Úvod do Document AI a inteligentního OCR
Na této stránce
Aktualizace 2. listopadu 2026 — Le Chat se stává Vibe. Od 28. května 2026 byl Le Chat přejmenován na Vibe (stále na chat.mistral.ai): jediný agent pro práci i kódování, který si zachovává vaše konverzace, nastavení a předplatná. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se z agentů staly dovednosti (vyvolávané pomocí
@), vzpomínky tvoří znalostní bázi a hloubkové vyhledávání je nyní dovednost Deep Research. Plány se nyní jmenují Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; některá zde popsaná menu mohla změnit název nebo umístění.
Mnohem víc než jen čtečka dokumentů
V sekci Vision jsi viděl, že Vibe umí číst text na obrázcích. Když ale jde o zpracování složitých dokumentů – vícestánkových PDF, naskenovaných formulářů, finančních zpráv plných vnořených tabulek – potřebuješ specializovaný nástroj. Přesně to nabízí Document AI od Mistralu, poháněné enginem OCR 3. Tato lekce položí základ celé sekci: pochopíš, co je to OCR, jak se přístup Mistralu liší od klasických řešení a především kdy ho použít místo Vision.
OCR znamená optické rozpoznávání znaků (Optical Character Recognition). Je to technologie, která převádí obrázek obsahující text – ať už sken, fotografii nebo PDF založené na obrázku – na použitelný digitální text: text, který můžeš kopírovat, vyhledávat v něm nebo analyzovat jako jakýkoli původně digitální dokument. Sázky jsou všední: představ si tu fakturu, kterou ti kolega poslal jako fotku, nebo tu smlouvu naskenovanou před deseti lety, kde potřebuješ najít konkrétní klauzuli. Bez OCR jsou tyto dokumenty jen němými obrázky.
Proč klasické OCR nestačilo
OCR existuje už desítky let, ale tradiční řešení – Tesseract je asi nejznámější příklad – trpěla významnými omezeními, která zná každý, kdo někdy skenoval dokument. Rozložení se ztrácelo: text vycházel zmatený, ignoroval strukturu dokumentu a měnil pečlivě uspořádanou zprávu v kaši odstavců. Tabulky byly ignorovány, sloupce a řádky se míchaly tak, že se data stala nepoužitelná. Ruční písmo zůstávalo téměř nečitelné. Vícejazyčné dokumenty přinášely špatné výsledky, jakmile jste vykročili mimo angličtinu. A obrázky vložené v textu – grafy, diagramy – byly prostě ignorovány.
Engine OCR 3 od Mistralu mění pravidla hry a důvodem je jeho architektura. Místo použití klasických technik rozpoznávání znaků spoléhá na multimodální jazykový model (VLM) speciálně vycvičený k porozumění dokumentům. Rozdíl je zásadní: klasické OCR rozpoznává jednotlivé znaky a snaží se je skládat do slov, jako by někdo luštil písmeno po písmeni bez pochopení věty. Naproti tomu OCR poháněné AI od Mistralu chápe dokument jako celek – jeho strukturu, obsah a kontext. Když narazí na částečně vymazané slovo, dokáže ho odvodit z kontextu, přesně jako lidský čtenář.
V praxi Document AI extrahuje text z PDF, obrázků a naskenovaných dokumentů při zachování původního rozložení. Rekonstruuje tabulky s jejich záhlavími, sloupci a daty a výstupem je čistý Markdown. Čte ruční písmo – poznámky lékařů, ručně vyplněné formuláře, marginálie. Zpracovává vícejazyčné dokumenty s vysokou přesností v mnoha jazycích, popisuje obrázky a grafy obsažené v dokumentu generováním textových popisků a dostatečně dobře chápe kontext, aby odpovídal na otázky týkající se obsahu.
OCR 3 v číslech
Pokud jde o výkon, engine dosahuje špičkové přesnosti v benchmarcích pro rozpoznávání textu, ručního písma a tabulek. Zpracuje až 2 000 stránek za minutu na jednom GPU – což stačí na ingestování celých archivů. Přijímá více formátů: PDF, Word, naskenované obrázky a fotografie různé kvality. A jeho výstup je strukturovaný: výsledkem je čistý Markdown s odkazovanými obrázky, nikoli surový text, který je třeba znovu upravovat.
Jak se liší od Vision ve Vibe?
Možná se ptáš: „Proč prostě nenahraju své PDF do Vibe a nepoužiju Vision?“ To je oprávněná otázka a odpověď strukturuje celý tvůj pracovní postup. Vision ve Vibe, které jsme probírali v první sekci tohoto kurzu, je ideální pro analýzu jednoho izolovaného obrázku – fotografie, grafu, screenshotu. Pro vícestánkové dokumenty se složitým rozložením však Document AI nabízí rozhodující výhody: zpracování stránku po stránce s rekonstrukcí celkové struktury dokumentu, extrakce tabulek věrná originálu místo aproximace, anotace a metadata, která můžeš explicitně vyžádat – autor, datum, částky – a skutečné dotazování nad dokumentem (Q&A) u dlouhých textů.
Zapamatuj si toto pravidlo: pro jeden obrázek s textem stačí Vision; pro vícestánkový dokument, který chceš hloubkově analyzovat, nasadit Document AI. Právník, který vyfotí klauzuli, aby mu byla vysvětlena, použije Vision; tentýž právník, který nahraje celou 40stránkovou smlouvu k auditu jejích závazků, použije Document AI.
V následujících lekcích této sekce se naučíš, jak nahrát PDF do Vibe a získat automatickou extrakci, jak extrahovat strukturovaná data – tabulky, záhlaví, číselné údaje – z jakéhokoli dokumentu a následně klást otázky týkající se obsahu dokumentu a získávat přesné odpovědi.
Klíčové poznatky
- Document AI je řešení Mistralu pro inteligentní zpracování dokumentů, poháněné OCR 3
- Na rozdíl od klasického OCR chápe OCR 3 strukturu a kontext dokumentu
- Zvládá tabulky, ruční písmo, vícejazyčné dokumenty a vložené obrázky
- Pro jednoduchý obrázek použij Vision; pro složitý dokument použij Document AI
- Zpracování je rychlé: až 2 000 stránek za minutu