Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Sissejuhatus Document AI-sse ja intelligentsesse OCR-i

Õppetund 9 / 14 Värskendatud 2. november 2026 Algajatele
Sellel lehel
  1. Palju enamat kui lihtne dokumendilugeja
  2. Miks klassikaline OCR ei piisanud
  3. OCR 3 numbrites
  4. Kuidas see erineb Vibe’i Visionist?
  5. Peamised punktid

Uuendus 2. novembril 2026 – Le Chatist saab Vibe. Alates 28. maist 2026 on Le Chat ümber bränditud nimele Vibe (aadressil endiselt chat.mistral.ai): üks agent tööks ja kodeerimiseks, kandes üle sinu vestlused, seaded ja tellimused. Vana Le Chati kasutajakogemus on endiselt kättesaadav režiimis Chat; režiimis Work on agentidest saanud oskused (käivitatakse sümboliga @), mälud moodustavad teadmiste baasi ja süvaotsing on nüüd oskus Deep Research. Plaanid kannavad nüüd nimesid Mistral Free, Pro, Team ja Enterprise. Selles õppetunnis kasutame nime Vibe; mõned siin kirjeldatud menüüd võivad olla muutnud nime või asukohta.

Palju enamat kui lihtne dokumendilugeja

Nägite jaotises Vision, et Vibe suudab pildil olevat teksti lugeda. Kui aga tegemist on keerukate dokumentide töötlemisega – mitmeleheküljelised PDF-id, skaneeritud vormid või pesastatud tabelitega finantsaruanded –, on vaja spetsiaalset tööriista. Just seda pakubki Mistrali Document AI, mida toidab mootor OCR 3. See õppetund paneb aluse kogu sellele jaotisele: mõistmaks, mis on OCR, kuidas Mistrali lähenemine erineb klassikalistest lahendustest ja mis kõige tähtsam – millal seda kasutada Visioni asemel.

OCR tähendab optilist märgituvastust (Optical Character Recognition). See on tehnoloogia, mis teisendab teksti sisaldava pildi – olgu selleks skann, foto või pildipõhine PDF – kasutatavaks digitaalseks tekstiks: tekstiks, mida saad kopeerida, otsida või analüüsida nagu iga algupäraselt digitaalset dokumenti. Kaalul on igapäevased olukorrad: mõtle sellele arvele, mille kolleeg saatis fotona, või lepingule, mis skaneeriti kümme aastat tagasi ja millest pead leidma konkreetse klausli. Ilma OCR-ita on need dokumendid lihtsalt vaikivad pildifailid.

Miks klassikaline OCR ei piisanud

OCR on eksisteerinud aastakümneid, kuid traditsioonilised lahendused – Tesseract on kõige tuntum näide – kannatasid oluliste puuduste all, mida igaüks, kes on kunagi dokumenti skaneerinud, hästi tunneb. Paigutus kadus: tekst tuli segasena, ignoreerides dokumendi struktuuri, muutes hoolikalt korraldatud aruande lõputuks lõikude sodiks. Tabelid jäeti tähelepanuta, veerud ja read läksid nii segamini, et andmed muutusid kasutuks. Käsikirja oli peaaegu võimatu lugeda. Mitmekeelsed dokumendid andsid kehvaid tulemusi niipea, kui lahkusid inglise keele piiridest. Ja teksti põimitud pilte – graafikuid, diagramme – lihtsalt ignoreeriti.

Mistrali mootor OCR 3 muudab mängu reegleid täielikult ja põhjus peitub selle arhitektuuris. Klassikaliste märgituvastuse tehnikate asemel tugineb see multimodaalsele keelemudelile (VLM), mis on spetsiaalselt treenitud dokumente mõistma. Erinevus on fundamentaalne: klassikaline OCR tuvastab üksikuid tähemärke ja püüab need sõnadeks kokku panna, nagu keegi, kes dešifreerib täht haaval, mõistmata lauset. Mistrali tehisintellektil põhinev OCR seevastu mõistab dokumenti tervikuna – selle struktuuri, sisu ja konteksti. Osaliselt kustutatud sõnaga silmitsi seistes suudab see kontekstist järeldada, mida sõna tähendas, täpselt nagu inimlugeja.

Praktikas eraldab Document AI teksti PDF-idest, piltidest ja skaneeritud dokumentidest, säilitades algse paigutuse. See rekonstrueerib tabelid koos päiste, veergude ja andmetega, väljastades puhta Markdowni. See loeb käsikirja – arsti märkmeid, käsitsi täidetud vorme, ääremärkusi. See töötleb mitmekeelseid dokumente suure täpsusega paljudes keeltes, kirjeldab dokumendis sisalduvaid pilte ja graafikuid, genereerides tekstilisi alapealkirju, ning mõistab konteksti nii hästi, et suudab vastata sisuga seotud küsimustele.

OCR 3 numbrites

Tõhususe mõttes pakub mootor tipptasemel täpsust teksti tuvastamise, käsikirja ja tabelite võrdlustestides. See töötleb ühe GPU kohta kuni 2000 lehekülge minutis – piisavalt, et sisestada terved arhiivid. See aktsepteerib mitmeid vorminguid: PDF, Word, skaneeritud pildid ja erineva kvaliteediga fotod. Ja selle väljund on struktureeritud: tulemuseks on puhas Markdown viidatud piltidega, mitte toortekst, mida tuleks ümber töötada.

Kuidas see erineb Vibe’i Visionist?

Võid küsida: “Miks ma lihtalt oma PDF-i Vibe’i ei üles lae ja Visionit ei kasuta?” See on õigustatud küsimus ja vastus määrab kindlaks kogu sinu töövoogu. Vibe’i Vision, mida käsitlesime selle kursuse esimeses jaotises, on ideaalne üksiku isoleeritud pildi analüüsimiseks – foto, graafiku või ekraanitõmmise jaoks. Kuid mitmeleheküljeliste keeruka paigutusega dokumentide puhul pakub Document AI otsustavaid eeliseid: lehekülje haaval töötlemine koos kogu dokumendi struktuuri rekonstrueerimisega, tabelite eraldamine, mis on algsele truu, mitte ligikaudne, annotatsioonid ja metaandmed, mida saad sõnaselgelt tellida – autor, kuupäev, summad – ning tõeline dokumentidele suunatud küsimuste ja vastuste süsteem pikkade dokumentide puhul.

Jäta meelde see lihtne reegel: üksiku tekstiga pildi puhul piisab Visionist; mitmeleheküljelise dokumendi puhul, mida soovid põhjalikult analüüsida, kasuta Document AI-d. Advokaat, kes teeb klauslist foto, et see selgitada, kasutab Visionit; sama advokaat, kes laeb üles kogu 40-leheküljelise lepingu, et auditeerida selle kohustusi, kasutab Document AI-d.

Selle jaotise järgnevates õppetundides õpid, kuidas laadida PDF Vibe’i ja saada automaatne eraldamine, ekstraheerida struktureeritud andmeid – tabelid, päised, arvud – mis tahes dokumendist ning seejärel esitada dokumendi sisu kohta küsimusi täpsete vastuste saamiseks.

Peamised punktid

  • Document AI on Mistrali lahendus intelligentseks dokumenditöötluseks, mida toidab OCR 3
  • Erinevalt klassikalisest OCR-ist mõistab OCR 3 dokumendi struktuuri ja konteksti
  • See haldab tabeleid, käsikirja, mitmekeelseid dokumente ja põimitud pilte
  • Lihtsa pildi puhul kasuta Visionit; keeruka dokumendi puhul kasuta Document AI-d
  • Töötlemine on kiire: kuni 2000 lehekülge minutis