Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Případy použití anotací

Lekce 12 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Anotace pro každou roli
  2. Třiď před zpracováním
  3. Čti smlouvu jako právník
  4. Automaticky ověřuj soulad
  5. Před indexací nic neztrať
  6. Klíčové poznatky

Aktualizace 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), které je obecně dostupné od 31. srpna za stejnou cenu, nebo alias mistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre důvěryhodnosti na úrovni bloků. Dodatek ze 3. listopadu 2026: Lokální PDF se přenáší v base64 jako {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typ document_base64 ze starších příkladů neexistuje ani v dokumentaci, ani v SDK mistralai a tyto příklady by selhaly. Zdroje: OCR Processor · Document QnA. Opraveno 3. listopadu 2026: Kód dříve četl page.document_annotation stránku po stránce; v SDK mistralai verze 3.7.0 je anotace dokumentu jediným polem v odpovědi (response.document_annotation) a anotace obrázku se čte z image.image_annotation.

Anotace pro každou roli

Anotace Document AI transformují nestrukturované dokumenty na data, s nimiž lze pracovat. Mechanismus je vždy stejný – schéma, prompt, volání – ale to, co extrahuješ, se radikálně mění v závislosti na roli. Tato lekce tě provede čtyřmi konkrétními implementacemi: klasifikace na začátku pipeline, analýza smluvních doložek, kontrola regulačního souladu a obohacení indexu pro RAG.

Třiď před zpracováním

V reálném workflow přicházejí dokumenty smíchané dohromady: faktura, objednávka, občanský průkaz, dopis. Než aplikuješ odpovídající schéma extrakce, musíš vědět, s čím máš co do činění. Anotace slouží jako první fáze třídění. Enum TypeDocument uzamkne přípustné kategorie, skóre důvěryhodnosti ti umožní směrovat cokoli pod určitým prahem k lidské kontrole a jednověté shrnutí dá operátorům dostatek kontextu k rozhodnutí bez otevírání souboru.

import os
from enum import Enum
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

class TypeDocument(str, Enum):
    INVOICE = "facture"
    PURCHASE_ORDER = "bon_commande"
    CONTRACT = "contrat"
    REPORT = "rapport"
    LETTER = "courrier"
    FORM = "formulaire"
    ID_DOCUMENT = "piece_identite"
    OTHER = "autre"

class Classification(BaseModel):
    document_type: TypeDocument = Field(
        ..., description="Identified document type"
    )
    confidence: float = Field(
        ..., description="Confidence score between 0 and 1"
    )
    language: str = Field(
        ..., description="Primary language (ISO 639-1 code)"
    )
    summary: str = Field(
        ..., description="One-sentence summary of the content"
    )

def classify_document(document_base64: str) -> Classification:
    """Automatically classifies a document."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            Classification
        ),
        document_annotation_prompt=(
            "Identify the type of this document and provide "
            "a summary of its content."
        )
    )

    if response.document_annotation:
        return Classification.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Čti smlouvu jako právník

Analýza smluv je hlavním případem použití v právu a financích a je to místo, kde skutečně vynikají vnořená schémata. Každá Clause nese svůj název, shrnutí obsahu, kategorii – mlčenlivost, vypovězení, zákaz konkurence, odpovědnost, platba – a posouzení rizika na třech úrovních. Smlouva samotná tyto doložky agreguje spolu se stranami, datem podpisu, dobou trvání, částkou a příslušnou jurisdikcí. U portfolia dvou set dodavatelských smluv získáš během několika hodin mapování, které by nikdo neměl čas vytvořit ručně.

Pole risk si zaslouží upozornění: jde o posouzení vytvořené modelem, užitečné pro prioritizaci revize právníkem, nikdy však pro její nahrazení.

from pydantic import BaseModel, Field
from typing import Optional

class Clause(BaseModel):
    title: str = Field(..., description="Title or number of the clause")
    content: str = Field(..., description="Summary of the clause content")
    clause_type: str = Field(
        ..., description="Type: confidentiality, termination, "
        "non-compete, liability, payment, other"
    )
    risk: str = Field(
        ..., description="Risk level: low, medium, high"
    )

class ContractAnalysis(BaseModel):
    parts: list[str] = Field(
        ..., description="Names of the contracting parts"
    )
    signature_date: Optional[str] = Field(
        None, description="Signature date (YYYY-MM-DD)"
    )
    duration: Optional[str] = Field(
        None, description="Contract duration"
    )
    key_clauses: list[Clause] = Field(
        ..., description="Identified main clauses"
    )
    amount: Optional[float] = Field(
        None, description="Total amount if mentioned"
    )
    jurisdiction: Optional[str] = Field(
        None, description="Applicable jurisdiction"
    )

def analyze_contract(document_base64: str) -> ContractAnalysis:
    """Analyzes a contract and extracts main clauses."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            ContractAnalysis
        ),
        document_annotation_prompt=(
            "Analyze this commercial contract. Identify the parts, "
            "the main clauses, and evaluate the risk level "
            "of each clause."
        )
    )

    if response.document_annotation:
        return ContractAnalysis.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Automaticky ověřuj soulad

Regulační kontrola je pro anotace obzvláště vhodná, protože kritéria jsou v zákoně napsána černé na bílém. Pro francouzskou fakturu prompt vypisuje povinnosti k ověření – povinné údaje (SIRET, DIČ pro intra-komunitární plnění, platební podmínky, sankce za prodlení), formátování částek, datum vystavení – a schéma vynucuje pro každé kritérium boolean verdikt doprovázený jeho odůvodněním. Získáš celkové skóre a doporučení ke zlepšení, což stačí k zablokování nesouladné faktury ještě předtím, než vstoupí do platebního oběhu.

from pydantic import BaseModel, Field

class CompliancePoint(BaseModel):
    criterion: str = Field(..., description="Compliance criterion checked")
    compliant: bool = Field(..., description="True if compliant, False otherwise")
    justification: str = Field(
        ..., description="Explanation of compliance or non-compliance"
    )

class ComplianceAudit(BaseModel):
    document_type: str = Field(..., description="Type of document audited")
    compliance_points: list[CompliancePoint] = Field(
        ..., description="Compliance points checked"
    )
    global_score: float = Field(
        ..., description="Global compliance score (0-100)"
    )
    recommendations: list[str] = Field(
        ..., description="Improvement recommendations"
    )

def audit_invoice_compliance(document_base64: str) -> ComplianceAudit:
    """Verifies invoice compliance according to French rules."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            ComplianceAudit
        ),
        document_annotation_prompt=(
            "Verify the compliance of this invoice according to "
            "French legal obligations: mandatory mentions "
            "(SIRET, intra-community VAT, payment terms, "
            "late payment penalties), amount formatting, issue date."
        )
    )

    if response.document_annotation:
        return ComplianceAudit.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Před indexací nic neztrať

Poslední případ použití, diskrétnější, ale rozhodující: příprava obsahu pro index RAG. Index postavený pouze na Markdown ztratí vše, co bylo vizuální, a tvé vyhledávání nikdy nenajde graf, který obsahoval klíčovou figuru. Níže uvedená funkce znovu sestaví, stránku po stránce, text a popis každého obrázku, poté přidá metadata extrahovaná z dokumentu do jediného bloku připraveného k rozdělení na chunky.

def enrich_for_rag(ocr_response) -> str:
    """Enriches OCR content with annotations for RAG."""
    parts = []

    for page in ocr_response.pages:
        # Text content
        parts.append(page.markdown)

        # Image annotations (replace images with their description)
        for image in page.images:
            if image.image_annotation:
                parts.append(
                    f"[Description of {image.id}]: {image.image_annotation}"
                )

    # Document annotation: a single one, carried by the response
    if ocr_response.document_annotation:
        parts.append(
            f"[Extracted Metadata]: {ocr_response.document_annotation}"
        )

    return "\n\n".join(parts)

Přidáním popisů obrázků a extrahovaných metadat do indexovaného obsahu neztratíš žádné informace z původního dokumentu. Všimneš si, že tyto čtyři scénáře sdílejí stejnou kostru: to, co je odlišuje, je schéma a prompt, nikoli volací kód.

Klíčové poznatky

  • Automatická klasifikace směruje dokumenty do správného zpracovatelského pipeline
  • Extrakce smluvních doložek identifikuje rizika a klíčové body
  • Ověření souladu automatizuje regulační audity
  • Obohacení anotacemi zlepšuje kvalitu indexování pro RAG
  • Každý případ použití se redukuje na dobře navržené schéma Pydantic a přizpůsobený prompt