérifier la qualité du code (pylint, black, mypy)
+  - [ ] 4.2.1.2 Vérifier la couverture de tests (≥ 80%)
+  - [ ] 4.2.1.3 Vérifier la documentation (docstrings)
+  - [ ] 4.2.1.4 Corriger les problèmes identifiés
+
+- [ ] 4.2.2 Préparer les livrables
+  - [ ] 4.2.2.1 Dataset annoté (30+ documents)
+  - [ ] 4.2.2.2 Code source (détecteurs + évaluation)
+  - [ ] 4.2.2.3 Tests (unitaires + régression)
+  - [ ] 4.2.2.4 Documentation (guides + API)
+  - [ ] 4.2.2.5 Rapports (baseline + optimisé + comparatif)
+  - [ ] 4.2.2.6 Configuration (`quality_config.yml`)
+
+- [ ] 4.2.3 Validation finale
+  - [ ] 4.2.3.1 Vérifier que tous les critères de succès sont atteints
+  - [ ] 4.2.3.2 Vérifier que les métriques cibles sont atteintes (Rappel ≥ 99.5%, Précision ≥ 97%)
+  - [ ] 4.2.3.3 Vérifier que les performances sont acceptables (< 30s/PDF)
+  - [ ] 4.2.3.4 Obtenir la validation d'un expert médical (échantillon)
+
+---
+
+## Tâches Optionnelles (si temps disponible)
+
+- [ ]* Implémenter un cache des résultats NER pour améliorer les performances
+- [ ]* Implémenter la parallélisation du traitement par lots (déjà inclus dans Phase 2)
+- [ ]* Créer une interface web pour l'annotation (alternative à la CLI)
+- [ ]* Implémenter l'export des rapports en PDF
+- [ ]* Créer un dashboard de monitoring (Grafana/Prometheus)
+- [ ]* Implémenter l'analyse automatique des échecs (suggestions d'amélioration)
+- [ ]* Fine-tuner EDS-Pseudo sur le dataset annoté
+- [ ]* Implémenter un modèle ensemble (vote majoritaire)
+- [ ]* Optimiser le batch size dynamiquement selon la VRAM disponible
+- [ ]* Implémenter le préchargement asynchrone des modèles NER
+- [ ]* Tester d'autres modèles VLM (Qwen3-VL 8B, LLaVA, etc.)
+- [ ]* Implémenter un système de feedback utilisateur pour améliorer le VLM
+- [ ]* Créer un mode "review" pour valider les détections VLM manuellement
+
+---
+
+## Dépendances entre Tâches
+
+**Critiques** (bloquantes) :
+- 1.1 (Dataset annoté) → 1.3 (Baseline) → 2.x (Amélioration) → 3.4 (Validation)
+- 1.2.1 (Évaluateur) → 1.3.1 (Évaluation baseline)
+- 1.2.2 (Scanner) → 3.1 (Validation post-anonymisation)
+- 2.1 + 2.2 + 2.3 (Détecteurs) → 3.3 (Tests régression)
+
+**Parallélisables** :
+- 1.2.1 (Évaluateur) || 1.2.2 (Scanner) || 1.2.3 (Benchmark)
+- 2.1.1 || 2.1.2 || 2.1.3 || 2.1.4 || 2.1.5 (Regex indépendantes)
+- 4.1.1 || 4.1.2 || 4.1.3 (Documentation)
+
+---
+
+## Estimation de Charge
+
+**Phase 1** : 10 jours (2 semaines)
+- Annotation : 5 jours (30 docs × 1h = 30h)
+- Évaluation : 3 jours
+- Baseline : 2 jours
+
+**Phase 2** : 15 jours (3 semaines)
+- Regex : 5 jours
+- Contextuel : 3 jours
+- Hybride : 3 jours
+- VLM optimization : 2 jours
+- GPU optimization : 1 jour
+- Config : 1 jour
+
+**Phase 3** : 5 jours (1 semaine)
+- Validation : 2 jours
+- Reporting : 1 jour
+- Tests régression : 1 jour
+- Validation corpus : 1 jour
+
+**Phase 4** : 3 jours
+- Documentation : 2 jours
+- Finalisation : 1 jour
+
+**Total** : 33 jours (6.6 semaines) ≈ **7 semaines avec marge**