Úvod do Document AI
Na této stránce
Aktualizováno 2. listopadu 2026 — OCR. Verze OCR 4.0 (
mistral-ocr-4-0) byla 30. září 2026 vyřazena z provozu. Používej OCR 4.1 (mistral-ocr-4-1), která je obecně dostupná od 31. srpna za stejnou cenu, nebo aliasmistral-ocr-latest, který na ni odkazuje od 16. července. OCR 4.1 přidává skóre spolehlivosti na úrovni bloků.
Proč Document AI mění pravidla hry
Každé ráno dostane pojišťovna stovky formulářů pro likvidaci škod: naskenované dokumenty nakloněné pod divnými úhly, rukopisné zprávy vyplněné perem a fotografie faktur pořízené mobilem. Banky čelí stejnému problému s výpisy, nemocnice s pacienty a státní úřady s formuláři. Desítky let se tradiční optické rozpoznávání znaků (OCR) snažilo tento problém řešit, často se však výsledky byly zklamáním, jakmile se rozložení stalo složitým, objevilo se rukopisné písmo nebo dokumenty kombinovaly více jazyků.
Společnost Mistral AI vytvořila Document AI přesně pro tento typ pracovního postupu. Není to jen další engine OCR: toto řešení kombinuje specializovaný vizuální jazykový model (VLM) se strukturovanou extrakcí a schopnostmi dokumentové inteligence. Jinými slovy, nejen čte znaky, ale rekonstruuje dokument tak, jak je organizován, a umožňuje ti ho následně dotazovat.
Tři služby Document AI
Document AI spoléhá na tři doplňkové služby, všechny přístupné prostřednictvím Mistral API. Je užitečné hned na začátku pochopit, jak spolu navazují.
První službou je procesor OCR, který tvoří jádro systému. Model mistral-ocr-latest (OCR 4) extrahuje text ze skenovaných dokumentů, PDF, obrázků a prezentací. Zatímco klasické OCR, jako je Tesseract, ti poskytne změť řádků, tento model zachovává strukturu: nadpisy, odstavce, tabulky, seznamy a hypertextové odkazy. Vraťme se k tomu formuláři pro likvidaci škod: získáš zpět formulář s identifikovanými sekcemi, nikoliv blok textu, který musíš pracně rozplétat.
Druhá služba, Anotace dokumentů (Document Annotations), přebírá štafetu pro extrakci akčních dat. Definuješ schéma Pydantic – jméno pacienta, částka faktury, klauzule smlouvy – a model tato pole automaticky vyplní. Přecházíš tak od čitelného textu k typovaným hodnotám, které může informační systém přímo zpracovat.
Třetí služba, Dotazování na dokumenty (Document QnA), kombinuje OCR s velkým jazykovým modelem (LLM) od Mistralu, což ti umožňuje klást otázky v přirozeném jazyce ohledně obsahu. To umožňuje právníkovi zeptat se: „Jaká je výpovědní lhůta?“ místo toho, aby znovu četl čtyřicet stran. Je to také přirozený způsob, jak přistupovat k rozsáhlým archivům nebo porovnávat zprávy.
Tradiční OCR versus Document AI
Tradiční OCR, ať už Tesseract nebo Adobe Acrobat, funguje na principu rozpoznávání vzorů pixel po pixelu. Tento princip funguje dobře na ostré tištěné stránce, ale selhává, jakmile vykročíš mimo tento ideální případ. Noviny s více sloupci, vnořenými záhlavími a ilustrovanými postranními panely produkují text, kde pořadí čtení nedává smysl. Rukopisné poznámky lékařů nebo ručně vyplněné formuláře pro něj zůstávají nečitelné. Tabulky se sloučenými buňkami, chybějícími ohraničeními nebo nepravidelným zarovnáním ztrácejí veškerý vztah mezi sloupci a řádky. Přidej dokument kombinující latinku, arabštinu a asijská písma nebo hlučný, nakloněný, rozmazaný sken a míra chyb se stane nepřijatelnou.
Document AI staví na jemně doladěném vizuálním modelu (VLM), který chápe sémantiku dokumentů. Nerozpoznává pouze znaky: chápe strukturu, kontext a vztahy mezi prvky. Právě tento zásadní rozdíl v podstatě, nejen prosté zvýšení přesnosti, vysvětluje jeho výsledky u obtížných případů.
Strukturovaný výstup ve formátu Markdown
Dalším klíčovým rozdílem je, že Document AI produkuje strukturovaný Markdown, nikoliv prostý text. Každá stránka je vrácena s označeným textovým obsahem – nadpisy, seznamy, odstavce – její tabulky jsou naformátovány v Markdownu nebo HTML, extrahované obrázky jsou doprovázeny svou pozicí, hypertextové odkazy jsou zachovány a pokud si to přeješ, záhlaví a zápatí jsou izolována od hlavního textu. Tento výstup je připraven k použití: můžeš jej indexovat do vektorové databáze pro RAG, archivovat jej nebo zobrazit tak, jak je, bez nutnosti mezilehlého čištění.
Na straně vstupu služba pokrývá PDF (skenovaná i nativní), obrázky PNG, JPEG a AVIF, prezentace PPTX a dokumenty DOCX. Maximální velikost souboru je 50 MB s limitem 1 000 stránek – dva limity, které je třeba mít na paměti při dělení dávek.
Co se naučíš
Kurz postupuje v pořadí tří služeb. Lekce 1 až 3 pokrývají přehled, model OCR 4 a případy použití. Lekce 4 až 8 jdou do hloubky v oblasti OCR: API, kód v Pythonu, tabulky, záhlaví a zápatí a optimalizace přesnosti. Lekce 9 až 12 se věnují anotacím, od extrakce metadat po dávkové zpracování. Lekce 13 až 16 řeší dotazování na dokumenty, od jednotlivých dokumentů po nastavení pro více dokumentů, až po integraci RAG a produkční pipeline.
Klíčové poznatky
- Document AI kombinuje OCR, strukturované anotace a dotazování (QnA) v jediném řešení
- Model OCR 4 daleko překonává tradiční řešení OCR v přesnosti a flexibilitě
- Strukturovaný výstup ve formátu Markdown usnadňuje integraci do tvých stávajících pipeline
- Tři doplňkové služby pokrývají celý životní cyklus dokumentu