Rakenteinen tiedonpoiminta: taulukot, otsikot ja numeerinen data
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Le Chat muuttuu Vibeksi. 28. toukokuuta 2026 lähtien Le Chat on nyt Vibe (osoitteessa chat.mistral.ai): yksi agentti työhön ja koodaukseen, joka säilyttää keskustelusi, asetuksesi ja tilauksesi. Vanha Le Chat -kokemus on edelleen käytettävissä Chat-tilassa; Work-tilassa agenteista on tullut taitoja (kutsuttuna merkillä
@), muistit muodostavat tietopohjan ja syvähaku on Deep Research -taito. Suunnitelmat ovat nyt nimeltään Mistral Free, Pro, Team ja Enterprise. Tässä oppitunnissa käytetään nimeä Vibe; jotkin tässä kuvatut valikot ovat voineet vaihtaa nimeä tai sijaintia.
Raaka-asiakirjoista jäsenneltyyn dataan
Tekstin poimiminen asiakirjasta on hyvä alku. Todellinen arvo kuitenkin paljastuu, kun saat jäsenneltyä dataa: siistejä taulukoita, tunnistettuja lukuja ja luokiteltuja otsikoita. Tämä on ero vastaanottaessasi valokopion tilinpäätöksestä ja vastaanottaessasi saman lausunnon käyttökelpoisena laskentataulukkona. Mistralin Document AI loistaa nimenomaan tässä tehtävässä: se ei vain lue tekstiä, vaan ymmärtää asiakirjan rakenteen ja palauttaa tiedot suoraan käytettävässä muodossa.
Taulukot: paras käyttökohde
Taulukoita on kaikkialla liikeasiakirjoissa – tilinpäätöksissä, hintalistoissa, aikatauluissa, tutkimustuloksissa – ja historiallisesti juuri tässä perinteinen OCR on epäonnistunut surkeimmin, sotkien sarakkeet ja rivit sekamelskaksi. OCR 3 -moottori sen sijaan käsittelee niitä huomattavalla tarkkuudella. Kun lataat Vibeen taulukon sisältävän asiakirjan, malli tunnistaa ensin taulukon rajat, vaikka ne olisivat hienovaraisia tai värillisiä. Se tunnistaa sitten otsikot ja erottaa ne datasta, yhdistäen jokaisen solun oikeaan sarakkeeseen ja riviin. Se selviää jopa vaikeista tapauksista: yhdistetyt solut, välisummat, alaviitteet – kaikki klassiset ansat, jotka huonosti muunnettu laskentataulukko muuttaa hiljaisiksi virheiksi.
Saadaksesi käyttökelpoisen tuloksen, tee tavaksi määrittää haluamasi muoto kehotteessasi. “Poimi taulukko sivulta 3 Markdown-muodossa” antaa sinulle Vibessä suoraan luettavan taulukon; “Muunna tämä taulukko CSV-muotoon, jotta voin liittää sen Exceliin” valmistelee sen tuontia varten laskentataulukkoon; “Poimi vain ‘Summa’-sarake ja ‘Päivämäärä’-sarake” suodattaa tarvitsemasi tiedot lähteellä. Markdown on usein käytännöllisin muoto päivittäiseen käyttöön: se on heti luettavissa ja helppo kopioida ja liittää muihin työkaluihin.
Otsikot, hierarkia ja rakenne
Taulukoiden lisäksi Document AI osaa rekonstruoida asiakirjan hierarkian: otsikot ja alaotsikot tunnistetaan ja luokitellaan tason mukaan (h1, h2, h3), kappaleet erotetaan toisistaan vaikka näkyviä rivinvaihtoja ei olisi, luettelomerkillä tai numeroidut listat rekonstruoidaan oikein, ja alaviitteet linkitetään viitteisiinsä. Tämä kyky on korvaamaton työskenneltäessä pitkien raporttien tai juridisten asiakirjojen parissa, joissa rakenne kantaa yhtä paljon merkitystä kuin tekstikin: tieto siitä, esiintyykö ehto kohdassa “Takuut” eikä “Sekalaista”, muuttaa sen tulkintaa.
Voit siis esittää rakenteellisia pyyntöjä: “Anna minulle tämän asiakirjan sisällysluettelo”, “Listaa kaikki osioiden otsikot sivunumeroineen” tai jopa “Poimi vain kappaleet, jotka käsittelevät takuita” – jälkimmäinen yhdistää rakenteen ja merkityksen.
Numeerinen data kontekstissaan
Rahoitusasiakirjat, tarjoukset, laskut ja toimintaraportit ovat täynnä numeroita: rahamääriä (liikevaihto, summat, alv, alennukset), allekirjoitus- tai eräpäiviä, markkinaosuus- tai katteprosentteja sekä tunnisteita kuten laskunumeroita, asiakasviitteitä tai Y-tunnuksia. Mikä erottaa Document AI:n muista, on se, ettei se vain poimi numeroita, vaan ymmärtää niiden kontekstin. Jos kysyt “Mikä on vuosiliikevaihto?”, se etsii nimenomaan siihen käsitteeseen liittyvää numeroa, vaikka se olisi haudattu 50-riviseen taulukkoon. Klassinen OCR olisi syöttänyt sinulle viisikymmentä nimetöntä numeroa; tässä saat oikean numeron.
Tämä ymmärrys mahdollistaa pelkän poiminnan ylittämisen: voit pyytää laskelmia ja tarkistuksia. “Onko ‘Summa ilman alv’ -sarakkeen summa oikein?” saa mallin laskemaan uudelleen; “Mikä on ero budjetoidun ja toteutuneen välillä?” ristiviittaa kahta saraketta; “Mikä kuluerä edustaa suurinta osuutta?” muuttaa taulukon analyysiksi.
Edistyneille käyttäjille JSON-vienti jäsentelee tulosteen työkalujasi varten: “Poimi seuraavat tiedot tästä laskusta JSON-muodossa: numero, päivämäärä, summa ilman alv, alv, summa alv:n kanssa, toimittaja” tai “Luo JSON-objekti, joka sisältää taulukon jokaisen rivin datan.” Tämä muoto on ihanteellinen, jos datan täytyy syöttää myöhemmin laskentataulukkoon, tietokantaan tai muuhun ohjelmistoon.
Käytännössä
Katso, miten nämä kyvyt yhdistyvät kolmessa yleisessä skenaariossa. Saat pinon PDF-laskuja: pyydä jokaiselta “Poimi tästä laskusta: toimittajan nimi, päivämäärä, laskunumero, summa ilman alv, alv ja summa alv:n kanssa. Esitä taulukkona” – ja kirjanpitokirjauksesi on valmis. Edessäsi on 50-sivuinen vuosikertomus: “Poimi kaikki rahoitustaulukot tästä raportista ja esitä ne Markdown-muodossa. Tunnista liikevaihto, nettotulos ja käyttökate.” Päättääksesi kahden tarjouksen välillä, lataa molemmat ja kysy: “Vertaa näiden kahden tarjouksen hintoja samoille palveluille. Tunnista hintaerot.”
Muutama metodinen sääntö lopuksi. Ole tarkka siitä, mitä etsit – tietty taulukko, sarake, datatyyppi – ja määritä aina haluamasi tulostemuoto (Markdown, CSV, JSON, lista). Skannattujen asiakirjojen kohdalla vähintään 150 DPI:n resoluutiota suositellaan luotettavaan poimintaan. Jos asiakirja on hyvin tiivis, käsittele se sivu kerrallaan: “Poimi taulukko sivulta 7” tuottaa parempia tuloksia kuin globaali “Poimi kaikki taulukot”. Ja kaikissa kriittisissä käytöissä ristitarkista poimitut tiedot alkuperäiseen asiakirjaan nähden – poiminta on kiihdytin, ei vastuuvapauslauseke.
Keskeiset asiat
- Document AI rekonstruoi taulukot uskollisesti otsikoiden, sarakkeiden ja yhdistettyjen solujen kanssa
- Voit pyytää poimintaa Markdown-, CSV- tai JSON-muodossa tarpeidesi mukaan
- Malli ymmärtää numeerisen datan kontekstin ja osaa vastata spesifeihin kysymyksiin
- Asiakirjan hierarkkinen rakenne (otsikot, alaotsikot, listat) säilyy
- Varmista poiminnot aina kriittisissä käytöissä