Analysoi kaavioita Vision API:n avulla
Tällä sivulla
Lue kaavioita kuin analyytikko
Kaaviot – pylväs-, viiva-, ympyrä- ja aluekaaviot – ovat kaikkialla liiketoimintaraporteissa, koontinäytöillä ja tieteellisissä julkaisuissa. Ne muodostavat erityisen haasteen: tieto on lukittuna kuvaan, usein ilman lähdeaineistoa. Vuosikertomuksessa voi olla kolmekymmentä käyrää, eikä alkuperäistä Excel-tiedostoa ole enää kenelläkään.
Mistralin Vision API osaa lukea nämä kaaviot, tulkita trendejä ja poimia numeerista dataa. Tässä oppitunnissa opit kirjoittamaan kehotteita, jotka tuottavat konkreettisia tuloksia sumean kommentoinnin sijaan, sekä jäsentämään vastaukset oikein.
Kaavioiden analyysin periaatteet
Jos malli jätetään oman onnensa nojaan, se tuottaa yleisen lauseen kuten “tämä kaavio näyttää myynnin kehitystä”. Tehokas kehote pakottaa sen noudattamaan järjestelmällistä prosessia: tunnista kaavion tyyppi (pylväs, viiva, ympyrä, hajonta), lue akselit ja selitteet yksiköineen ja skaaloineen, poimi arvot arvioimalla visuaalista sijaintia ja vasta tämän jälkeen tulkitse trendit – nousu, lasku, kausivaihtelu, poikkeamat. Järjestys on ratkaiseva: ennen akseleiden lukemista tehty tulkinta on keksitty tulkinta.
Pylväskaavion analysointi
Järjestelmäviesti on luonteva paikka koodata tämä menetelmä kerralla kuntoon riippumatta analysoitavasta kuvasta:
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """You are an expert data analyst. When analyzing a chart:
1. Identify the chart type and its title
2. Describe the axes (labels, units, scale)
3. List the main values you can read
4. Identify trends, highs/lows, and anomalies
5. Write a 2-3 sentence conclusion"""
},
{
"role": "user",
"content": [
{"type": "text", "text": "Analyze this bar chart of quarterly revenue."},
{"type": "image_url", "image_url": "https://exemple.com/ca-trimestriel.png"}
]
}
]
)
print(response.choices[0].message.content)
Järjestelmäkehote jäsentelee mallin vastauksen loogisiin vaiheisiin, mikä parantaa sekä tarkkuutta että luettavuutta. Saat yhtenäisen raportin kaaviosta toiseen, mikä on välttämätöntä, jos vastauksia pitää myöhemmin käsitellä automaattisesti.
Numeerisen datan poiminta
Jos haluat käyttökelpoista dataa pelkän kuvauksen sijaan, ohjeistuksen on oltava nimenomaisesti rajoittava. Mallilla on luontainen taipumus kommentoida; sinun on kiellettävä se:
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "You are a data extractor. Analyze the chart and return the data as a markdown table. Do not comment, do not describe—only extract the data."
},
{
"role": "user",
"content": [
{"type": "text", "text": "Extract the data from this bar chart into a table."},
{"type": "image_url", "image_url": "https://exemple.com/ventes-mensuelles.png"}
]
}
]
)
Malli palauttaa jotain tämän tapaista:
| Month | Sales (k€) |
|----------|------------|
| January | 120 |
| February | 135 |
| March | 148 |
Tämä muoto parsitaan muutamalla koodirivillä ja tuodaan suoraan laskentataulukkoon tai DataFrameen.
Viivakaavion analysointi (trendit)
Viivakaaviot soveltuvat erityisen hyvin trendianalyysiin, jolloin kysymys voi laajentua koko kysymyssarjaksi käyttäjän viestissä:
prompt_tendance = """Analyze this line chart and answer:
1. What is the general trend (rising, falling, stable)?
2. Are there any inflection points? If so, on what dates?
3. Do you observe seasonality?
4. What is the approximate value at the start and end of the period?
5. What projection do you make for the next quarter?"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": prompt_tendance},
{"type": "image_url", "image_url": "https://exemple.com/evolution-prix.png"}
]
}
]
)
Viides kysymys eroaa luonteeltaan neljästä ensimmäisestä: se pyytää ekstrapolaatiota, ei lukemista. Kohtele sen vastausta hypoteesina, joka on vahvistettava, äläkä faktana.
Ympyräkaavion analysointi (jakauma)
Ympyräkaavioiden kohdalla kysymys keskittyy osuuksiin ja keskittymiseen eikä kehitykseen:
prompt_camembert = """Analyze this pie chart:
- List each segment with its approximate percentage
- Identify the dominant segment
- Indicate whether the distribution is concentrated or dispersed
Return the data in a markdown table."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": prompt_camembert},
{"type": "image_url", "image_url": "https://exemple.com/repartition-marche.png"}
]
}
]
)
Tarkista aina, että palautettujen prosenttiosuuksien summa on lähellä 100:ta: 87 prosentin summa merkitsee puutteellista lukua, unohdettua segmenttiä tai selitteen peittämää osuutta.
Raporttianalyysin putki
Nämä erilliset kutsut muuttuvat hyödyllisiksi, kun niitä skaalataan koko raportin laajuuteen. Seuraava skripti skannaa kansion viedyistä kaavioista, pyytää joka kerta standardoidun JSON-tulosteen ja kirjaa kaiken yhteen tiedostoon:
import base64
from pathlib import Path
from mistralai.client import Mistral
import json
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def encoder_image(chemin):
with open(chemin, "rb") as f:
b64 = base64.standard_b64encode(f.read()).decode("utf-8")
return f"data:image/png;base64,{b64}"
def analyser_graphique(chemin_image, question=None):
"""Analyze a chart and return structured data."""
if question is None:
question = "Analyze this chart. Return a JSON with: type (bar/line/pie/other), title, data (array of {label, value}), trend, and summary."
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "Return only valid JSON, no markdown code blocks."
},
{
"role": "user",
"content": [
{"type": "text", "text": question},
{"type": "image_url", "image_url": encoder_image(chemin_image)}
]
}
]
)
return response.choices[0].message.content
# Analyze all charts in a folder
dossier = Path("rapport/graphiques/")
resultats = {}
for fichier in sorted(dossier.glob("*.png")):
print(f"Analyse de {fichier.name}...")
resultats[fichier.name] = analyser_graphique(fichier)
# Save results
with open("rapport/analyse_graphiques.json", "w", encoding="utf-8") as f:
json.dump(resultats, f, ensure_ascii=False, indent=2)
Ohje “no markdown code blocks” välttää klassisen harmittajan: JSON:n käärimisen kolmen takakenoviivan sisään, mikä rikkoo jäsentämisen.
Kaavioiden analyysin rajat
Neljä tilannetta asettaa mallille haasteita, ja sinun on tunnettava ne ennen prosessin rakentamista sen ympärille. Ensinnäkin tarkat arvot: ne estimoidaan pylväiden tai pisteiden visuaalisesta sijainnista, ja virhemarginaali on 5–10 %. Toiseksi ruuhkaiset kaaviot, joissa useat sarjat, selitteet ja pieni teksti sumuttavat luettavuutta. Kolmanneksi alhainen resoluutio, joka tekee teksteistä sumeita tai pikselöityneitä ja lukukelvottomia – muista oppitunnissa 2 kuvattu sisäinen koon muuttaminen. Viimeiseksi 3D-kaaviot, joissa perspektiivi vääristää mekaanisesti korkeuden lukemista.
Käytännön johtopäätös on selvä: tarkkaa poimintaa varten vie lähdeaineisto CSV-muodossa, kun se on mahdollista. Vision API on ihanteellinen nopeaan analyysiin ja yhteenvetoon, ei laskentataulukon korvaamiseen. Se loistaa, kun lähdeaineisto on kadonnut; se on huono valinta, kun data on ulottuvillasi.
Keskeiset asiat
- Käytä kaavioiden analyysiin Mistral Large 3:ta – tarkkuus on kriittistä
- Jäsentele kehote vaiheittain: tyyppi, akselit, arvot, trendit, johtopäätös
- Pyydä nimenomaisesti tulostemuoto (markdown-taulukko, JSON) käyttökelpoista dataa varten
- Malli arvioi arvot 5–10 %:n virhemarginaalilla – älä käytä sitä tarkkoihin lukuihin
- Yhdistä Vision API CSV-vientiin saadaksesi parhaan mahdollisen lopputuloksen