Εργαστήριο: Δομημένη Εξαγωγή
Σε αυτήν τη σελίδα
Στόχος του Εργαστηρίου
Αυτό το εργαστήριο βασίζεται σε μια δεξιότητα που εισήχθη στο προηγούμενο: τη δομημένη εξαγωγή, η οποία σημαίνει τον μετασχηματισμό ελεύθερου κειμένου σε δεδομένα usable από ένα πρόγραμμα. Γεφυρώνει τη φυσική γλώσσα και τα συστήματα πληροφορικής σας—το τιμολόγιο που λαμβάνετε ως PDF γίνεται μια εγγραφή στο λογισμικό λογιστικής σας, το άρθρο παρακολούθησης γίνεται μια καταχώρηση στον πίνακα ελέγχου. Θα εξασκηθείτε σε τρεις ασκήσεις με μοντέλα Mistral: εξαγωγή JSON, σύνοψη εγγράφων σε επιβαλλόμενη μορφή και τεχνική μετάφραση με διατήρηση της μορφοποίησης. Θα επανεξετάσετε επίσης δύο τεχνικές από την ενότητα παραμέτρων: την προ-συμπλήρωση από τον βοηθό και τις ακολουθίες διακοπής.
Άσκηση 1: Εξαγωγή JSON από Ελεύθερο Κείμενο
Σενάριο εκκίνησης: αυτοματοποιείτε την επεξεργασία τιμολογίων που λαμβάνετε μέσω email. Το κείμενο διαφέρει από προμηθευτή σε προμηθευτή, αλλά πρέπει πάντα να εξάγετε τα ίδια πεδία. Το prompt συστήματος κλειδώνει ό,τι είναι δυνατόν: καθαρό JSON χωρίς σχόλια, null για τα πεδία που λείπουν (όχι “δεν παρέχεται” ή κενές συμβολοσειρές, καθώς ο κώδικάς σας θα ελέγξει is None), ποσά ως αριθμοί χωρίς σύμβολα νομίσματος, ημερομηνίες σε ISO 8601, ΦΠΑ διαχωρισμένος από το ποσό προ φόρου. Κάθε ένας από αυτούς τους κανόνες αποτρέπει ένα σφάλμα ανάλυσης (parsing bug) στο επόμενο στάδιο.
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}"
Αναμενόμενο αποτέλεσμα:
{
"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"
}
Παρατηρήστε τον συνδυασμό προ-συμπλήρωσης από τον βοηθό (το μήνυμα "{") και της ακολουθίας διακοπής: το πρώτο αναγκάζει το μοντέλο να μπει απευθείας σε JSON χωρίς πρόλογο όπως «Ορίστε τα εξαχθέντα δεδομένα:», το δεύτερο το εμποδίζει να συνεχίσει μετά την άγκιστρο κλεισίματος. Στη συνέχεια, ανασυνθέτετε το πλήρες JSON από την πλευρά του κώδικα.
Άσκηση 2: Δομημένη Σύνοψη Εγγράφου
Δεύτερο σενάριο: τροφοδοτείτε έναν εσωτερικό πίνακα ελέγχου παρακολούθησης με περιλήψεις μεγάλων αναφορών. Για να διασφαλιστεί ομοιόμορφη εμφάνιση, κάθε σύνοψη πρέπει να ακολουθεί ακριβώς την ίδια μορφή—το prompt συστήματος το επιβάλλει αυτό, πεδίο προς πεδίο, με όρια μήκους.
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
)
Να τι πρέπει να λάβετε—μια πραγματιστική σύνοψη που συμπυκνώνει χωρίς να παραποιεί, και ένα πεδίο δράσης που μετατρέπει την παρακολούθηση σε απόφαση:
{
"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."
}
Η θερμοκρασία εδώ ανεβαίνει στο 0.1 αντί για 0.0: μια σύνοψη απαιτεί ελαφριά ευελιξία στη διατύπωση, σε αντίθεση με την καθαρή εξαγωγή όπου κάθε τιμή προέρχεται από το κείμενο πηγής.
Άσκηση 3: Τεχνική Μετάφραση με Διατήρηση Μορφοποίησης
Τρίτο σενάριο: μεταφράστε τεχνική τεκμηρίωση από τα Γαλλικά στα Αγγλικά διατηρώντας τη μορφοποίηση Markdown και τους τεχνικούς όρους ακριβώς όπως έχουν. Η παγίδα στην τεχνική μετάφραση βρίσκεται εδώ: ένας υπερβολικά ζηλωτής μεταφραστής θα μεταφράσει το temperature ως «θερμοκρασία» σε ένα παράδειγμα κώδικα, και η τεκμηρίωση θα πάψει να ταιριάζει με το πραγματικό API. Η λύση είναι να καταγράψετε ρητά τι είναι άθικτο.
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 :
# 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 )
Για να επικυρώσετε το αποτέλεσμα, ελέγξτε σημείο προς σημείο: οι επικεφαλίδες Markdown (`##`, `###`) διατηρούνται, οι όροι σε backticks (`mistralai`, `temperature`, `top_p`, `max_tokens`) παραμένουν στα Αγγλικά, τα μπλοκ κώδικα είναι ίδια εκτός από το μεταφρασμένο σχόλιο, η έντονη γραφή (`**Important**`) διατηρείται και οι λίστες διατηρούν τη δομή τους. Οποιαδήποτε απόκλιση σε ένα από αυτά τα σημεία σηματοδοτεί έναν κανόνα που πρέπει να ενισχυθεί στο prompt συστήματος.
## Προηγμένες Τεχνικές για Εξαγωγή
Ένας χρυσός κανόνας διατρέχει αυτό το εργαστήριο: μην εμπιστεύεστε ποτέ τυφλά την έξοδο του μοντέλου. Μετά την εξαγωγή, επικυρώνετε πάντα το JSON από την πλευρά του κώδικα:
```python
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")
Και αν παρόλα αυτά το μοντέλο δεν επιστρέφει έγκυρο JSON, ακολουθήστε μια κλιμακωτή διαδικασία:
- Δοκιμάστε ξανά με
temperature=0.0 - Χρησιμοποιήστε προ-συμπλήρωση από τον βοηθό για να επιβάλετε τη μορφή
- Προσθέστε ένα παράδειγμα (one-shot) της αναμενόμενης εξόδου
- Ως έσχατη λύση, αναλύστε την απόκριση με regex για να εξάγετε το JSON
Βασικά σημεία
- Η προ-συμπλήρωση από τον βοηθό και οι ακολουθίες διακοπής εγγυώνται έγκυρο JSON
- Παρέχετε πάντα το ακριβές σχήμα JSON στο prompt
- Θερμοκρασία 0 για εξαγωγή, 0.1-0.2 για περιλήψεις
- Επικυρώνετε συστηματικά την έξοδο από την πλευρά του κώδικα
- Για τεχνική μετάφραση, καταγράψτε ρητά τι δεν πρέπει να μεταφραστεί