Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Uvod u Document AI i pametni OCR

Lekcija 9 od 14 Ažurirano 2. studenoga 2026. Početnik
Na ovoj stranici
  1. Mnogo više od običnog čitača dokumenata
  2. Zašto klasični OCR nije bio dovoljan
  3. OCR 3 u brojkama
  4. Kako se razlikuje od Vibeovog Visiona?
  5. Ključne točke

Ažuriranje 2. studenoga 2026. — Le Chat postaje Vibe. Od 28. svibnja 2026., Le Chat je rebrendiran u Vibe (i dalje na chat.mistral.ai): jedinstveni agent za posao i kodiranje koji zadržava tvoje razgovore, postavke i pretplate. Legacy iskustvo Le Chata ostaje dostupno u načinu Chat; u načinu Work, agenti su postali vještine (pozivaju se s @), memorije čine bazu znanja, a dubinsko pretraživanje sada je vještina Deep Research. Planovi se sada nazivaju Mistral Free, Pro, Team i Enterprise. Ova lekcija koristi naziv Vibe; neki izbornici opisani ovdje možda su promijenili nazive ili lokacije.

Mnogo više od običnog čitača dokumenata

U odjeljku Vision vidio/la si da Vibe može čitati tekst na slici. No, kada je riječ o obradi složenih dokumenata — višestraničnog PDF-a, skeniranog obrasca, financijskog izvješća prepunog ugniježđenih tablica — potreban ti je specijalizirani alat. Upravo to nudi Mistralov Document AI, pokretan engineom OCR 3. Ova lekcija postavlja temelje cijelog odjeljka: razumijevanje što je OCR, kako Mistralov pristup prekida s klasičnim rješenjima i, što je najvažnije, kada ga koristiti umjesto Visiona.

OCR je kratica za Optical Character Recognition (optičko prepoznavanje znakova). To je tehnologija koja pretvara sliku koja sadrži tekst — bilo da je riječ o skenu, fotografiji ili PDF-u temeljenom na slici — u upotrebljiv digitalni tekst: tekst koji možeš kopirati, pretraživati ili analizirati poput bilo kojeg izvorno digitalnog dokumenta. Ulozi su svakodnevni: sjeti se one računa koje ti je kolega poslao kao fotografiju ili onog ugovora skeniranog prije deset godina u kojem trebaš pronaći određenu klauzulu. Bez OCR-a, ti su dokumenti nijeme slike.

Zašto klasični OCR nije bio dovoljan

OCR postoji već desetljećima, no tradicionalna rješenja — Tesseract je najpoznatiji primjer — patila su od značajnih ograničenja koja dobro poznaje svatko tko je ikada skenirao dokument. Raspored se gubio: tekst je izlazio zbrkan, ignorirajući strukturu dokumenta, pretvarajući pažljivo organizirano izvješće u kašu odlomaka. Tablice su se ignorirale, stupci i redci miješali do te mjere da su podaci postajali neupotrebljivi. Rukopis je ostao gotovo nemoguć za čitanje. Višejezični dokumenti davali su loše rezultate čim bi se izašlo iz okvira engleskog jezika. A slike ugrađene u tekst — grafikoni, dijagrami — jednostavno su se ignorirale.

Mistralov engine OCR 3 potpuno mijenja pravila igre, a razlog leži u njegovoj arhitekturi. Umjesto korištenja klasičnih tehnika prepoznavanja znakova, oslanja se na multimodalni jezični model (VLM) specifično obučen za razumijevanje dokumenata. Razlika je temeljna: klasični OCR prepoznaje pojedinačne znakove i pokušava ih sastaviti u riječi, baš kao netko tko dešifrira slovo po slovo bez razumijevanja rečenice. Mistralov OCR pokretan umjetnom inteligencijom, nasuprot tome, razumije dokument kao cjelinu — njegovu strukturu, sadržaj i kontekst. Suočen s djelomično izbrisanom riječi, može je zaključiti iz konteksta, baš kao što bi to učinio ljudski čitatelj.

U praksi, Document AI izvlači tekst iz PDF-ova, slika i skeniranih dokumenata uz očuvanje izvornog rasporeda. Rekonstruira tablice s njihovim zaglavljima, stupcima i podacima, isporučujući čist Markdown. Čita rukopis — liječničke bilješke, ručno popunjene obrasce, rubne anotacije. Obrađuje višejezične dokumente s visokom točnošću na mnogim jezicima, opisuje slike i grafikone sadržane u dokumentu generiranjem tekstualnih natpisa te dovoljno dobro razumije kontekst da odgovori na pitanja o sadržaju.

OCR 3 u brojkama

Što se tiče performansi, engine isporučuje vrhunsku točnost na referentnim testovima za prepoznavanje teksta, rukopisa i tablica. Obrađuje do 2.000 stranica u minuti na jednom GPU-u — dovoljno za unos cijelih arhiva. Prihvaća više formata: PDF, Word, skenirane slike i fotografije različite kvalitete. A njegov izlaz je strukturiran: rezultat je čist Markdown s referenciranim slikama, a ne sirovi tekst koji zahtijeva doradu.

Kako se razlikuje od Vibeovog Visiona?

Možda se pitaš: „Zašto jednostavno ne učitam svoj PDF u Vibe i ne koristim Vision?“ To je opravdano pitanje, a odgovor strukturira tvoj cijeli tijek rada. Vibeov Vision, obrađen u prvom odjeljku ovog tečaja, savršen je za analizu jedne izolirane slike — fotografije, grafikona, snimke zaslona. No, za višestranične dokumente sa složenim rasporedom, Document AI nudi odlučujuće prednosti: obradu stranica po stranicu s rekonstrukcijom ukupne strukture dokumenta, vjerno izvlačenje tablica prema izvorniku umjesto približne procjene, anotacije i metapodatke koje možeš eksplicitno zatražiti — autor, datum, iznosi — te stvarno pitanje i odgovor o dokumentu preko dugih dokumenata.

Zapamti ovo pravilo palca: za jednu sliku s tekstom, Vision je dovoljan; za višestranični dokument koji želiš dubinski analizirati, angažiraj Document AI. Advokat koji fotografira klauzulu da bi mu se objasnila koristi Vision; isti taj advokat koji učitava cijeli ugovor od 40 stranica kako bi revidirao njegove obveze koristi Document AI.

U sljedećim lekcijama ovog odjeljka naučit ćeš kako učitati PDF u Vibe i dobiti automatsko izvlačenje, izvući strukturirane podatke — tablice, zaglavlja, brojke — iz bilo kojeg dokumenta, a zatim postavljati pitanja o sadržaju dokumenta kako bi dobio/la precizne odgovore.

Ključne točke

  • Document AI je Mistralovo rješenje za pametnu obradu dokumenata, pokretano OCR-om 3
  • Za razliku od klasičnog OCR-a, OCR 3 razumije strukturu i kontekst dokumenta
  • Rukuje tablicama, rukopisom, višejezičnim dokumentima i ugrađenim slikama
  • Za jednostavnu sliku koristi Vision; za složeni dokument koristi Document AI
  • Obrada je brza: do 2.000 stranica u minuti