feat(phase3): CamemBERT v3 + détection villes + initiales + texte espacé + docs réglementaires

Intégration du modèle CamemBERT-bio-deid v3 (F1=0.96, Recall=0.97, 1112 docs)
et corrections qualité issues de l'audit approfondi sur 29 fichiers.

Détection des villes en texte libre :
- Automate Aho-Corasick sur 33K communes INSEE + 11.6K villes FINESS
- Stratégie contextuelle : exige un contexte géographique (à, de, vers,
  habite, urgences de, etc.) sauf pour les villes composées (Saint-Palais)
- Blacklist de ~80 communes homonymes de mots courants (charge, signes, plan...)
- Normalisation SAINT↔ST pour les variantes orthographiques
- De 18 fuites de villes à 2 cas résiduels atypiques

Masquage des initiales de prénom :
- Post-traitement regex : "Dr T. [NOM]" → "Dr [NOM] [NOM]"
- Références initiales : "Ref : JF/VA" → "Ref : [NOM]/[NOM]"

Détection texte espacé d'en-tête :
- "C E N T R E  H O S P I T A L I E R" → [ETABLISSEMENT]

Autres corrections :
- Fix regex RE_EXTRACT_MME_MR (Mr?.? → Mr.?, \s+ → [ \t]+, * → {0,4})
- Stop words médicaux : lever, coucher, services hospitaliers (viscérale, etc.)
- CamemBERT NER manager : version tracking, propriété version, log F1/Recall
- Script finetune : export ONNX automatique + mise à jour VERSION.json
- Évaluateur qualité : exclusion stop words médicaux des alertes INSEE

Documentation :
- Spécifications techniques CamemBERT-bio-deid v3
- Conformité RGPD + AI Act (caviardage PDF raster)
- AIPD (Analyse d'Impact Protection des Données)

Score qualité : 97.0/100 (Grade A), Leak score 100/100

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

camembert_ner_manager.py

@@ -3,13 +3,16 @@
 """
 CamemBERT-bio NER Manager — Inférence ONNX pour la désidentification clinique.
 ================================================================================
-Modèle fine-tuné sur almanach/camembert-bio-base avec des annotations silver
-issues de 29 documents cliniques français (F1=89% sur validation).
+Modèle fine-tuné sur almanach/camembert-bio-base avec des annotations silver.
+
+Versions:
+  v2 (2026-03-09): 29 docs,  7K exemples — F1=0.90, Recall=0.93
+  v3 (2026-03-11): 1112 docs, 198K exemples — F1=0.96, Recall=0.97
 
 Utilisé comme signal NER supplémentaire dans le pipeline d'anonymisation,
 en complément d'EDS-Pseudo et GLiNER (vote majoritaire).
 
-Inférence ONNX Runtime CPU : ~20 ms pour 512 tokens.
+Inférence ONNX Runtime CPU : ~10-20 ms pour 512 tokens.
 """
 from __future__ import annotations
 
@@ -70,6 +73,10 @@ class CamembertNerManager:
     def is_loaded(self) -> bool:
         return self._loaded
 
+    @property
+    def version(self) -> str:
+        return getattr(self, "_version", "?")
+
     def load(self) -> None:
         """Charge le modèle ONNX et le tokenizer."""
         if not _ORT_AVAILABLE:
@@ -102,7 +109,23 @@ class CamembertNerManager:
         # Tokenizer
         self._tokenizer = AutoTokenizer.from_pretrained(str(self._model_dir))
         self._loaded = True
-        log.info(f"CamemBERT-bio ONNX chargé: {self._model_dir} ({len(self._id2label)} labels)")
+
+        # Lire la version depuis VERSION.json (si disponible)
+        self._version = "?"
+        version_path = self._model_dir.parent / "VERSION.json"
+        if version_path.exists():
+            try:
+                with open(version_path, encoding="utf-8") as vf:
+                    vinfo = json.load(vf)
+                self._version = vinfo.get("current_version", "?")
+                v_meta = vinfo.get("versions", {}).get(self._version, {})
+                f1 = v_meta.get("f1", "?")
+                recall = v_meta.get("recall", "?")
+                log.info(f"CamemBERT-bio ONNX {self._version} chargé (F1={f1}, R={recall}, {len(self._id2label)} labels)")
+            except Exception:
+                log.info(f"CamemBERT-bio ONNX chargé: {self._model_dir} ({len(self._id2label)} labels)")
+        else:
+            log.info(f"CamemBERT-bio ONNX chargé: {self._model_dir} ({len(self._id2label)} labels)")
 
     def unload(self) -> None:
         self._session = None