Céimeanna eile: AI Doiciméad, Glao Feidhme, agus Píblínte Ilmhóideacha
Ar an leathanach seo
Nuashonraithe an 3 Samhain, 2026 bunaithe ar an leathanach Document QnA ó Mistral agus ar SDK
mistralai3.7.0: déanann an sampla ceist ar dhoiciméad ag baint úsáide as múnla comhrá (mistral-small-latest), ní an múnla OCR, agus ní paraiméadar de chuidchat.completeédocument_image_limit(theipfeadh ar an nglao dá bhrí sin); socraítear teorainneacha leathanach inclient.ocr.process. Foinse: Document QnA.
Thar an API Fís
Tá bunúsanna API Fís Mistral mastered agat anois: íomhánna a sheoladh trí URL agus Base64, cairteacha a anailísiú, OCR a dhéanamh, sonraí struchtúrtha a eastóscadh, agus íomhánna a chur i gcomparáid. Tá teorainn nádúrtha ag an mbunús seo – go dtí seo, d’fhéach an múnla ar íomhá i gcónaí agus thug sé téacs ar ais, gan gníomh a dhéanamh riamh. Trasnaíonn an ceacht deireanach seo an teorainn sin i dtrí chéim: an tseirbhís speisialaithe do dhoiciméid, an glao feidhme a thiontaíonn anailís i ngníomh, agus píblínte a chodlaíonn iad le chéile.
AI Doiciméad Mistral (OCR 4)
Chun riachtanais OCR casta, cuireann Mistral Document AI ar fáil, seirbhís atá speisialaithe i bpróiseáil doiciméad. Áit a láimhseálann an API Fís íomhánna aonair, déanann Document AI réasúnú ar scála an doiciméid: láimhseálann sé PDFanna il-leathanaigh agus déanann sé anailís ar chomhaid fhada in aon rith amháin. Bainistíonn sé leaganacha amacha casta – colúin, cinnbhriste agus buntáscanna, táblaí neadaithe – agus caomhnaíonn sé an struchtúr, le haschur a choinníonn ordlathas an doiciméid de theidil, míreanna, agus liostaí. Ar deireadh, tá cruinneas a OCR optamaithe do théacs clóite agus lámhscríofa araon.
Sampla Glao Document AI
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Anailís a dhéanamh ar PDF le Document AI
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "Extract the full content of this document while preserving the structure."
},
{
"type": "document_url",
"document_url": "https://example.com/annual-report.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Is é an difríocht idir é seo agus gach rud a scríobh tú go dtí seo ná an cineál eiliminte: document_url in ionad image_url, arna léamh ag múnla comhrá caighdeánach (mistral-small-latest i ndoiciméadú Mistral). Ní mór nach mó ná 50 MB an doiciméad agus nach mó ná 1,000 leathanach ann. Chun cuid de thuairisc bhliantúil 300 leathanach a phróiseáil amháin, úsáid an críochphointe OCR (client.ocr.process) ina bhfuil na paraiméadair pages agus image_limit ag teorannú na hoibre.
Cathain Document AI a Úsáid in ionad an API Fís
| Riachtanas | API Fís | Document AI |
|---|---|---|
| Grianghraf d’fhactúra | Leordhóthanach | Ró-mhór |
| PDF 50 leathanach | Gan tacaíocht | Ideálach |
| Tábla neadaithe casta | Neasach | Cruinn |
| Scáileán idirghabhála | Ideálach | Ní oiriúnach |
| Doiciméad lámhscríofa | Bunúsach | Optamaithe |
Cuimhnigh ar an riail ghinearálta: úsáid an API Fís do rud a rugadh mar íomhá, agus Document AI do rud a rugadh mar dhoiciméad.
Fís + Glao Feidhme
Go dtí seo, fuair do chód freagra agus chinntigh tú cad a dhéanfá leis. Aisiompaíonn an glao feidhme an gaol seo: soláthraíonn tú liosta de ghníomhartha atá ar fáil don mhúnla, agus roghnaíonn sé cé acu ceann a ghlaofar bunaithe ar an íomhá. Is é seo an eochair chun gníomhairí físe neamhspleácha a thógáil.
Tá ceithre chéim sa timthriall:
- Seolann tú íomhá + sainmhínithe feidhme
- Déanann an múnla anailís ar an íomhá agus cinneann sé cé feidhm a ghlaofar
- Feidhmíonn tú an fheidhm agus filleann tú an toradh
- Cumaidh an múnla freagra deiridh
Sampla: Gníomhaire Próiseála Factúraí
Breathnaigh ar rannóg cuntasaíochta a fhaigheann factúirí tríd an bpost. Tá dhá thoradh féideartha ann: tá an fhactúra bailí agus ní mór í a thaifeadadh, nó tá ainrialtacht inti agus ní mór í a bhratachú. Mar sin, sainímid dhá uirlis, lena bparaiméadair agus a réimsí riachtanacha.
import json
# Sainigh na huirlisí atá ar fáil
uirlisí = [
{
"type": "function",
"function": {
"name": "enregistrer_facture",
"description": "Enregistre une facture dans le système comptable",
"parameters": {
"type": "object",
"properties": {
"emetteur": {"type": "string", "description": "Nom de l'émetteur"},
"numero": {"type": "string", "description": "Numéro de facture"},
"date": {"type": "string", "description": "Date d'émission (YYYY-MM-DD)"},
"montant_ttc": {"type": "number", "description": "Montant TTC en euros"},
"tva": {"type": "number", "description": "Montant de la TVA"}
},
"required": ["emetteur", "numero", "date", "montant_ttc"]
}
}
},
{
"type": "function",
"function": {
"name": "signaler_anomalie",
"description": "Signale une anomalie sur une facture (doublons, montants incohérents)",
"parameters": {
"type": "object",
"properties": {
"type_anomalie": {"type": "string"},
"description": {"type": "string"}
},
"required": ["type_anomalie", "description"]
}
}
}
]
# Seol an íomhá leis na huirlisí
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "Vous êtes un assistant comptable. Analysez les factures et utilisez les outils appropriés."
},
{
"role": "user",
"content": [
{"type": "text", "text": "Traitez cette facture."},
{"type": "image_url", "image_url": encoder_image("factures/facture-2024-0042.jpg")}
]
}
],
tools=uirlisí,
tool_choice="auto"
)
# Láimhseáil an glao feidhme
if response.choices[0].message.tool_calls:
glao = response.choices[0].message.tool_calls[0]
ainm_feidhme = glao.function.name
argóintí = json.loads(glao.function.arguments)
print(f"Fonction appelée : {ainm_feidhme}")
print(f"Arguments : {json.dumps(argóintí, indent=2, ensure_ascii=False)}")
Déan an réimse description do gach feidhm a chruthú go cúramach: braitheann an múnla a rogha air seo, ní ar an ainm. Cruthaíonn cur síos doiléir gníomhaire a ghlaonn an fheidhm mhícheart.
Píblínte Ilmhóideacha
Codlaíonn píblíne ilmhóideach céimeanna próiseála iolracha trí fhís, téacs, agus uirlisí a chomhcheangal. Tá luach eacnamaíoch agus eagraíochtúil ann: úsáideann gach céim go díreach an múnla is gá.
Sampla: Píblíne Próiseála Poist
Meascann post isteach do FBManna factúirí, meastacháin, conarthaí, agus fógraíocht. Costas beag is ea iad a aicmiú; costais níos mó is ea iad a anailísiú go mion. Mar sin, tosaíonn an phíblíne le sórtáil ag baint úsáide as múnla éadrom, agus ní ghlaonn sé ar Large ach ar dhoiciméid a thugann údar leis.
def píblíne_poist(cosán_íomhá):
"""Píblíne iomlán: aicmiú -> eastóscadh -> gníomh."""
# Céim 1: Aicmiú (múnla éadrom)
aicmiú = client.chat.complete(
model="mistral-small-latest",
response_format={"type": "json_object"},
messages=[{
"role": "user",
"content": [
{"type": "text", "text": 'Classifiez ce document : {"type": "facture|devis|contrat|courrier|autre", "urgence": "haute|moyenne|basse"}'},
{"type": "image_url", "image_url": encoder_image(cosán_íomhá)}
]
}]
)
eolas = json.loads(aicmiú.choices[0].message.content)
print(f"Cineál : {eolas['type']} | Éigeandáil : {eolas['urgence']}")
# Céim 2: Eastóscadh mion (múnla cumhachtach, ach amháin más gá)
if eolas["type"] == "facture":
eastóscadh = client.chat.complete(
model="mistral-large-latest",
response_format={"type": "json_object"},
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "Extrayez toutes les données de cette facture en JSON : emetteur, numero, date, lignes, total_ht, tva, total_ttc."},
{"type": "image_url", "image_url": encoder_image(cosán_íomhá)}
]
}]
)
sonraí = json.loads(eastóscadh.choices[0].message.content)
return {"aicmiú": eolas, "sonraí": sonraí}
# Céim 3: Achoimre do chineálacha eile
achoimre = client.chat.complete(
model="mistral-small-latest",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "Résumez le contenu de ce document en 3 phrases maximum."},
{"type": "image_url", "image_url": encoder_image(cosán_íomhá)}
]
}]
)
return {"aicmiú": eolas, "achoimre": achoimre.choices[0].message.content}
# Grupa litreacha a phróiseáil
from pathlib import Path
do chomhad i sortáilte(Path("courrier/").glob("*.jpg")):
print(f"\n--- {comhad.ainm} ---")
toradh = píblíne_poist(comhad)
print(json.dumps(toradh, indent=2, ensure_ascii=False))
I mbaisc ina bhfuil factúra amháin as gach cúigear, ní fheiceann ceithre cinn as gach cúig dhoiciméad an múnla daor riamh, don cháilíocht chríochnaithe chéanna.
Achoimre an Chúrsa
Thar na 12 cheacht seo, d’aistrigh tú ó mheicníocht go feidhmchlár. Ar dtús, thuig tú an ailtireacht ilmhóideach agus cad a tharlaíonn i ndáiríre nuair a théann íomhá isteach sa mhúnla, ansin d’fhoghlaim tú an leagan oiriúnach do d’ualach oibre a roghnú – Large, Small, nó Ministral. Ansin, d’fhoghlaim tú íomhánna a sheoladh trí URL agus Base64, go haonair nó i mbaisc. Ar an mbunús seo, rinne tú ionsaí ar na húsáidí a dhéanann suas an chuid is mó den obair fhíor: cairteacha a anailísiú, téacs a léamh trí OCR, sonraí struchtúrtha a eastóscadh, íomhánna a chur i gcomparáid le haghaidh rialaithe cáilíochta agus rianú forbartha. Ar deireadh, d’fhoghlaim tú do ghlaochtaí a optamú le haghaidh costais, laithis, agus iontaofachta, agus fís a chomhtháthú i bpíblínte níos mó buíochas leis an nglao feidhme.
Céimeanna Eile
Síneann ceithre threo an cosán seo go nádúrtha. Ar dtús, Document AI, a láimhseálann OCR 4 doiciméid nach féidir leis an API Fís a thacú leo. Ina dhiaidh sin, gníomhairí, ag comhcheangal físe agus glao feidhme chun córais a thógáil a dhéanann cinntí agus a ghníomhaíonn. Ansin, fine-tuning, má tá saintréithe ag do chuid íomhánna nach bhfuil ar eolas ag aon mhúnla ginearálta – catalóg páirteanna tionsclaíocha, foirm inmheánach. Ar deireadh, an Batch API, deartha chun na mílte íomhá a phróiseáil ar chostas laghdaithe nuair nach bhfuil am freagartha criticiúil. Sa téarma fada, osclóidh cumais ilmhóideacha casta an bealach do fhíseán agus fuaime nuair a bheidh siad ar fáil.
Príomhphointí
- Is comhlánú nádúrtha é Document AI (OCR 4) don API Fís do dhoiciméid chasta agus PDFanna
- Tiontaíonn an glao feidhme fís ina gníomhaire neamhspleách atá in ann gníomhú ar shonraí eastósctha
- Comhcheanglaíonn píblíne ilmhóideach aicmiú (Small) agus eastóscadh (Large) chun cáilíocht agus costas a optamú
- Is bloc tógála bunúsach é API Fís Mistral chun feidhmchláir AI nua-aimseartha a thógáil
Tástáil do Chuid Eolais
Fís tríd an API: cúig cheist chun an phíblíne a dhaingniú.
1. Conas a sheolann tú íomhá chuig API Mistral?
Freagra: Trí URL nó Base64-chódaithe, i dteachtaireacht le hábhar measctha téacs + íomhá – agus is féidir le híomhánna iolracha taisteal sa teachtaireacht chéanna le haghaidh comparáide.
2. Cad a chuireann fís ar fáil thar cur síos?
Freagra: Anailís chairte, OCR (téacs a thras-scríobh ó íomhánna), agus eastóscadh sonraí struchtúrtha – déantar foinse sonraí den íomhá, ní léaráid.
3. Conas a dhéanann tú eastóscadh struchtúrtha ó íomhá iontaofa?
Freagra: Sonraigh an scéma ionchais go beacht (réimsí, formáid), iarr iomláine nó admháil easpa, agus fíorigh luachanna criticiúla – déantar leid ar fhís mar a dhéantar ar théacs.
4. Cad iad na teorainneacha ar chóir duit cuimhneamh orthu?
Freagra: Coinníonn cáilíocht na híomhá gach rud faoi smacht (taifeach, géire); cuireann téacs an-bheag agus leaganacha amacha casta strain ar an múnla – optamaigh an t-ionchur sula gciontaíonn tú an t-aschur.
5. Cad iad na leanúintí nádúrtha don chúrsa seo?
Freagra: Document AI do dhoiciméid iomlána, glao feidhme chun eastóscadh a nascadh le do chórais, agus píblínte ilmhóideacha a chomhcheanglaíonn é go léir.
URL nó Base64, leideanna beachta, ionchuir chúramacha: tá an phíblíne físe réidh – comhtháthaíonn na céimeanna eile i do fheidhmchláir í.