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>

scripts/finetune_camembert_bio.py

@@ -13,9 +13,12 @@ Prérequis: pip install transformers datasets seqeval accelerate
 Export ONNX post-training: python scripts/export_onnx.py
 """
 import sys
+import json
+import subprocess
 import argparse
 import random
 from pathlib import Path
+from datetime import date
 from typing import Dict, List, Tuple
 from collections import Counter
 
@@ -690,8 +693,115 @@ def main():
     print(f"  Precision: {results['eval_precision']:.4f}")
     print(f"  Recall:    {results['eval_recall']:.4f}")
     print(f"  F1:        {results['eval_f1']:.4f}")
-    print(f"\nPour exporter en ONNX:")
-    print(f"  python -m optimum.exporters.onnx --model {args.output_dir / 'best'} {args.output_dir / 'onnx'}")
+
+    # ── Export ONNX automatique ──────────────────────────────────────────────
+    best_dir = args.output_dir / "best"
+    onnx_dir = args.output_dir / "onnx"
+    onnx_export_ok = False
+    try:
+        print(f"\nExport ONNX automatique...")
+        print(f"  Source : {best_dir}")
+        print(f"  Destination : {onnx_dir}")
+        result = subprocess.run(
+            [
+                sys.executable, "-m", "optimum.exporters.onnx",
+                "--model", str(best_dir),
+                "--task", "token-classification",
+                str(onnx_dir),
+            ],
+            capture_output=True,
+            text=True,
+            timeout=600,
+        )
+        if result.returncode == 0:
+            onnx_export_ok = True
+            print(f"  Export ONNX réussi → {onnx_dir}")
+        else:
+            print(f"  [ERREUR] Export ONNX échoué (code {result.returncode})")
+            if result.stderr:
+                # Afficher les dernières lignes d'erreur
+                for line in result.stderr.strip().splitlines()[-10:]:
+                    print(f"    {line}")
+            print(f"\n  Pour exporter manuellement :")
+            print(f"    python -m optimum.exporters.onnx --model {best_dir} --task token-classification {onnx_dir}")
+    except FileNotFoundError:
+        print(f"  [WARN] optimum non installé — export ONNX ignoré")
+        print(f"  Pour exporter manuellement :")
+        print(f"    pip install optimum[exporters]")
+        print(f"    python -m optimum.exporters.onnx --model {best_dir} --task token-classification {onnx_dir}")
+    except subprocess.TimeoutExpired:
+        print(f"  [ERREUR] Export ONNX timeout (>600s)")
+        print(f"  Pour exporter manuellement :")
+        print(f"    python -m optimum.exporters.onnx --model {best_dir} --task token-classification {onnx_dir}")
+    except Exception as e:
+        print(f"  [ERREUR] Export ONNX inattendu : {e}")
+        print(f"  Pour exporter manuellement :")
+        print(f"    python -m optimum.exporters.onnx --model {best_dir} --task token-classification {onnx_dir}")
+
+    # ── Mise à jour VERSION.json ─────────────────────────────────────────────
+    version_file = args.output_dir / "VERSION.json"
+    try:
+        # Compter les documents d'entraînement (.bio files)
+        n_bio_files = len(list(args.data_dir.glob("*.bio")))
+
+        # Déterminer le numéro de version
+        if version_file.exists():
+            version_data = json.loads(version_file.read_text(encoding="utf-8"))
+        else:
+            version_data = {
+                "model": "camembert-bio-deid",
+                "base_model": MODEL_NAME,
+                "versions": {},
+                "directories": {},
+            }
+
+        # Incrémenter la version
+        existing_versions = [
+            k for k in version_data.get("versions", {}).keys()
+            if k.startswith("v") and k[1:].isdigit()
+        ]
+        if existing_versions:
+            max_v = max(int(k[1:]) for k in existing_versions)
+            new_version = f"v{max_v + 1}"
+        else:
+            new_version = "v1"
+
+        # Trouver le best checkpoint (dernier sauvegardé par Trainer)
+        best_checkpoint = None
+        checkpoints = sorted(args.output_dir.glob("checkpoint-*"))
+        if checkpoints:
+            best_checkpoint = checkpoints[-1].name
+
+        # Construire l'entrée de version
+        version_entry = {
+            "date": date.today().isoformat(),
+            "training_docs": n_bio_files,
+            "training_examples": len(train_tokens),
+            "epochs": args.epochs,
+            "batch_size": args.batch_size,
+            "learning_rate": args.lr,
+            "f1": round(results["eval_f1"], 4),
+            "recall": round(results["eval_recall"], 4),
+            "precision": round(results["eval_precision"], 4),
+            "onnx_exported": onnx_export_ok,
+        }
+        if best_checkpoint:
+            version_entry["best_checkpoint"] = best_checkpoint
+
+        version_data["current_version"] = new_version
+        version_data["versions"][new_version] = version_entry
+        version_data["directories"] = {
+            "onnx": f"Modèle ONNX actif ({new_version}) — utilisé en inférence CPU",
+            f"best": f"Modèle PyTorch {new_version} (pour ré-export ONNX si besoin)",
+        }
+
+        version_file.write_text(
+            json.dumps(version_data, indent=2, ensure_ascii=False) + "\n",
+            encoding="utf-8",
+        )
+        print(f"\n  VERSION.json mis à jour → {new_version} (F1={results['eval_f1']:.4f})")
+    except Exception as e:
+        print(f"\n  [WARN] Impossible de mettre à jour VERSION.json : {e}")
 
 
 if __name__ == "__main__":