Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Sissejuhatus dokumendi tehisintellekti

Õppetund 1 / 16 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Miks dokumendi tehisintellekt muudab mängu reegleid
  2. Kolm dokumendi tehisintellekti teenust
  3. Traditsiooniline OCR vs dokumendi tehisintellekt
  4. Struktureeritud Markdown-väljund
  5. Mida sa õpid
  6. Peamised punktid

Uuendatud 2. novembril 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) võeti kasutusest maha 30. septembril 2026. Kasuta OCR 4.1 (mistral-ocr-4-1), mis on olnud üldkasutatav alates 31. augustist sama hinnaga, või aliast mistral-ocr-latest, mis on sellele viidanud alates 16. juulist. OCR 4.1 lisab usaldusväärsuse hinnangud ploki tasandil.

Miks dokumendi tehisintellekt muudab mängu reegleid

Igal hommikul saab kindlustusselts sadu nõudevormeid: kaldus skaneeritud dokumente, pliiatsiga täidetud käsikirjalisi aruandeid ja telefoniga tehtud arvefotosid. Pangad seisavad silmitsi sama probleemiga väljavõtetega, haiglad patsiendiandmetega ja riigiasutused vormidega. aastakümneid on traditsiooniline optiline märgitundmine (OCR) püüdnud seda probleemi lahendada, sageli pettumust valmistavate tulemustega, niipea kui paigutus muutub keeruliseks, tegemist on käsikirjaga või dokumendid sisaldavad mitut keelt.

Mistral AI lõi dokumendi tehisintellekti, et hallata täpselt selliseid töövooge. See ei ole lihtsalt järjekordne OCR-mootor: lahendus ühendab spetsialiseeritud visuaalse keelemudeli (VLM) struktureeritud ekstraheerimise ja dokumendi intelligentsuse võimalustega. Teisisõnu, see ei loe ainult tähemärke, vaid rekonstrueerib dokumendi selle organiseerituse järgi ja võimaldab sul seda hiljem päringutada.

2,000
Pages/min per GPU
3
Integrated services
50+
Supported languages
6
Supported formats

Kolm dokumendi tehisintellekti teenust

Dokumendi tehisintellekt tugineb kolmele täiendavale teenusele, millele pääseb ligi Mistral API kaudu. On kasulik mõista, kuidas need algusest peale koos toimivad.

Esimene, OCR-protsessor, on süsteemi tuum. Mudel mistral-ocr-latest (OCR 4) ekstraheerib teksti skaneeritud dokumentidest, PDF-failidest, piltidest ja esitlustest. Kui klassikaline OCR, nagu Tesseract, annab sulle segase joonte kuhila, säilitab see mudel struktuuri: pealkirjad, lõigud, tabelid, loendid ja hüperlingid. Võtame taas selle kindlustusnõude vormi: saad vormi tagasi tuvastatud sektsioonidega, mitte tekstiplokina, mida pead lahti harutama.

Teine teenus, dokumendi annotatsioonid, võtab üle toimivate andmete ekstraheerimise. Määratled Pydantic skeemi – patsiendi nimi, arve summa, lepingutingimused – ja mudel täidab need väljad automaatselt. Liigud loetavalt tekstilt tüübitud väärtustele, mida infosüsteem saab tarbida.

Kolmas, dokumendi küsimused ja vastused (QnA), ühendab OCR-i Mistrali suure keelemudeliga (LLM), võimaldades sul esitada sisu kohta küsimusi loomulikus keeles. See võimaldab advokaadil küsida: „Mis on ülesütlemise tähtaeg?“ selle asemel, et lugeda nelikümmend lehekülge uuesti läbi. See on ka loomulik viis suurte arhiivide kasutamiseks või aruannete võrdlemiseks.

Traditsiooniline OCR vs dokumendi tehisintellekt

Traditsiooniline OCR, olgu selleks siis Tesseract või Adobe Acrobat, töötab mustrite tundmise teel piksli haaval. See põhimõte toimib hästi teraval trükitud lehel, kuid laguneb, niipea kui astud sellest ideaaljuhust välja. Mitme veeruga ajaleht, pesastatud päised ja illustreeritud külgribad toodavad teksti, kus lugemisjärjestus enam mõtet ei oma. Arsti käsikirjalikud märkmed või käsitsi täidetud vormid jäävad sellele loetamatuks. Tabelid liidetud lahtrite, puuduvate äärte või ebaregulaarse joondusega kaotavad igasuguse seose veergude ja ridade vahel. Lisa dokument, mis segab ladina, araabia ja Aasia kirjasüsteeme, või müra, kaldus ja udune skann, ja veamäär muutub lubamatuks.

Dokumendi tehisintellekt baseerub häälestatud visuaalsel mudelil (VLM), mis mõistab dokumendi semantikat. See ei tunne ära ainult tähemärke: see haarab struktuuri, konteksti ja elementidevahelisi seoseid. See fundamentaalne erinevus olemuses, mitte lihtsalt täpsuse väike kasv, selgitab selle tulemusi keerulistel juhtudel.

Struktureeritud Markdown-väljund

Teine oluline erinevus: dokumendi tehisintellekt toodab struktureeritud Markdowni, mitte lihtteksti. Iga lehekülg tagastatakse sildistatud tekstisisaldusega – pealkirjad, loendid, lõigud –, selle tabelid on vormindatud Markdownis või HTML-is, ekstraheeritud piltidega kaasneb nende asukoht, hüperlingid on säilitatud ja soovi korral on päised ja jalused kehast eraldatud. See väljund on kohe kasutatav: saad selle indekseerida vektorandmebaasis RAG-i jaoks, arhiveerida või kuvada sellisena, ilma vahepealse puhastusetapita.

Sisendi poolelt hõlmab teenus PDF-e (skaneeritud ja loomupärased), PNG-, JPEG- ja AVIF-pilte, PPTX-esitlusi ja DOCX-dokumente. Maksimaalne failisuurus on 50 MB, piiranguga 1000 lehekülge – kaks piirangut, mida partiiide jagamisel silmas pidada.

Mida sa õpid

Kursus järgib kolme teenuse järjekorda. Tunnid 1–3 katavad ülevaadet, OCR 4 mudelit ja kasutusjuhte. Tunnid 4–8 süvenevad OCR-i: API, Pythoni kood, tabelid, päised ja jalused ning täpsuse optimeerimine. Tunnid 9–12 käsitlevad annotatsioone, alates metaandmete ekstraheerimisest kuni hulgitäötlemiseni. Tunnid 13–16 tegelevad dokumendi küsimuste ja vastustega, alates üksikdokumentidest kuni mitme dokumendi seadistusteni, jõudes välja RAG-i integratsiooni ja tootmiskeskkonna torustikeni.

Peamised punktid

  • Dokumendi tehisintellekt ühendab OCR-i, struktureeritud annotatsioonid ja QnA ühes lahenduses
  • OCR 4 mudel ületab traditsioonilisi OCR-lahendusi oluliselt täpsuses ja paindlikkuses
  • Struktureeritud Markdown-väljund muudab integreerimise olemasolevatesse torustikesse lihtsaks
  • Kolm täiendavat teenust katavad kogu dokumendi elutsükli