Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Περιπτώσεις Χρήσης Σχολιασμών

Μάθημα 12 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Σχολιασμοί για Κάθε Ρόλο
  2. Ταξινόμηση Πριν την Επεξεργασία
  3. Ανάγνωση Συμβολαίου Όπως Ένας Δικηγόρος
  4. Αυτόματος Έλεγχος Συμμόρφωσης
  5. Να Μην Χάνεται Τίποτα Πριν την Ευρετηρίαση
  6. Βασικά σημεία

Ενημέρωση 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. Προσθήκη 3 Νοεμβρίου 2026: Ένα τοπικό αρχείο PDF μεταδίδεται σε base64 ως {"type": "document_url", "document_url": "data:application/pdf;base64,…"}· ο τύπος document_base64 από παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDK mistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωτήσεις και Απαντήσεις Εγγράφων. Διορθώθηκε στις 3 Νοεμβρίου 2026: Ο προηγούμενος κώδικας διάβαζε το page.document_annotation σελίδα προς σελίδα· στο SDK mistralai 3.7.0, ο σχολιασμός εγγράφου είναι ένα ενιαίο πεδίο στην απάντηση (response.document_annotation), ενώ ο σχολιασμός εικόνας διαβάζεται από το image.image_annotation.

Σχολιασμοί για Κάθε Ρόλο

Οι σχολιασμοί Document AI μετατρέπουν τα αδόμητα έγγραφα σε δεδομένα άμεσα εκμεταλλεύσιμα. Ο μηχανισμός είναι πάντα ο ίδιος—ένα σχήμα, μια εντολή (prompt), μια κλήση—αλλά αυτό που εξάγετε αλλάζει ριζικά ανάλογα με τον ρόλο. Αυτό το μάθημα παρουσιάζει τέσσερις συγκεκριμένες υλοποιήσεις: ταξινόμηση στην αρχή μιας ροής εργασίας, ανάλυση ρητρών συμβολαίου, έλεγχοι κανονιστικής συμμόρφωσης και εμπλουτισμός ενός ευρετηρίου RAG.

Ταξινόμηση Πριν την Επεξεργασία

Σε μια ροή εργασίας του πραγματικού κόσμου, τα έγγραφα φτάνουν αναμεμειγμένα: ένα τιμολόγιο, μια παραγγελία, μια ταυτότητα, μια επιστολή. Πριν εφαρμόσετε το κατάλληλο σχήμα εξαγωγής, πρέπει να γνωρίζετε με τι έχετε να κάνετε. Ο σχολιασμός λειτουργεί ως το πρώτο στάδιο ταξινόμησης. Το enum TypeDocument καθορίζει τις αποδεκτές κατηγορίες, η βαθμολογία εμπιστοσύνης σάς επιτρέπει να δρομολογείτε για ανθρώπινο έλεγχο οτιδήποτε βρίσκεται κάτω από ένα κατώφλι, και η περίληψη μίας πρότασης παρέχει στους χειριστές αρκετό πλαίσιο για να λάβουν μια απόφαση χωρίς να ανοίξουν το αρχείο.

import os
from enum import Enum
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

class TypeDocument(str, Enum):
    INVOICE = "facture"
    PURCHASE_ORDER = "bon_commande"
    CONTRACT = "contrat"
    REPORT = "rapport"
    LETTER = "courrier"
    FORM = "formulaire"
    ID_DOCUMENT = "piece_identite"
    OTHER = "autre"

class Classification(BaseModel):
    document_type: TypeDocument = Field(
        ..., description="Identified document type"
    )
    confidence: float = Field(
        ..., description="Confidence score between 0 and 1"
    )
    language: str = Field(
        ..., description="Primary language (ISO 639-1 code)"
    )
    summary: str = Field(
        ..., description="One-sentence summary of the content"
    )

def classify_document(document_base64: str) -> Classification:
    """Αυτόματη ταξινόμηση ενός εγγράφου."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            Classification
        ),
        document_annotation_prompt=(
            "Identify the type of this document and provide "
            "a summary of its content."
        )
    )

    if response.document_annotation:
        return Classification.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Ανάγνωση Συμβολαίου Όπως Ένας Δικηγόρος

Η ανάλυση συμβολαίων αποτελεί σημαντική περίπτωση χρήσης στον νομικό και οικονομικό τομέα, και είναι εκεί όπου τα ένθετα σχήματα (nested schemas) διακρίνονται πραγματικά. Κάθε Clause (Ρήτρα) φέρει τον τίτλο της, μια περίληψη του περιεχομένου, την κατηγορία της—εμπιστευτικότητα, λύση, μη ανταγωνισμός, ευθύνη, πληρωμή—και μια αξιολόγηση κινδύνου σε τρία επίπεδα. Το ίδιο το συμβόλαιο συγκεντρώνει αυτές τις ρήτρες μαζί με τα μέρη, την ημερομηνία υπογραφής, τη διάρκεια, το ποσό και την αρμόδια δικαιοδοσία. Σε ένα χαρτοφυλάκιο διακοσίων συμβολαίων προμηθευτών, αποκτάτε μέσα σε λίγες ώρες μια χαρτογράφηση που κανείς δεν είχε χρόνο να παράγει χειροκίνητα.

Το πεδίο risk warrants μια προειδοποίηση: πρόκειται για μια αξιολόγηση που παράγεται από ένα μοντέλο, χρήσιμη για την ιεράρχηση της αναθεώρησης από δικηγόρο, αλλά ποτέ για την αντικατάστασή της.

from pydantic import BaseModel, Field
from typing import Optional

class Clause(BaseModel):
    title: str = Field(..., description="Title or number of the clause")
    content: str = Field(..., description="Summary of the clause content")
    clause_type: str = Field(
        ..., description="Type: confidentiality, termination, "
        "non-compete, liability, payment, other"
    )
    risk: str = Field(
        ..., description="Risk level: low, medium, high"
    )

class ContractAnalysis(BaseModel):
    parts: list[str] = Field(
        ..., description="Names of the contracting parts"
    )
    signature_date: Optional[str] = Field(
        None, description="Signature date (YYYY-MM-DD)"
    )
    duration: Optional[str] = Field(
        None, description="Contract duration"
    )
    key_clauses: list[Clause] = Field(
        ..., description="Identified main clauses"
    )
    amount: Optional[float] = Field(
        None, description="Total amount if mentioned"
    )
    jurisdiction: Optional[str] = Field(
        None, description="Applicable jurisdiction"
    )

def analyze_contract(document_base64: str) -> ContractAnalysis:
    """Ανάλυση συμβολαίου και εξαγωγή κύριων ρητρών."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            ContractAnalysis
        ),
        document_annotation_prompt=(
            "Analyze this commercial contract. Identify the parts, "
            "the main clauses, and evaluate the risk level "
            "of each clause."
        )
    )

    if response.document_annotation:
        return ContractAnalysis.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Αυτόματος Έλεγχος Συμμόρφωσης

Ο κανονιστικός έλεγχος είναι ιδιαίτερα κατάλληλος για σχολιασμό, καθώς τα κριτήρια είναι γραμμένα με μαύρα γράμματα στον νόμο. Για ένα γαλλικό τιμολόγιο, η εντολή (prompt) παραθέτει τις υποχρεώσεις προς επαλήθευση—υποχρεωτικές αναφορές (SIRET, ενδοκοινοτικός ΦΠΑ, όροι πληρωμής, κυρώσεις υπερημερίας), μορφοποίηση ποσού, ημερομηνία έκδοσης—και το σχήμα επιβάλλει, για κάθε κριτήριο, μια boolean ετυμηγορία συνοδευόμενη από τη δικαιολόγησή της. Ανακτάτε μια συνολική βαθμολογία και συστάσεις βελτίωσης, κάτι που αρκεί για να μπλοκάρετε ένα μη συμμορφούμενο τιμολόγιο πριν εισέλθει στο κύκλωμα πληρωμών.

from pydantic import BaseModel, Field

class CompliancePoint(BaseModel):
    criterion: str = Field(..., description="Compliance criterion checked")
    compliant: bool = Field(..., description="True if compliant, False otherwise")
    justification: str = Field(
        ..., description="Explanation of compliance or non-compliance"
    )

class ComplianceAudit(BaseModel):
    document_type: str = Field(..., description="Type of document audited")
    compliance_points: list[CompliancePoint] = Field(
        ..., description="Compliance points checked"
    )
    global_score: float = Field(
        ..., description="Global compliance score (0-100)"
    )
    recommendations: list[str] = Field(
        ..., description="Improvement recommendations"
    )

def audit_invoice_compliance(document_base64: str) -> ComplianceAudit:
    """Επαλήθευση συμμόρφωσης τιμολογίου σύμφωνα με τους γαλλικούς κανόνες."""
    response = client.ocr.process(
        model="mistral-ocr-latest",
        document={
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{document_base64}"
        },
        document_annotation_format=response_format_from_pydantic_model(
            ComplianceAudit
        ),
        document_annotation_prompt=(
            "Verify the compliance of this invoice according to "
            "French legal obligations: mandatory mentions "
            "(SIRET, intra-community VAT, payment terms, "
            "late payment penalties), amount formatting, issue date."
        )
    )

    if response.document_annotation:
        return ComplianceAudit.model_validate_json(
            response.document_annotation
        )

    raise ValueError("No annotation returned")

Να Μην Χάνεται Τίποτα Πριν την Ευρετηρίαση

Μια τελευταία περίπτωση χρήσης, πιο διακριτική αλλά καθοριστική: η προετοιμασία περιεχομένου για ένα ευρετήριο RAG. Ένα ευρετήριο χτισμένο αποκλειστικά σε Markdown χάνει όλα όσα ήταν οπτικά, και οι αναζητήσεις σας δεν θα βρουν ποτέ το διάγραμμα που περιείχε το κρίσιμο νούμερο. Η παρακάτω συνάρτηση ανασυνθέτει, σελίδα προς σελίδα, το κείμενο και την περιγραφή κάθε εικόνας, και στη συνέχεια προσθέτει τα μεταδεδομένα που εξήχθησαν από το έγγραφο, σε ένα ενιαίο μπλοκ έτοιμο να χωριστεί σε τμήματα (chunks).

def enrich_for_rag(ocr_response) -> str:
    """Εμπλουτισμός περιεχομένου OCR με σχολιασμούς για RAG."""
    parts = []

    for page in ocr_response.pages:
        # Text content
        parts.append(page.markdown)

        # Image annotations (replace images with their description)
        for image in page.images:
            if image.image_annotation:
                parts.append(
                    f"[Description of {image.id}]: {image.image_annotation}"
                )

    # Document annotation: a single one, carried by the response
    if ocr_response.document_annotation:
        parts.append(
            f"[Extracted Metadata]: {ocr_response.document_annotation}"
        )

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

Προσθέτοντας περιγραφές εικόνων και εξαγόμενα μεταδεδομένα στο ευρετηριασμένο περιεχόμενο, δεν χάνετε καμία πληροφορία από το πρωτότυπο έγγραφο. Θα παρατηρήσετε ότι αυτά τα τέσσερα σενάρια μοιράζονται τον ίδιο κορμό: αυτό που τα διακρίνει είναι το σχήμα και η εντολή (prompt), όχι ο κώδικας κλήσης.

Βασικά σημεία

  • Η αυτόματη ταξινόμηση δρομολογεί τα έγγραφα στη σωστή ροή επεξεργασίας
  • Η εξαγωγή ρητρών συμβολαίου εντοπίζει κινδύνους και βασικά σημεία
  • Η επαλήθευση συμμόρφωσης αυτοματοποιεί τους κανονιστικούς ελέγχους
  • Ο εμπλουτισμός με σχολιασμούς βελτιώνει την ποιότητα της ευρετηρίασης RAG
  • Κάθε περίπτωση χρήσης ανάγεται σε ένα καλά σχεδιασμένο σχήμα Pydantic και μια προσαρμοσμένη εντολή (prompt)