Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Uvod u Document AI

Lekcija 1 od 16 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Zašto Document AI mijenja pravila igre
  2. Tri servisa Document AI-ja
  3. Tradicionalni OCR naspram Document AI-ja
  4. Strukturirani Markdown izlaz
  5. Što ćeš naučiti
  6. Ključne točke

Ažurirano 2. studenoga 2026. — OCR. OCR 4.0 (mistral-ocr-4-0) povučen je iz upotrebe 30. rujna 2026. Koristi OCR 4.1 (mistral-ocr-4-1), koji je općenito dostupan od 31. kolovoza po istoj cijeni, ili alias mistral-ocr-latest, koji na njega pokazuje od 16. srpnja. OCR 4.1 dodaje ocjene pouzdanosti na razini blokova.

Zašto Document AI mijenja pravila igre

Svako jutro osiguravajuće društvo zaprimi stotine obrazaca za odštetne zahtjeve: skenirane dokumente nagnute pod čudnim kutovima, rukom pisana izvješća ispunjena olovkom i fotografije računa snimljene mobitelom. Banke se suočavaju s istim problemom kod izvoda iz računa, bolnice s medicinskim kartonima pacijenata, a državne agencije s različitim obrascima. Desetljećima je tradicionalno optičko prepoznavanje znakova (OCR) pokušavalo riješiti taj problem, često s razočaravajućim rezultatima čim rasporedi postanu složeni, kada je uključeno rukopisno pisanje ili kada dokumenti miješaju više jezika.

Mistral AI izgradio je Document AI kako bi upravljao upravo ovakvim tijekovima rada. To nije samo još jedan OCR motor: rješenje kombinira specijalizirani jezični model vizije (VLM) sa strukturiranom ekstrakcijom i mogućnostima dokumentne inteligencije. Drugim riječima, on ne čita samo znakove; rekonstruira dokument onako kako je organiziran i omogućuje ti da ga nakon toga upitaš.

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

Tri servisa Document AI-ja

Document AI oslanja se na tri komplementarna servisa, kojima se pristupa putem Mistral API-ja. Važno je odmah razumjeti kako se oni međusobno povezuju.

Prvi, OCR Processor, srce je sustava. Model mistral-ocr-latest (OCR 4) ekstrahira tekst iz skeniranih dokumenata, PDF-ova, slika i prezentacija. Dok ti klasični OCR poput Tesseracta daje zbrku linija, ovaj model čuva strukturu: naslove, odlomke, tablice, popise i hiperveze. Uzmi ponovno onaj obrazac za odštetni zahtjev: dobivaš natrag obrazac s identificiranim odjeljcima, a ne blok teksta koji moraš raspetljavati.

Drugi servis, Document Annotations, preuzima stvar kako bi ekstrahirao podatke spremne za akciju. Definiraš Pydantic shemu—ime pacijenta, iznos računa, klauzule ugovora—a model automatski popunjava ta polja. Prelaziš s čitljivog teksta na tipizirane vrijednosti koje informacijski sustav može progutati.

Treći, Document QnA, kombinira OCR s Mistral LLM-om kako bi ti omogućio postavljanje pitanja na prirodnom jeziku o sadržaju. To odvjetniku omogućuje da pita: „Koji je otkazni rok?“ umjesto da ponovno čita četrdeset stranica. To je također prirodan način za pristup velikim arhivama ili usporedbu izvješća.

Tradicionalni OCR naspram Document AI-ja

Tradicionalni OCR, bilo da je riječ o Tesseractu ili Adobe Acrobatu, radi prepoznavanjem uzoraka piksel po piksel. Taj princip dobro funkcionira na oštroj tiskanoj stranici, ali se raspada čim izađeš iz tog idealnog slučaja. Novine s više stupaca, ugniježđenim zaglavljima i ilustriranim bočnim stupcima proizvode tekst u kojem redoslijed čitanja više nema smisla. Rukom pisane bilješke liječnika ili ručno ispunjeni obrasci ostaju mu nečitljivi. Tablice sa spojenim ćelijama, nedostajućim rubovima ili nepravilnim poravnanjima gube svaku vezu između stupaca i redaka. Dodaj li dokument koji miješa latinično, arapsko i azijsko pismo ili bučan, nagnut, zamućen sken, stopa pogrešaka postaje neprihvatljiva.

Document AI gradi se na fino podešenom modelu vizije (VLM) koji razumije semantiku dokumenata. On ne prepoznaje samo znakove: on shvaća strukturu, kontekst i odnose između elemenata. Ova temeljna razlika u prirodi, a ne samo jednostavan dobitak u točnosti, objašnjava njegove rezultate u teškim slučajevima.

Strukturirani Markdown izlaz

Još jedna ključna razlika: Document AI proizvodi strukturirani Markdown, a ne običan tekst. Svaka se stranica vraća s označenim tekstualnim sadržajem—naslovima, popisima, odlomcima—njene tablice formatirane u Markdownu ili HTML-u, ekstrahirane slike popraćene svojim položajem, očuvane hiperveze i, ako želiš, zaglavlja i podnožja izolirana od tijela dokumenta. Ovaj izlaz spreman je za upotrebu: možeš ga indeksirati u vektorsku bazu podataka za RAG, arhivirati ga ili prikazati kakav jest, bez međukoraka čišćenja.

S ulazne strane, servis pokriva PDF-ove (skenirane i izvorne), slike u formatima PNG, JPEG i AVIF, prezentacije PPTX i dokumente DOCX. Maksimalna veličina datoteke iznosi 50 MB, s ograničenjem od 1.000 stranica—dva ograničenja koja trebaš imati na umu prilikom dijeljenja svojih serija.

Što ćeš naučiti

Tečaj slijedi redoslijed triju servisa. Lekcije od 1 do 3 pokrivaju pregled, model OCR 4 i slučajeve upotrebe. Lekcije od 4 do 8 dublje ulaze u OCR: API, Python kod, tablice, zaglavlja i podnožja te optimizaciju točnosti. Lekcije od 9 do 12 bave se anotacijama, od ekstrakcije metapodataka do serijske obrade. Lekcije od 13 do 16 obrađuju Document QnA, od pojedinačnih dokumenata do postavki s više dokumenata, sve do integracije RAG-a i proizvodnih cjevovoda.

Ključne točke

  • Document AI kombinira OCR, strukturirane anotacije i QnA u jedinstvenom rješenju
  • Model OCR 4 daleko nadmašuje tradicionalna OCR rješenja u točnosti i fleksibilnosti
  • Strukturirani Markdown izlaz olakšava integraciju u tvoje postojeće cjevovode
  • Tri komplementarna servisa pokrivaju cijeli životni ciklus dokumenta