Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Diagrammer og grafer

Lektion 7 af 12 Opdateret 30. juli 2026 Begynder
På denne side
  1. Analyse af visuelle data
  2. Hvorfor dette adskiller sig fra OCR
  3. Analyse af et simpelt diagram
  4. Udtrækning af tabeldata
  5. Analyse af tekniske diagrammer
  6. Sammenligning af diagrammer
  7. Professionelt use case: Automatiserede rapporter
  8. Begrænsninger ved diagramanalyse
  9. Vigtige pointer

Analyse af visuelle data

Grok analyserer et finansielt diagram Diagrammer, grafer og tabeller er allestedsnærværende i den professionelle verden: finansrapporter, dashboards, præsentationer og videnskabelige publikationer. Grok Vision giver dig mulighed for automatisk at udtrække data og indsigter fra disse visuelle elementer.

Hvorfor dette adskiller sig fra OCR

Analyse af diagrammer går langt beyond simpel tekstudtrækning. Modellen skal:

  • Identificere typen af diagram (søjle, linje, cirkel, spredningsplot osv.)
  • Læse akserne og deres skalaer
  • Udtrække dataværdier (values)
  • Forstå forklaringer (legends) og mappe dem til dataserier
  • Fortolke tendenser og mønstre

Analyse af et simpelt diagram

def analyze_chart(image_url):
    prompt = """Analyze this chart and provide:

1. Chart type (bar, line, pie, etc.)
2. Chart title (if visible)
3. X and Y axis labels
4. Extracted data as a table
5. Main observed trend
6. Any annotations or notable points

Present the data in a markdown table."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Tilstanden detail: "high" er afgørende for at kunne læse præcise værdier på akser og i forklaringer.

Udtrækning af tabeldata

For at gøre data klar til direkte brug i din kode:

def extract_chart_data(image_url):
    prompt = """Extract data from this chart in JSON.
Expected format:
{
  "type": "bar|line|pie|scatter",
  "title": "...",
  "x_axis": {"label": "...", "values": [...]},
  "y_axis": {"label": "...", "unit": "..."},
  "series": [
    {
      "name": "Series 1",
      "values": [10, 20, 30, ...]
    }
  ]
}

Estimate numerical values as precisely as possible
based on the position of points/bars relative
to the tick marks."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Analyse af tekniske diagrammer

Grok håndterer også arkitekturdiagrammer, flowcharts og procesdiagrammer effektivt:

def analyze_diagram(image_url):
    prompt = """Analyze this technical diagram and describe:

1. Diagram type (architecture, flow, flowchart, UML, etc.)
2. Main components/entities
3. Connections and relationships between components
4. Data or process flow (if applicable)
5. Technologies or tools mentioned

If this is a flow diagram, describe the main path
from end to end."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Sammenligning af diagrammer

Du kan sende flere diagrammer i samme anmodning for at foretage en sammenlignende analyse:

def compare_charts(url_chart_1, url_chart_2):
    prompt = """Compare these two charts and identify:

1. Common points (measured variables, period, etc.)
2. Differences in trend
3. Significant gaps
4. A 3-4 sentence summary"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "Chart 1:"},
            {"type": "input_image", "image_url": url_chart_1, "detail": "high"},
            {"type": "input_text", "text": "Chart 2:"},
            {"type": "input_image", "image_url": url_chart_2, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Professionelt use case: Automatiserede rapporter

Forestil dig en pipeline, der transformerer screenshots af dashboards til tekst rapporter:

def generate_dashboard_report(screenshots):
    report_sections = []

    for i, screenshot in enumerate(screenshots, 1):
        prompt = f"""You are a business analyst. This screenshot
is section {i} of a dashboard. Analyze the displayed metrics
and write a professional summary paragraph.

Include:
- Main KPIs and their values
- Trends (increase, decrease, stability)
- Visible alerts or anomalies
- A recommendation if relevant"""

        response = client.responses.create(
            model="grok-4.5",
            input=[
                {"type": "input_image", "image_url": screenshot, "detail": "high"},
                {"type": "input_text", "text": prompt}
            ],
            store=False
        )
        report_sections.append(response.output_text)

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

Begrænsninger ved diagramanalyse

  • Værdipræcision: Grok estimerer værdier baseret på visuel placering. Brug hellere kildedata, hvis du har brug for eksakte værdier.
  • 3D-diagrammer: Perspektiviske fremstillinger komplicerer aflæsning af værdier.
  • Overlappende diagrammer: Når flere serier overlapper hinanden, kan det være svært at skelne dem.
  • Små forklaringer: Forklaringer med meget lille tekst kan blive læst forkert, selv i high-tilstand.

Vigtige pointer

  • Grok analyserer diagrammer ved at forstå konteksten, ikke blot teksten.
  • Brug detail: "high" for præcis aflæsning af værdier og forklaringer.
  • Anmod om et struktureret format (JSON, markdown-tabel) for at kunne udnytte dataene.
  • Sammenligning af flere billeder fungerer godt til tværanalyse.
  • Udtrukne værdier er visuelle estimater, ikke eksakte data.