Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Případy využití Document AI

Lekce 3 z 16 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Reálné aplikace napříč odvětvími
  2. Finance a bankovnictví: Automatizované KYC
  3. Zdravotnictví: Zdravotní záznamy a recepty
  4. Právo: Analýza smluv ve velkém měřítku
  5. Účetnictví: Zpracování faktur
  6. Logistika, archivy a veřejný sektor
  7. Standardní produkční workflow
  8. 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 spolehlivosti na úrovni bloků.

Reálné aplikace napříč odvětvími

Document AI dělá více než jen extrahuje text. Kombinace OCR + Anotace + QnA činí tuto službu cennou, protože pokrývá celý životní cyklus dokumentu, od jeho přijetí až po využití. Tato lekce prochází nejčastějšími případy využití podle odvětví a uvádí, které služby se v každém kroku používají. Toto rozlišení je důležité hned na začátku, protože každá přidaná služba zvyšuje náklady a latenci.

Odvětví Případ využití Použité služby
Finance a bankovnictví Automatizované KYC, extrakce výpisů, compliance OCR + Anotace
Zdravotnictví Zdravotní záznamy, rukopisné recepty, lékařské zprávy OCR + Anotace + QnA
Právo Analýza smluv, extrakce klauzulí, due diligence OCR + QnA
Pojišťovnictví Vyřizování pojistných událostí, prohlášení OCR + Anotace
Logistika Dodací listy, celní dokumenty, skladové kontrolní listy OCR + Anotace
Účetnictví Faktury od dodavatelů, výkazy výdajů, bankovní reconciliace OCR + Anotace
Veřejný sektor Digitalizace archivů, administrativní formuláře OCR
Výroba Technické datové listy, certifikáty kvality, inspekční zprávy OCR + QnA

Finance a bankovnictví: Automatizované KYC

Onboarding zákazníků je nejžádanějším případem využití, protože je repetitivní, regulovaný a časově náročný. Proces Know Your Customer (KYC) vždy následuje stejnou sekvenci:

  1. Skenování dokladů totožnosti: Pas, občanský průkaz, řidičský průkaz
  2. Extrakce pomocí OCR: Jméno, příjmení, datum narození, číslo dokladu
  3. Strukturované anotace: Validace polí prostřednictvím schématu Pydantic
  4. Křížová verifikace: Automatické porovnání s interními databázemi
  5. Obohacená archivace: Dokument je indexován a lze se na něj dotazovat pomocí QnA

To, co dříve zabralo pracovníkovi compliance několik hodin, nyní trvá sekundy na soubor. Agent zasahuje pouze v případech označených jako podezřelé.

Zdravotnictví: Zdravotní záznamy a recepty

Zdravotnický sektor generuje obrovské objemy dokumentů, z nichž velká část je stále psána rukou. Rukopisný recept, často považovaný za nečitelný, je správně přepsán, i když lékař kombinuje latinské termíny s místním jazykem. Formuláře s zaškrtávacími políčky, které byly dlouhou dobu noční můrou tradičních OCR engineů, mají své boolean odpovědi extrahovány s pozoruhodnou přesností. U lékařských zpráv model identifikuje totožnost pacienta, diagnózu a předepsané léky.

Jedno chování si zaslouží zdůraznění, protože určuje, jak moc můžeš systému věřit: pokud v dokumentu chybí pole – například neuvedené telefonní číslo – model tuto nepřítomnost nahlásí, místo aby vymyslel pravděpodobnou hodnotu. To je přesný opak reflexu modelu obecného účelu a právě to činí extrakci použitelnou bez systematické lidské kontroly.

Právo: Analýza smluv ve velkém měřítku

Advokátní kanceláře a právní oddělení primárně využívají extrakci klauzulí a QnA. První případ využití zahrnuje automatickou identifikaci vypovídacích, konkurenčních nebo mlčenlivostních klauzulí v rámci korpusu, čímž se manuální revize mění na asistovanou triáž. Druhý případ vyniká během due diligence: když akvizice zahrnuje stovky smluv, dotazuješ se na korpus v přirozeném jazyce, místo abys četl vše od začátku do konce, a detailně reviewješ pouze dokumenty vyhledané vyhledáváním.

Účetnictví: Zpracování faktur

Toto je nejzralejší případ využití a často první, který je nasazen. Všechno se točí kolem schématu Pydantic, které přesně popisuje, co chceš získat:

from pydantic import BaseModel, Field

class Invoice(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
    amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
    amount_incl_tax: float = Field(..., description="Amount including tax in euros")
    vat_amount: float = Field(..., description="VAT amount in euros")

Když je toto schéma předáno API pro anotace, extrahuje pole z každé naskenované faktury bez nutnosti jakékoli předchozí konfigurace šablon faktur dodavatelů. Všimni si péče věnované popisům a typování: tím říkáš modelu, že částka musí být vrácena jako číslo a datum ve formátu YYYY-MM-DD, nikoli ve formě, v jaké se nachází na papíře.

Logistika, archivy a veřejný sektor

V logistice se tisíce dodacích listů, konosamentů a celních dokumentů zpracovávaných denně hodí pro automatickou extrakci informací o odesílateli a příjemci, čtení čárových kódů a sledovacích čísel přítomných na obrázcích a digitalizaci skladových kontrolních listů vyplněných rukou na často pomačkaných médiích.

Digitalizace archivů je speciální případ. Dokumenty zde jsou staré, někdy ve špatném stavu, psané rukopisem z 19. nebo 20. století, s typografií a formulacemi, které se již nepoužívají. OCR 4 si s nimi poradí lépe než tradiční OCR enginy díky svému vizuálnímu porozumění, ale buď realistický ohledně limitů: přesnost klesá u vážně poškozených položek a jakýkoli seriózní archivní projekt vždy zahrnuje fázi lidské revize.

Standardní produkční workflow

Bez ohledu na odvětví vypadá pipeline podobně: ingestování dokumentu prostřednictvím skenu, uploadu nebo e-mailu; OCR pro extrakci textu a struktury pomocí mistral-ocr-latest; anotace pro získání strukturovaných dat podle tvého obchodního schématu; indexování obohaceného Markdownu do vektorové nebo SQL databáze; a následně využití prostřednictvím vyhledávání, QnA, reportingu nebo automatizace workflow. Pokud navrhuješ projekt, načrtni si těchto pět kroků před napsáním jediného řádku kódu: určují, kde ukládáš data, co přehraješ v případě chyby a za co účtuješ.

Klíčové poznatky

  • Document AI se aplikuje na každé odvětví, které pracuje s dokumenty
  • Standardní workflow je: ingestování, OCR, anotace, indexování, využití
  • Anotace Pydantic ti umožní extrahovat přesně ta data, která potřebuješ
  • QnA ti umožňuje dotazovat se na dokumenty v přirozeném jazyce po indexování
  • Kombinace všech tří služeb vytváří komplexní řešení pro práci s dokumenty od začátku do konce