Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Johdanto Document AI:hun

Oppitunti 1 / 16 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Miksi Document AI muuttaa pelikenttää
  2. Kolme Document AI -palvelua
  3. Perinteinen OCR vs. Document AI
  4. Jäsennelty Markdown-tuloste
  5. Mitä opit
  6. Keskeiset asiat

Päivitetty 2. marraskuuta 2026 – OCR. OCR 4.0 (mistral-ocr-4-0) poistettiin käytöstä 30. syyskuuta 2026. Käytä OCR 4.1:tä (mistral-ocr-4-1), joka on ollut yleisesti saatavilla 31. elokuuta lähtien samaan hintaan, tai alias-nimeä mistral-ocr-latest, joka on viitannut siihen 16. heinäkuuta lähtien. OCR 4.1 lisää luottamusluvut lohko tasolla.

Miksi Document AI muuttaa pelikenttää

Joka aamu vakuutusyhtiö vastaanottaa satoja korvaushakemuslomakkeita: vinosti skannattuja asiakirjoja, kynällä täytettyjä käsinkirjoitettuja raportteja ja puhelimella otettuja kuvia laskuista. Pankit kohtaavat saman ongelman tiliotteiden kanssa, sairaalat potilastietojen ja viranomaiset lomakkeiden kohdalla. Perinteinen optinen merkkien tunnistus (OCR) on yrittänyt ratkaista tätä ongelmaa vuosikymmeniä, usein pettymyksin tuloksin, kun asettelut monimutkaistuvat, teksti on käsinkirjoitettua tai asiakirjoissa sekoittuu useita kieliä.

Mistral AI rakensi Document AI:n nimenomaan tämänkaltaisiin työnkulkuhin. Se ei ole vain yksi OCR-moottori lisää: ratkaisu yhdistää erikoistuneen visuaalisen kielimallin (VLM) jäsenneltyyn tiedonpoimintaan ja asiakirjaälyn ominaisuuksiin. Toisin sanoen se ei vain lue merkkejä, vaan rekonstruoi asiakirjan sen alkuperäisen rakenteen mukaisesti ja mahdollistaa sen myöhemmän kyselyn.

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

Kolme Document AI -palvelua

Document AI perustuu kolmeen täydentävään palveluun, jotka ovat kaikki käytettävissä Mistral API:n kautta. On hyödyllistä ymmärtää, miten ne ketjutetaan yhteen jo alusta alkaen.

Ensimmäinen, OCR-prosessori, on järjestelmän ydin. mistral-ocr-latest-malli (OCR 4) poimii tekstiä skannatuista asiakirjoista, PDF-tiedostoista, kuvista ja esityksistä. Kun perinteinen OCR, kuten Tesseract, tuottaa sekavan rivikeon, tämä malli säilyttää rakenteen: otsikot, kappaleet, taulukot, luettelot ja hyperlinkit. Otetaanpa taas tuo vakuutuskorvauslomake: saat lomakkeen takaisin osiot tunnistettuina, etkä tekstilöykkyä, jota joudut purkamaan.

Toinen palvelu, Document Annotations, ottaa vastuun toimintakelpoisen datan poimimisesta. Määrittelet Pydantic-skeeman – esimerkiksi potilaan nimi, laskun summa, sopimusehdot – ja malli täyttää nämä kentät automaattisesti. Siirryt luettavasta tekstistä tyypitetyiksi arvoiksi, jotka tietojärjestelmä voi niellä.

Kolmas, Document QnA, yhdistää OCR:n Mistral LLM:ään, jotta voit esittää kysymyksiä luonnollisella kielellä sisällöstä. Tämä mahdollistaa sen, että lakimies voi kysyä: “Mikä on irtisanomisaika?” sen sijaan, että hän lukisi neljäkymmentä sivua uudelleen. Se on myös luonteva tapa käyttää laajoja arkistoja tai verrata raportteja.

Perinteinen OCR vs. Document AI

Perinteinen OCR, olipa kyseessä Tesseract tai Adobe Acrobat, toimii tunnistamalla kuvioita pikseli kerrallaan. Tämä periaate toimii hyvin terävällä painetulla sivulla, mutta romahtaa heti, kun poistutaan tästä ihanteellisesta tapauksesta. Sanomalehti, jossa on useita palstoja, sisäkkäisiä otsikoita ja kuvitettuja sivupalkkeja, tuottaa tekstiä, jossa lukujärjestys ei enää ole järkevä. Lääkärin käsinkirjoitetut muistiinpanot tai käsin täytetyt lomakkeet pysyvät sille lukukelvottomina. Taulukot, joissa on yhdistettyjä soluja, puuttuvia reunoja tai epäsäännöllisiä tasauksia, menettävät kaiken yhteyden sarakkeiden ja rivien välillä. Lisää tähän asiakirja, jossa sekoittuvat latinalaiset, arabialaiset ja aasialaiset kirjoitusjärjestelmät, tai kohinainen, vino ja sumea skannaus, niin virheprosentti muodostuu sietämättömäksi.

Document AI rakentuu hienosäädetyn visuaalisen mallin (VLM) varaan, joka ymmärtää asiakirjojen semantiikkaa. Se ei vain tunnista merkkejä: se hahmottaa rakenteen, kontekstin ja elementtien väliset suhteet. Tämä perustavanlaatuinen ero luonteessa, ei pelkkä tarkkuuden parannus, selittää sen tulokset vaikeissakin tapauksissa.

Jäsennelty Markdown-tuloste

Toinen keskeinen ero: Document AI tuottaa jäsenneltyä Markdownia, ei pelkkää raakatekstiä. Jokainen sivu palautetaan sen tekstisisällön kanssa tagitettuna – otsikot, luettelot, kappaleet – sen taulukot muotoiltuna Markdowniksi tai HTML:ksi, poimitut kuvat niiden sijainnin kanssa, säilytetyt hyperlinkit ja halutessasi otsikot ja alatunnisteet eristettynä pääsisällöstä. Tämä tuloste on valmis käytettäväksi: voit indeksoida sen vektoritietokantaan RAG-käyttöön, arkistoida sen tai näyttää sellaisenaan ilman välivaiheen siivousta.

Syötteen osalta palvelu kattaa PDF-tiedostot (skannatut ja alkuperäiset), PNG-, JPEG- ja AVIF-kuvat, PPTX-esitykset ja DOCX-asiakirjat. Enimmäistiedostokoko on 50 Mt ja sivumäärä rajoitettu 1 000 sivuun – kaksi rajaa, jotka kannattaa pitää mielessä eräitä jaettaessa.

Mitä opit

Kurssi etenee kolmen palvelun järjestyksessä. Oppitunnit 1–3 käsittelevät yleiskatsausta, OCR 4 -mallia ja käyttötapauksia. Oppitunnit 4–8 syventyvät OCR:ään: API, Python-koodi, taulukot, otsikot ja alatunnisteet sekä tarkkuuden optimointi. Oppitunnit 9–12 käsittelevät annotaatioita metadatan poiminnasta eräajoon. Oppitunnit 13–16 pureutuvat asiakirjojen kyselyyn (QnA) yksittäisistä asiakirjoista monen asiakirjan kokonaisuuksiin aina RAG-integraatioon ja tuotantoputkiin saakka.

Keskeiset asiat

  • Document AI yhdistää OCR:n, jäsennellyt annotaatiot ja QnA:n yhdeksi ratkaisuksi
  • OCR 4 -malli ylittää perinteiset OCR-ratkaisut huomattavasti tarkkuudessa ja joustavuudessa
  • Jäsennelty Markdown-tuloste helpottaa integrointia olemassa oleviin putkiisi
  • Kolme täydentävää palvelua kattavat koko asiakirjan elinkaaren