Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Document AI kasutusjuhtumid

Õppetund 3 / 16 Värskendatud 2. november 2026 Arendajatele
Sellel lehel
  1. Reaalsed rakendused erinevates sektorites
  2. Rahandus ja pangandus: Automaatne KYC
  3. Tervishoid: Patsiendiandmed ja retseptid
  4. Õigus: Lepingute analüüs suurel skaalal
  5. Raamatupidamine: Arvete töötlemine
  6. Logistika, arhiivid ja avalik sektor
  7. Standardne tootmistöövoog
  8. Peamised punktid

Uuendus 2. november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) võeti kasutusest välja 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 skoorid ploki tasandil.

Reaalsed rakendused erinevates sektorites

Document AI teeb enamat kui lihtsalt teksti eraldamine. OCR-i, annotatsioonide ja QnA kombinatsioon muudab teenuse väärtuslikuks, kuna see katab kogu dokumendi elutsükli alates kättesaamisest kuni kasutamiseni. Selles õppetükis käime läbi levinumad kasutusjuhtumid sektoriti, näidates ära, milliseid teenuseid igas etapis kasutatakse. See eristus on alguses oluline, sest iga lisateenusega kaasnevad kulud ja latentsus.

Sektor Kasutusjuhtum Kasutatavad teenused
Rahandus ja pangandus Automaatne KYC, väljavõtete eraldamine, vastavus OCR + Annotatsioonid
Tervishoid Patsiendiandmed, käsitsi kirjutatud retseptid, meditsiinilised aruanded OCR + Annotatsioonid + QnA
Õigus Lepingu analüüs, klauslite eraldamine, hoolsuskontroll OCR + QnA
Kindlustus Nõuete menetlemine, deklaratsioonivormid OCR + Annotatsioonid
Logistika Saatelehed, tollidokumendid, lao kontrollnimekirjad OCR + Annotatsioonid
Raamatupidamine Müüja arved, kuluaruanded, pangaarvestuse kooskõlastamine OCR + Annotatsioonid
Avalik sektor Arhiivi digitaliseerimine, haldusvormid OCR
Tootmine Tehnilised andmelehed, kvaliteedisertifikaadid, ülevaatusaruanded OCR + QnA

Rahandus ja pangandus: Automaatne KYC

Klientide kaasamine on enim taotletud kasutusjuhtum, kuna see on korduv, reguleeritud ja aeganõudev. „Tunne oma klienti“ (KYC) protsess järgib alati sama jada:

  1. Isikut tõendava dokumendi skaneerimine: pass, isikutunnistus, juhiluba
  2. OCR-i eraldamine: eesnimi, perekonnanimi, sünnikuupäev, dokumendi number
  3. Struktureeritud annotatsioonid: väljade valideerimine Pydanticu skeemi kaudu
  4. Ristkontroll: automaatne võrdlus sisemiste andmebaasidega
  5. Rikastatud arhiveerimine: dokument indekseeritakse ja on QnA kaudu päritav

See, mis võttis vastavusspetsialistilt varem mitu tundi, võtab nüüd faili kohta vaid sekundeid. Agent sekkub ainult kahtlasteks märgitud juhtumitel.

Tervishoid: Patsiendiandmed ja retseptid

Meditsiinisektor genereerib tohutuid dokumentide mahte, millest suur osa on endiselt käsitsi kirjutatud. Käsitsi kirjutatud retsept, mida sageli peetakse loetamatuks, transkribeeritakse õigesti isegi siis, kui arst segab ladina termineid kohaliku keelega. Märkeruutudega vormid, mis on traditsioonilistele OCR-mootoritele pikka aega peavalu valmistanud, annavad oma binaarsed vastused erakordse täpsusega. Meditsiinilistes aruannetes tuvastab mudel patsiendi isiku, diagnoosi ja ravimäärangud.

Üht käitumist tasub rõhutada, sest see määrab, kui palju saad süsteemi usaldada: kui dokumentist puudub väli – näiteks loetlemata telefoninumber – teatab mudel sellest puudumisest, selle asemel et leiutada usutav väärtus. See on täpselt vastupidine üldotstarbelise mudeli refleksile ja just see muudab eraldamise kasutatavaks ilma süstemaatilise inimliku ülevaatuseta.

Õigus: Lepingute analüüs suurel skaalal

Advokaadibürood ja juriidilised osakonnad kasutavad peamiselt klauslite eraldamist ja QnA-d. Esimene kasutusjuhtum hõlmab lõpetamise, konkurentsikeelu või konfidentsiaalsuse klauslite automaatset tuvastamist korpuses, muutes käsitsi ülevaatuse abistatud triaažiks. Teine hiilgab hoolsuskontrolli käigus: kui omandamine hõlmab sadu lepinguid, pärid korpust loomulikus keeles, selle asemel et kõike algusest lõpuni läbi lugeda, vaadates detailselt üle ainult otsingu tulemusena esile kerkinud dokumendid.

Raamatupidamine: Arvete töötlemine

See on kõige küpsem kasutusjuhtum ja sageli esimene, mida kasutusele võetakse. Kõik taandub Pydanticu skeemile, mis kirjeldab täpselt, mida soovid saada:

from pydantic import BaseModel, Field

class Invoice(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
    amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
    amount_incl_tax: float = Field(..., description="Amount including tax in euros")
    vat_amount: float = Field(..., description="VAT amount in euros")

Annotatsioonide API-le edastamisel eraldab see skeem väljad igalt skaneeritud arvelt, nõudmata eelnevat müüja arvete mallide seadistamist. Pane tähele kirjelduste ja tüüpimise hoolikust: see annab mudelile märku, et summa tuleb tagastada arvuna ja kuupäev formaadis YYYY-MM-DD, mitte paberil leiduval kujul.

Logistika, arhiivid ja avalik sektor

Logistikas sobivad tuhanded iga päev töödeldavad saatelehed, konosseumendid ja tollidokumendid saatja ja saaja teabe automaatseks eraldamiseks, piltidel olevate vöötkoodide ja jälgimisnumbrite lugemiseks ning käsitsi sageli kortsunud kandjatele täidetud lao kontrollnimekirjade digitaliseerimiseks.

Arhiivi digitaliseerimine on erijuhtum. Siinsed dokumendid on vanad, mõnikord halvas seisukorras, kirjutatud 19. või 20. sajandi käekirjas, kasutades trükikirja ja väljendeid, mida enam ei kasutata. OCR 4 saab nendega paremini hakkama kui traditsioonilised OCR-mootorid tänu oma visuaalsele mõistmisele, kuid ole piirangute osas realistlik: täpsus langeb tugevalt kahjustatud üksuste puhul ja iga tõsine arhiiviprojekt hõlmab alati inimliku ülevaatuse etappi.

Standardne tootmistöövoog

Sõltumata sektorist näeb torustik välja sarnane: dokumendi sissevõt skaneerimise, üleslaadimise või e-posti teel; OCR teksti ja struktuuri eraldamiseks kasutades mistral-ocr-latest; annotatsioonid struktureeritud andmete saamiseks vastavalt sinu äriskeemile; rikastatud Markdowni indekseerimine vektor- või SQL-andmebaasi; seejärel kasutamine otsingu, QnA, aruandluse või töövoogude automatiseerimise kaudu. Kui kavandad projekti, kaardista need viis sammu enne ühegi koodirea kirjutamist: need määravad, kuhu andmeid salvestad, mida vea korral uuesti käivitad ja mille eest arvet esitad.

Peamised punktid

  • Document AI rakendub igas sektoris, mis tegeleb dokumentidega
  • Standardne töövoog on: sissevõt, OCR, annotatsioonid, indekseerimine, kasutamine
  • Pydanticu annotatsioonid võimaldavad eraldada täpselt need andmed, mida vajad
  • QnA võimaldab pärast indekseerimist dokumente loomulikus keeles pärida
  • Kõigi kolme teenuse kombinatsioon loob tervikliku dokumendilahenduse