Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Introduktion til Document AI

Lektion 1 af 16 Opdateret 2. november 2026 Udvikler
På denne side
  1. Hvorfor Document AI ændrer spillereglerne
  2. De tre Document AI-tjenester
  3. Traditionel OCR vs. Document AI
  4. Struktureret Markdown-output
  5. Hvad du vil lære
  6. Vigtige pointer

Opdateret 2. november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) blev udfaset den 30. september 2026. Brug OCR 4.1 (mistral-ocr-4-1), som har været generelt tilgængelig siden 31. august til samme pris, eller aliasset mistral-ocr-latest, som har peget på det siden 16. juli. OCR 4.1 tilføjer konfidensscorer på blokniveau.

Hvorfor Document AI ændrer spillereglerne

Hver morgen modtager et forsikringsselskab hundredvis af erstatningsformularer: scannede dokumenter vippet i mærkelige vinkler, håndskrevne rapporter udfyldt med kuglepen og fotos af fakturaer taget med en telefon. Banker står over for det samme problem med kontoudtog, hospitaler med patientjournaler og offentlige myndigheder med formularer. I årtier har traditionel optisk tegngenkendelse (OCR) forsøgt at løse dette problem, ofte med skuffende resultater, så snart layoutet bliver komplekst, håndskrift er involveret, eller dokumenter blander flere sprog.

Mistral AI har bygget Document AI til netop denne type arbejdsgang. Det er ikke bare endnu en OCR-motor: løsningen kombinerer en specialiseret visions-sprogmodel (VLM) med struktureret udtrækning og dokumentintelligens. Med andre ord læser den ikke blot tegn; den rekonstruerer dokumentet, sådan som det er organiseret, og lader dig spørge til det bagefter.

2.000
Sider/min pr. GPU
3
Integrerede tjenester
50+
Understøttede sprog
6
Understøttede formater

De tre Document AI-tjenester

Document AI er afhængig af tre komplementære tjenester, som alle er tilgængelige via Mistral API. Det hjælper at forstå, hvordan de kædes sammen helt fra starten.

Den første, OCR-processoren, er systemets kerne. Modellen mistral-ocr-latest (OCR 4) udtrækker tekst fra scannede dokumenter, PDF-filer, billeder og præsentationer. Hvor en klassisk OCR som Tesseract giver dig en rodet bunke linjer, bevarer denne model strukturen: overskrifter, afsnit, tabeller, lister og hyperlinks. Tag igen den erstatningsformular fra forsikringsselskabet: du får formularen tilbage med sine sektioner identificeret, ikke en tekstblok, du skal filtre ud.

Den anden tjeneste, Dokumentannotationer, overtager for at udtrække handlingsorienterede data. Du definerer et Pydantic-skema – patientnavn, fakturabeløb, kontraktklausuler – og modellen udfylder disse felter automatisk. Du bevæger dig fra læsbar tekst til typede værdier, som et informationssystem kan indtage.

Den tredje, Dokument-QnA, kombinerer OCR med en Mistral LLM for at lade dig stille spørgsmål på naturligt sprog om indholdet. Det er dette, der lader en advokat spørge: „Hvad er opsigelsesvarslet?” i stedet for at genlæse fyrre sider. Det er også den naturlige måde at få adgang til store arkiver eller sammenligne rapporter på.

Traditionel OCR vs. Document AI

Traditionel OCR, hvad enten det er Tesseract eller Adobe Acrobat, fungerer ved at genkende mønstre pixel for pixel. Det princip virker fint på en skarp trykt side, men det bryder sammen, så snart du træder uden for det ideelle tilfælde. En avis med flere spalter, indlejrede overskrifter og illustrerede sidebjælker producerer tekst, hvor læserækkefølgen ikke længere giver mening. Håndskrevne lægenoter eller manuelt udfyldte formularer forbliver ulæselige for den. Tabeller med flettede celler, manglende kanter eller uregelmæssig justering mister al sammenhæng mellem kolonner og rækker. Tilføj et dokument, der blander latinske, arabiske og asiatiske skrifttyper, eller en støjende, vippet, sløret scanning, og fejlprocenten bliver uacceptabel.

Document AI bygger på en finjusteret visionsmodel (VLM), der forstår dokumenters semantik. Den genkender ikke blot tegn: den griber struktur, kontekst og relationer mellem elementer. Denne fundamentale forskel i art, ikke blot en simpel gevinst i nøjagtighed, forklarer dens resultater i svære tilfælde.

Struktureret Markdown-output

En anden væsentlig forskel: Document AI producerer struktureret Markdown, ikke almindelig tekst. Hver side returneres med sit tekstlige indhold tagget – overskrifter, lister, afsnit – dens tabeller formateret i Markdown eller HTML, udtrukne billeder ledsaget af deres position, bevarede hyperlinks og, hvis du ønsker det, sidehoveder og sidefødder isoleret fra brødteksten. Dette output er klar til brug: du kan indeksere det i en vektordatabase til RAG, arkivere det eller vise det, som det er, uden et mellemliggende rengøringstrin.

På input-siden dækker tjenesten PDF-filer (scannede og native), PNG-, JPEG- og AVIF-billeder, PPTX-præsentationer og DOCX-dokumenter. Den maksimale filstørrelse er 50 MB med et loft på 1.000 sider – to grænser, du skal huske, når du opdeler dine batches.

Hvad du vil lære

Kurset følger rækkefølgen af de tre tjenester. Lektion 1 til 3 dækker oversigten, OCR 4-modellen og use cases. Lektion 4 til 8 dykker dybere ned i OCR: API’en, Python-kode, tabeller, sidehoveder og sidefødder samt optimering af nøjagtigheden. Lektion 9 til 12 håndterer annotationer, fra metadataudtrækning til batchbehandling. Lektion 13 til 16 tackler dokument-QnA, fra enkelte dokumenter til multi-dokument opsætninger, videre til RAG-integration og produktionspipelines.

Vigtige pointer

  • Document AI kombinerer OCR, strukturerede annotationer og QnA i én enkelt løsning
  • OCR 4-modellen overgår langt traditionelle OCR-løsninger i nøjagtighed og fleksibilitet
  • Struktureret Markdown-output gør integration i dine eksisterende pipelines nem
  • Tre komplementære tjenester dækker hele dokumentets livscyklus