Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Strukturovaná extrakce: tabulky, záhlaví a číselná data

Lekce 11 z 14 Aktualizováno 2. listopadu 2026 Začátečník
Na této stránce
  1. Od surových dokumentů k organizovaným datům
  2. Tabulky: To pravé ořechové
  3. Záhlaví, hierarchie a struktura
  4. Číselná data v kontextu
  5. V praxi
  6. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Le Chat se stává Vibe. Od 28. května 2026 je Le Chat nyní Vibe (stále na chat.mistral.ai): jediný agent pro práci i kódování, který přenáší vaše konverzace, nastavení a předplatná. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se agenti stali dovednostmi (vyvolávanými pomocí @), paměti tvoří znalostní bázi a hloubkové vyhledávání je dovednost Deep Research. Plány se nyní jmenují Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; některá zde popsaná menu mohla změnit názvy nebo umístění.

Od surových dokumentů k organizovaným datům

Extrakce textu z dokumentu je fajn. Skutečná hodnota se však objeví až tehdy, když získáš strukturovaná data: čisté tabulky, identifikované údaje a klasifikovaná záhlaví. To je rozdíl mezi tím, když dostaneš fotokopii finanční výkazu, a tím, když obdržíš tentýž výkaz ve použitelném formátu tabulky. Dokumentová AI od Mistralu vyniká právě v tomto úkolu: nejen čte text, ale chápe strukturu dokumentu a vrací informace v přímo použitelném formátu.

Tabulky: To pravé ořechové

Tabulky jsou všude v obchodních dokumentech – finanční výkazy, ceníky, harmonogramy, výsledky studií – a to je historicky místo, kde klasické OCR selhávalo nejvíce, když drtilo sloupce a řádky do nepřečitelné masy. Engine OCR 3 je naopak zvládá s pozoruhodnou přesností. Když nahraješ dokument obsahující tabulku do Vibe, model nejprve identifikuje hranice tabulky, i když jsou nenápadné nebo barevné. Následně rozpozná záhlaví a odliší je od dat, přičemž každou buňku přiřadí jejímu sloupci a řádku. Zvládá dokonce i obtížné případy: sloučené buňky, mezisoučty, poznámky pod čarou – všechny klasické pasti, které se při špatném převodu do tabulky změní v tiché chyby.

Abys získal použitelný výsledek, zvykni si v promptu specifikovat požadovaný formát. „Extrahuj tabulku ze strany 3 ve formátu Markdown“ ti dá tabulku čitelnou přímo ve Vibe; „Převeď tuto tabulku do CSV, abych ji mohl vložit do Excelu“ ji připraví pro import do tabulkového procesoru; „Extrahuj pouze sloupec ‘Částka’ a sloupec ‘Datum’“ filtruje to, co potřebuješ, již u zdroje. Markdown je často pro každodenní použití nejpohodlnější formát: je okamžitě čitelný a snadno se kopíruje do jiných nástrojů.

Záhlaví, hierarchie a struktura

Kromě tabulek dokáže Dokumentová AI rekonstruovat hierarchii dokumentu: nadpisy a podnadpisy jsou identifikovány a klasifikovány podle úrovně (h1, h2, h3), odstavce jsou od sebe odlišeny, i když nejsou viditelné konce řádků, odrážkové nebo číslované seznamy jsou správně rekonstruovány a poznámky pod čarou jsou propojeny se svými odkazy. Tato schopnost je neocenitelná při práci s dlouhými zprávami nebo právními dokumenty, kde struktura nese stejný význam jako samotný text: vědět, že se klauzule nachází v sekci „Záruky“ a nikoliv v „Různém“, mění její interpretaci.

Můžeš tedy zadávat strukturální požadavky: „Dej mi obsah tohoto dokumentu“, „Vypiš všechny názvy sekcí s jejich čísly stran“ nebo dokonce „Extrahuj pouze odstavce diskutující o zárukách“ – poslední příklad kombinuje strukturu i význam.

Číselná data v kontextu

Finanční dokumenty, nabídky, faktury a zprávy o činnosti jsou plné čísel: finančních částek (tržby, součty, DPH, slevy), dat podpisu nebo splatnosti, procentuálních podílů na trhu nebo marží a identifikátorů, jako jsou čísla faktur, reference zákazníků nebo kódy SIRET. Co odlišuje Dokumentovou AI, je fakt, že nejen extrahuje čísla, ale chápe jejich kontext. Pokud se zeptáš: „Jaký je roční obrat?“, model specificky hledá číslo spojené s tímto konceptem, i když je pohřbeno v tabulce s 50 řádky. Klasické OCR by ti předalo padesát neoznačených čísel; zde dostaneš to správné.

Toto pochopení ti umožňuje jít nad rámec pouhé extrakce: můžeš požádat o výpočty a ověření. „Je součet sloupce ‘Částka bez DPH’ správný?“ přiměje model přepočítat údaje; „Jaký je rozdíl mezi rozpočtovanými a skutečnými hodnotami?“ zkříží odkazy mezi dvěma sloupci; „Která položka výdajů představuje největší podíl?“ změní tabulku v analýzu.

Pro pokročilé uživatele export do JSON strukturuje výstup pro vaše nástroje: „Extrahuj z této faktury následující informace ve formátu JSON: číslo, datum, částka bez DPH, DPH, částka s DPH, dodavatel“ nebo „Vytvoř objekt JSON s daty z každého řádku tabulky.“ Tento formát je ideální, pokud mají data následně napájet tabulkový procesor, databázi nebo jiný software.

V praxi

Podívej se, jak se tyto schopnosti spojují ve třech běžných scénářích. Dostaneš hromadu faktur v PDF: pro každou z nich se zeptej: „Extrahuj z této faktury: název dodavatele, datum, číslo faktury, částku bez DPH, DPH a částku s DPH. Prezentuj jako tabulku“ – a máš připravené účetní zaúčtování. Čelíš 50stránkové výroční zprávě: „Extrahuj všechny finanční tabulky z této zprávy a prezentuj je v Markdownu. Identifikuj tržby, čistý zisk a provozní marži.“ Chceš-li se rozhodnout mezi dvěma nabídkami, nahraj obě a zeptej se: „Porovnej ceny v těchto dvou nabídkách pro stejné služby. Identifikuj rozdíly v sazbách.“

Na závěr několik metodologických pravidel. Buď konkrétní v tom, co hledáš – konkrétní tabulku, sloupec, typ dat – a vždy specifikuj požadovaný výstupní formát (Markdown, CSV, JSON, seznam). U skenovaných dokumentů se pro spolehlivou extrakci doporučuje rozlišení alespoň 150 DPI. Pokud je dokument velmi hutný, zpracovávej ho stránku po stránce: „Extrahuj tabulku ze strany 7“ přinese lepší výsledky než globální „Extrahuj všechny tabulky“. A pro jakékoli kritické použití zkřížově ověř extrahovaná data s původním dokumentem – extrakce je akcelerátor, nikoliv zproštění odpovědnosti.

Klíčové poznatky

  • Dokumentová AI věrně rekonstruuje tabulky se záhlavími, sloupci a sloučenými buňkami
  • Můžeš požádat o extrakci ve formátu Markdown, CSV nebo JSON podle svých potřeb
  • Model chápe kontext číselných dat a umí odpovídat na specifické otázky
  • Hierarchická struktura dokumentu (nadpisy, podnadpisy, seznamy) je zachována
  • U kritických použití vždy ověř extrahovaná data