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>

docs/camembert-bio-deid-v3-specs.md

@@ -0,0 +1,77 @@
+# CamemBERT-bio-deid v3 — Specifications techniques
+
+## Modele de base
+
+- **Architecture** : CamemBERT (RoBERTa-based), Token Classification
+- **Modele pre-entraine** : `almanach/camembert-bio-base` (LORIA/INRIA)
+- **Parametres** : ~110M (12 couches, 768 hidden, 12 attention heads)
+- **Vocabulaire** : 32 005 tokens (SentencePiece BPE)
+- **Specialisation pre-entrainement** : corpus biomedical francais (PubMed, theses, litterature clinique)
+
+## Fine-tuning
+
+| Parametre | Valeur |
+|-----------|--------|
+| Documents d'entrainement | 1 112 documents cliniques (CR hospitalisation, Trackare, CRO, lettres de sortie) |
+| Exemples totaux | 198 260 (52 121 originaux + 145 539 augmentes + 600 hard negatives) |
+| Augmentation de donnees | Substitution de noms par gazetteer INSEE (219K patronymes) |
+| Hard negatives | Medicaments BDPM + termes QUAERO (CHEM, DISO, PROC, ANAT) |
+| Epochs | 20 |
+| Batch size effectif | 16 (GPU batch=8 x gradient accumulation=2) |
+| Learning rate | 1x10-5 |
+| Max sequence length | 512 tokens |
+| Optimizer | AdamW |
+| GPU | NVIDIA GeForce RTX 5070 (12 Go VRAM) |
+| Duree d'entrainement | ~14h15 |
+| Framework | HuggingFace Transformers 4.42, PyTorch |
+
+## Annotations d'entrainement (Silver)
+
+- **Methode** : alignement diff entre texte original et texte pseudonymise par le pipeline multi-moteurs (EDS-Pseudo + GLiNER + regex + gazetteers)
+- **Format** : BIO (Beginning-Inside-Outside)
+- **Source** : documents T2A CHCB 2023, dossiers de justificatifs
+- **Pas de validation humaine** (silver, non gold)
+
+## Categories NER (14 types, 29 labels BIO)
+
+| Categorie | Description |
+|-----------|-------------|
+| PER | Noms de personnes (patients, soignants) |
+| DATE_NAISSANCE | Dates de naissance |
+| ADRESSE | Adresses postales |
+| ZIP | Codes postaux |
+| VILLE | Villes, lieux de naissance |
+| HOPITAL | Etablissements de sante |
+| TEL | Numeros de telephone |
+| EMAIL | Adresses email |
+| NIR | Numeros de securite sociale |
+| IPP | Identifiants Patient Permanent |
+| NDA | Numeros de Dossier Administratif |
+| RPPS | Numeros RPPS (professionnels de sante) |
+| IBAN | Coordonnees bancaires |
+| AGE | Ages |
+
+## Performances (sur jeu de validation, 20% des donnees)
+
+| Metrique | v2 (29 docs) | v3 (1 112 docs) |
+|----------|:---:|:---:|
+| **F1-score** | 0.903 | **0.963** |
+| **Recall** | 0.930 | **0.970** |
+| **Precision** | 0.877 | **0.957** |
+
+## Inference (production)
+
+| Parametre | Valeur |
+|-----------|--------|
+| Format | ONNX Runtime |
+| Taille du modele | 421 Mo |
+| Runtime | ONNX Runtime CPU (CPUExecutionProvider) |
+| Latence | ~10-20 ms / 512 tokens |
+| Threads | 2 inter-op, 4 intra-op |
+| Fenetre glissante | 400 tokens, stride 200 (textes longs) |
+| Seuil de confiance | 0.5 (prediction), 0.3 (vote croise EDS-Pseudo) |
+| Materiel cible | PC standard, CPU uniquement (pas de GPU requis) |
+
+## Role dans le pipeline
+
+CamemBERT-bio-deid v3 est le **3eme moteur NER** du pipeline d'anonymisation, utilise en **vote croise** avec EDS-Pseudo (moteur principal) et GLiNER (zero-shot). Il confirme ou infirme les detections d'EDS-Pseudo pour reduire les faux positifs sans sacrifier le recall. Il n'opere jamais seul — c'est un signal de validation.