Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εισαγωγή στο Document AI

Μάθημα 1 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Γιατί το Document AI Αλλάζει τους Κανόνες του Παιχνιδιού
  2. Οι Τρεις Υπηρεσίες του Document AI
  3. Παραδοσιακό OCR έναντι Document AI
  4. Δομημένη Έξοδος Markdown
  5. Τι Θα Μάθετε
  6. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — OCR. Το OCR 4.0 (mistral-ocr-4-0) αποσύρθηκε στις 30 Σεπτεμβρίου 2026. Χρησιμοποιήστε το OCR 4.1 (mistral-ocr-4-1), το οποίο είναι γενικά διαθέσιμο από τις 31 Αυγούστου στην ίδια τιμή, ή το ψευδώνυμο mistral-ocr-latest, το οποίο δείχνει σε αυτό από τις 16 Ιουλίου. Το OCR 4.1 προσθέτει βαθμολογίες εμπιστοσύνης σε επίπεδο μπλοκ.

Γιατί το Document AI Αλλάζει τους Κανόνες του Παιχνιδιού

Κάθε πρωί, μια ασφαλιστική εταιρεία λαμβάνει εκατοντάδες έντυπα αξιώσεων: σαρωμένα έγγραφα με περίεργες κλίσεις, χειρόγραφες αναφορές συμπληρωμένες με στυλό και φωτογραφίες τιμολογίων τραβηγμένες με κινητό τηλέφωνο. Οι τράπεζες αντιμετωπίζουν το ίδιο πρόβλημα με τα αποσπάσματα λογαριασμών, τα νοσοκομεία με τους φακέλους ασθενών και οι κρατικές υπηρεσίες με τις φόρμες τους. Για δεκαετίες, η παραδοσιακή οπτική αναγνώριση χαρακτήρων (OCR) προσπάθησε να λύσει αυτό το πρόβλημα, συχνά με απογοητευτικά αποτελέσματα μόλις οι διατάξεις γίνουν πολύπλοκες, εμπλέκεται η χειρόγραφη γραφή ή τα έγγραφα συνδυάζουν πολλαπλές γλώσσες.

Η Mistral AI δημιούργησε το Document AI για να διαχειριστεί ακριβώς αυτό το είδος ροής εργασίας. Δεν είναι απλώς μια ακόμη μηχανή OCR: η λύση συνδυάζει ένα εξειδικευμένο γλωσσικό μοντέλο όρασης (VLM) με δυνατότητες δομημένης εξαγωγής και ευφυΐας εγγράφων. Με άλλα λόγια, δεν διαβάζει απλώς χαρακτήρες· ανακατασκευάζει το έγγραφο όπως είναι οργανωμένο και σας επιτρέπει να το αναζητήσετε στη συνέχεια.

2,000
Σελίδες/λεπτό ανά GPU
3
Ενσωματωμένες υπηρεσίες
50+
Υποστηριζόμενες γλώσσες
6
Υποστηριζόμενες μορφές

Οι Τρεις Υπηρεσίες του Document AI

Το Document AI βασίζεται σε τρεις συμπληρωματικές υπηρεσίες, όλες προσβάσιμες μέσω του Mistral API. Είναι χρήσιμο να κατανοήσετε πώς αλληλοσυνδέονται από την αρχή.

Η πρώτη, ο Επεξεργαστής OCR, αποτελεί τον πυρήνα του συστήματος. Το μοντέλο mistral-ocr-latest (OCR 4) εξάγει κείμενο από σαρωμένα έγγραφα, αρχεία PDF, εικόνες και παρουσιάσεις. Εκεί που ένα κλασικό OCR όπως το Tesseract σας δίνει ένα ακατάστατο σύνολο γραμμών, αυτό το μοντέλο διατηρεί τη δομή: επικεφαλίδες, παραγράφους, πίνακες, λίστες και υπερσυνδέσμους. Πάρτε ξανά εκείνη τη φόρμα ασφαλιστικής αξίωσης: λαμβάνετε τη φόρμα πίσω με τις ενότητές της αναγνωρισμένες, όχι ένα συμπαγές μπλοκ κειμένου που πρέπει να ξεμπερδέψετε.

Η δεύτερη υπηρεσία, οι Σχολιασμοί Εγγράφων (Document Annotations), αναλαμβάνει την εξαγωγή δεδομένων προς αξιοποίηση. Ορίζετε ένα σχήμα Pydantic—όνομα ασθενούς, ποσό τιμολογίου, ρήτρες συμβολαίου—και το μοντέλο συμπληρώνει αυτά τα πεδία αυτόματα. Μεταβαίνετε από αναγνώσιμο κείμενο σε typed τιμές που ένα σύστημα πληροφοριών μπορεί να καταναλώσει.

Η τρίτη, το Document QnA, συνδυάζει το OCR με ένα LLM της Mistral για να σας επιτρέψει να κάνετε ερωτήσεις σε φυσική γλώσσα σχετικά με το περιεχόμενο. Αυτό επιτρέπει σε έναν δικηγόρο να ρωτήσει «Ποια είναι η προθεσμία καταγγελίας;» αντί να ξαναδιαβάσει σαράντα σελίδες. Είναι επίσης ο φυσικός τρόπος πρόσβασης σε μεγάλα αρχεία ή σύγκρισης αναφορών.

Παραδοσιακό OCR έναντι Document AI

Το παραδοσιακό OCR, είτε πρόκειται για Tesseract είτε για Adobe Acrobat, λειτουργεί αναγνωρίζοντας μοτίβα pixel προς pixel. Αυτή η αρχή λειτουργεί καλά σε μια καθαρή εκτυπωμένη σελίδα, αλλά καταρρέει μόλις βγείτε εκτός αυτής της ιδανικής περίπτωσης. Μια εφημερίδα με πολλαπλές στήλες, ένθετες επικεφαλίδες και εικονογραφημένες πλευρικές στήλες παράγει κείμενο όπου η σειρά ανάγνωσης δεν έχει πλέον νόημα. Οι χειρόγραφες σημειώσεις γιατρών ή οι χειροκίνητα συμπληρωμένες φόρμες παραμένουν δυσανάγνωστες γι’ αυτό. Πίνακες με συγχωνευμένα κελιά, ελλείποντα περιγράμματα ή ακανόνιστες ευθυγραμμίσεις χάνουν κάθε σχέση μεταξύ στηλών και γραμμών. Προσθέστε ένα έγγραφο που αναμειγνύει λατινικούς, αραβικούς και ασιατικούς χαρακτήρες, ή μια θορυβώδη, κεκλιμένη, θολή σάρωση, και το ποσοστό σφάλματος γίνεται απαγορευτικό.

Το Document AI βασίζεται σε ένα βελτιστοποιημένο μοντέλο όρασης (VLM) που κατανοεί τη σημασιολογία των εγγράφων. Δεν αναγνωρίζει απλώς χαρακτήρες: αντιλαμβάνεται τη δομή, το πλαίσιο και τις σχέσεις μεταξύ των στοιχείων. Αυτή η θεμελιώδης διαφορά στη φύση, και όχι απλώς ένα απλό κέρδος στην ακρίβεια, εξηγεί τα αποτελέσματά του σε δύσκολες περιπτώσεις.

Δομημένη Έξοδος Markdown

Μια άλλη βασική διαφορά: το Document AI παράγει δομημένο Markdown, όχι απλό κείμενο. Κάθε σελίδα επιστρέφεται με το textual περιεχόμενό της επισημασμένο—επικεφαλίδες, λίστες, παράγραφοι—τους πίνακές της μορφοποιημένους σε Markdown ή HTML, τις εξαγόμενες εικόνες συνοδευόμενες από τη θέση τους, τους διατηρημένους υπερσυνδέσμους και, αν το επιθυμείτε, τις κεφαλίδες και τα υποσέλιδα απομονωμένα από το κυρίως σώμα. Αυτή η έξοδος είναι έτοιμη για χρήση: μπορείτε να την ευρετηριάσετε σε μια διανυσματική βάση δεδομένων για RAG, να την αρχειοθετήσετε ή να την εμφανίσετε ως έχει, χωρίς ενδιάμεσο βήμα καθαρισμού.

Όσον αφορά την είσοδο, η υπηρεσία καλύπτει αρχεία PDF (σαρωμένα και εγγενή), εικόνες PNG, JPEG και AVIF, παρουσιάσεις PPTX και έγγραφα DOCX. Το μέγιστο μέγεθος αρχείου είναι 50 MB, με όριο τις 1.000 σελίδες—δύο όρια που πρέπει να έχετε υπόψη κατά τον διαχωρισμό των παρτίδων σας.

Τι Θα Μάθετε

Το μάθημα ακολουθεί τη σειρά των τριών υπηρεσιών. Τα μαθήματα 1 έως 3 καλύπτουν την επισκόπηση, το μοντέλο OCR 4 και τις περιπτώσεις χρήσης. Τα μαθήματα 4 έως 8 εμβαθύνουν στο OCR: το API, κώδικας Python, πίνακες, κεφαλίδες και υποσέλιδα, και βελτιστοποίηση ακρίβειας. Τα μαθήματα 9 έως 12 χειρίζονται τους σχολιασμούς, από την εξαγωγή μεταδεδομένων έως την επεξεργασία παρτίδων. Τα μαθήματα 13 έως 16 αντιμετωπίζουν το Document QnA, από μεμονωμένα έγγραφα έως ρυθμίσεις πολλαπλών εγγράφων, μέχρι την ενσωμάτωση RAG και τις ροές εργασίας παραγωγής.

Βασικά σημεία

  • Το Document AI συνδυάζει OCR, δομημένους σχολιασμούς και QnA σε μια ενιαία λύση
  • Το μοντέλο OCR 4 υπερτερεί κατά πολύ των παραδοσιακών λύσεων OCR σε ακρίβεια και ευελιξία
  • Η δομημένη έξοδος Markdown καθιστά εύκολη την ενσωμάτωση στις υπάρχουσες ροές εργασίας σας
  • Τρεις συμπληρωματικές υπηρεσίες καλύπτουν ολόκληρο τον κύκλο ζωής του εγγράφου