Workshop: Struktureret udtrækning
På denne side
Workshop-mål
Denne workshop bygger videre på en færdighed introduceret i den foregående: struktureret udtrækning, hvilket betyder at omdanne fri tekst til data, som et program kan bruge. Den slår bro mellem naturligt sprog og dine informationssystemer – fakturaen modtaget som PDF bliver til en linje i dit regnskabsprogram, overvågningsartiklen bliver til en post i dit dashboard. Du skal øve dig i tre opgaver med Mistral-modeller: JSON-udtrækning, dokumentresumé i et foreskrevet format og teknisk oversættelse med bevarelse af formatering. Du vil også genoptage to teknikker fra afsnittet om parametre: assistant pre-filling (forudfyldning) og stop-sekvenser.
Øvelse 1: JSON-udtrækning fra fri tekst
Udgangsscenarie: Du automatiserer behandlingen af fakturaer modtaget via e-mail. Teksten varierer fra leverandør til leverandør, men du skal altid udtrække de samme felter. System-prompten låser alt, der kan låses: ren JSON uden kommentarer, null for manglende felter (ikke “ikke oplyst” eller tomme strenge, da din kode vil tjekke is None), beløb som tal uden valutasymboler, datoer i ISO 8601-format, og moms adskilt fra beløbet ekskl. moms. Hver af disse regler forhindrer en fejl i parsingen længere nede i processen.
messages = [
{
"role": "system",
"content": """You are a data extractor specialized in accounting documents.
Strict rules:
- Return ONLY valid JSON, no comments or additional text
- If a field is not found, use null (not "not provided", not "")
- Amounts must be numbers (no euro symbol in the value)
- Dates in ISO 8601 format (YYYY-MM-DD)
- VAT must be extracted separately from the pre-tax amount"""
},
{
"role": "user",
"content": """Extract data from this invoice:
"FACTURE N° 2026-0847
Date : 15 mars 2026
De : CloudServ SAS
42 rue de la Paix, 75002 Paris
SIRET : 823 456 789 00012
À : TechCorp SARL
12 avenue des Champs, 69001 Lyon
Désignation : Hébergement cloud - Pack Premium
Période : 01/03/2026 au 31/03/2026
Montant HT : 1 250,00 EUR
TVA 20% : 250,00 EUR
Total TTC : 1 500,00 EUR
Conditions de paiement : 30 jours fin de mois
IBAN : FR76 3000 4000 0500 0001 2345 678"
JSON Schema:
{
"numero_facture": "string",
"date_facture": "string (YYYY-MM-DD)",
"fournisseur": {
"nom": "string",
"adresse": "string",
"siret": "string"
},
"client": {
"nom": "string",
"adresse": "string"
},
"lignes": [
{
"designation": "string",
"periode": "string",
"montant_ht": "number"
}
],
"tva_taux": "number",
"tva_montant": "number",
"total_ttc": "number",
"conditions_paiement": "string",
"iban": "string"
}"""
},
{
"role": "assistant",
"content": "{"
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0,
stop=["\n}"]
)
# Reconstruct the JSON: "{" + response + "\n}"
Forventet resultat:
{
"numero_facture": "2026-0847",
"date_facture": "2026-03-15",
"fournisseur": {
"nom": "CloudServ SAS",
"adresse": "42 rue de la Paix, 75002 Paris",
"siret": "823 456 789 00012"
},
"client": {
"nom": "TechCorp SARL",
"adresse": "12 avenue des Champs, 69001 Lyon"
},
"lignes": [
{
"designation": "Hébergement cloud - Pack Premium",
"periode": "01/03/2026 au 31/03/2026",
"montant_ht": 1250.00
}
],
"tva_taux": 20,
"tva_montant": 250.00,
"total_ttc": 1500.00,
"conditions_paiement": "30 jours fin de mois",
"iban": "FR76 3000 4000 0500 0001 2345 678"
}
Bemærk kombinationen af assistant pre-filling (beskeden "{") og stop-sekvensen: den første tvinger modellen direkte ind i JSON-format uden indledning som „Her er de udtrukne data:”, den anden forhindrer den i at fortsætte efter den afsluttende kramme. Derefter rekonstruerer du den fulde JSON på kodesiden.
Øvelse 2: Struktureret dokumentresumé
Andet scenarie: Du fodrer et internt overvågningsdashboard med resuméer af lange rapporter. For at sikre ensartet visning skal hvert resumé følge præcis samme format – system-prompten håndhæver dette felt for felt med længdebegrænsninger.
messages = [
{
"role": "system",
"content": """You produce structured summaries for a monitoring dashboard.
Mandatory format for each summary:
{
"titre_court": "max 60 characters",
"resume": "max 3 sentences, factual, no opinion",
"impact_business": "low | medium | high",
"secteurs": ["list of affected sectors"],
"action_requise": true/false,
"action_detail": "description if action required, null otherwise"
}"""
},
{
"role": "user",
"content": """Summarize this article for our monitoring dashboard:
"L'Union européenne a adopté le 28 mars 2026 un nouveau règlement sur
l'intelligence artificielle (AI Act 2.0) qui renforce les obligations de
transparence pour les systèmes de génération de texte et d'images. Les
entreprises qui déploient des modèles de plus de 10 milliards de paramètres
devront désormais publier un rapport d'évaluation des risques trimestriel et
mettre en place un système de traçabilité des contenus générés. Les sanctions
pour non-conformité peuvent atteindre 6% du chiffre d'affaires mondial annuel.
Le règlement entre en vigueur le 1er janvier 2027, avec une période de
transition de 6 mois pour les entreprises déjà en activité. Les PME de moins
de 50 salariés bénéficient d'un régime allégé avec des obligations réduites
de reporting."
Return the structured JSON."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Her er hvad du bør få – et faktuel resumé, der kondenserer uden at fordreje, og et handlingsfelt, der gør overvågning til beslutningstagning:
{
"titre_court": "AI Act 2.0 : nouvelles obligations de transparence IA",
"resume": "L'UE adopte un renforcement de l'AI Act imposant des rapports trimestriels pour les grands modèles. Les sanctions atteignent 6% du CA mondial. Entrée en vigueur le 1er janvier 2027 avec régime allégé pour les PME.",
"impact_business": "élevé",
"secteurs": ["intelligence artificielle", "technologie", "réglementation"],
"action_requise": true,
"action_detail": "Évaluer la conformité de nos modèles et planifier la mise en place du reporting trimestriel avant janvier 2027."
}
Temperaturen sættes her til 0,1 i stedet for 0,0: et resumé kræver en smule spillerum i formuleringen, i modsætning til ren udtrækning, hvor hver værdi kommer direkte fra kildeteksten.
Øvelse 3: Teknisk oversættelse med bevarelse af format
Tredje scenarie: Oversæt teknisk dokumentation fra fransk til engelsk, mens du bevarer Markdown-formatering og tekniske begreber nøjagtigt som de er. Fælden ved teknisk oversættelse ligger her: en overivrig oversætter vil oversætte temperature til „température” i et kodeeksempel, og dokumentationen vil ikke længere matche det faktiske API. Løsningen er eksplicit at liste op, hvad der er urørligt.
messages = [
{
"role": "system",
"content": """You are a technical translator from French to English.
Rules:
- Preserve Markdown formatting EXACTLY (headers, lists, code blocks)
- Do NOT translate terms in backticks
- Do NOT translate variable, function, or parameter names
- Code blocks remain identical (translate comments only)
- Adapt idiomatic expressions to the English technical context
- Use American English"""
},
{
"role": "user",
"content": """Translate this documentation passage:
## Configuration de l'API
Pour commencer, installez le package `mistralai` :
```bash
pip install mistralai
```
### Authentification
Vous devez configurer votre clé API avant tout appel :
```python
# Initialisation du client Mistral
client = Mistral(api_key="votre-clé")
```
**Important** : ne stockez jamais votre clé API en dur dans le code.
Utilisez plutôt des variables d'environnement ou un gestionnaire de secrets.
### Paramètres disponibles
- `temperature` : contrôle la créativité (défaut : 0.7)
- `top_p` : filtrage par probabilité cumulée (défaut : 1.0)
- `max_tokens` : limite de tokens en sortie"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.2
)
For at validere resultatet tjekker du punkt for punkt: Markdown-overskrifter (##, ###) er bevaret, begreber i backticks (mistralai, temperature, top_p, max_tokens) forbliver på engelsk, kodeblokke er identiske bortset fra den oversatte kommentar, fed skrift (**Important**) er bevaret, og lister beholder deres struktur. Enhver afvigelse på et af disse punkter signalerer en regel, der skal styrkes i system-prompten.
Avancerede teknikker til udtrækning
En gylden regel går igen i hele denne workshop: stol aldrig blindt på modellens output. Efter udtrækning skal du altid validere JSON’en på kodesiden:
import json
try:
data = json.loads(response.choices[0].message.content)
# Validate required fields
required_fields = ["numero_facture", "date_facture", "total_ttc"]
for field in required_fields:
if field not in data or data[field] is None:
print(f"Missing field: {field}")
except json.JSONDecodeError:
print("Invalid response, retry with temperature=0")
Og hvis modellen trods alt ikke returnerer gyldig JSON, så følg en eskaleringssti:
- Prøv igen med
temperature=0.0 - Brug assistant pre-filling til at tvinge formatet igennem
- Tilføj et eksempel (one-shot) på det forventede output
- Som sidste udvej, pars svaret med et regex for at udtrække JSON’en
Vigtige pointer
- Assistant pre-filling og stop-sekvenser garanterer gyldig JSON
- Angiv altid det nøjagtige JSON-skema i prompten
- Temperatur 0 til udtrækning, 0,1–0,2 til resuméer
- Valider systematisk outputtet på kodesiden
- Ved teknisk oversættelse skal du eksplicit liste op, hvad der ikke må oversættes