Bevezetés a Document AI-ba
Ezen az oldalon
Frissítve: 2026. november 2. — OCR. Az OCR 4.0 (
mistral-ocr-4-0) szolgáltatást 2026. szeptember 30-án megszüntettük. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta ugyanazon az áron általánosan elérhető, vagy amistral-ocr-latestaliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat is biztosít.
Miért változtatja meg a játékot a Document AI?
Minden reggel egy biztosítótársaság százai igénylőlapokat kap: ferde szögben beolvasott dokumentumokat, tollal kitöltött kézírással készült jelentéseket és telefonnal lefotózott számlákat. A bankok ugyan ezzel a problémával küzdenek a kivonatokkal, a kórházak a betegnyilvántartásokkal, a kormányzati szervek pedig az űrlapokkal. Évtizedek óta a hagyományos optikai karakterfelismerés (OCR) próbálja megoldani ezt a gondot, gyakran csalódást keltő eredményekkel, amint az elrendezés összetetté válik, kézírást tartalmaz, vagy a dokumentumok több nyelvet kevernek.
A Mistral AI kifejezetten ilyen munkafolyamatok kezelésére építette fel a Document AI-t. Ez nem csupán egy újabb OCR-motor: a megoldás egy specializált látási nyelvi modellt (VLM) kombinál strukturált kinyerési és dokumentumelemző képességekkel. Más szóval: nemcsak a karaktereket olvassa be, hanem újjáépíti a dokumentumot annak szervezeti felépítése szerint, majd lehetővé teszi, hogy utólag lekérdezd azt.
A három Document AI szolgáltatás
A Document AI három egymást kiegészítő szolgáltatásra épül, amelyek mind elérhetők a Mistral API-n keresztül. Már az elején érdemes megérteni, hogyan kapcsolódnak ezek egymáshoz.
Az első, az OCR Processzor, a rendszer magja. A mistral-ocr-latest modell (OCR 4) szöveget von ki beolvasott dokumentumokból, PDF-ekből, képekből és prezentációkból. Míg egy klasszikus OCR, mint például a Tesseract, csak sorok zavaros halmazát adja vissza, ez a modell megőrzi a struktúrát: címsorokat, bekezdéseket, táblázatokat, listákat és hivatkozásokat. Vegyük újra azt a biztosítási igénylőlapot: a formanyomtatványt visszakapod azonosított szakaszokkal, nem pedig egy szövegtömbbel, amelyet neked kell szétbogoznod.
A második szolgáltatás, a Dokumentum-annotáció, veszi át a stafétát a cselekvőképes adatok kinyeréséhez. Megadsz egy Pydantic sémát – például beteg neve, számla összege, szerződési feltételek –, és a modell automatikusan kitölti ezeket a mezőket. Így a olvasható szövegből olyan típusozott értékeket kapsz, amelyeket egy informatikai rendszer közvetlenül fel tud dolgozni.
A harmadik, a Dokumentum QnA (Kérdés-Válasz), az OCR-t egy Mistral LLM-mel ötvözi, hogy természetes nyelven tehess fel kérdéseket a tartalommal kapcsolatban. Ez teszi lehetővé, hogy egy ügyvéd azt kérdezze: „Mennyi a felmondási idő?“ ahelyett, hogy újraolvasna negyven oldalt. Ez a természetes módja annak is, hogy hozzáférj nagy archívumokhoz, vagy összehasonlíts jelentéseket.
Hagyományos OCR vs. Document AI
A hagyományos OCR, legyen az Tesseract vagy Adobe Acrobat, képponról képpontra történő mintafelismeréssel dolgozik. Ez az elv jól működik éles nyomtatott oldalakon, de amint kilépsz ebből az ideális esetből, összeomlik. Egy többoszlopos újság, beágyazott fejlécekkel és illusztrált oldalsávokkal olyan szöveget eredményez, ahol az olvasási sorrend már nem értelmezhető. Az orvosok kézzel írt jegyzetei vagy a kézzel kitöltött űrlapok számára olvashatatlanok maradnak. Az egyesített cellákat, hiányzó szegélyeket vagy szabálytalan igazításokat tartalmazó táblázatokban elveszik az oszlopok és sorok közötti összefüggés. Adj hozzá egy dokumentumot, amely latin, arab és ázsiai írásjeleket kever, vagy egy zajos, ferde, elmosódott beolvasást, és a hibaráta elfogadhatatlanná válik.
A Document AI egy finomhangolt látási modellen (VLM) alapul, amely érti a dokumentumok szemantikáját. Nem csupán felismeri a karaktereket: megragadja a struktúrát, a kontextust és az elemek közötti kapcsolatokat. Ez a természetbeli alapvető különbség – nem csupán a pontosság egyszerű növekedése – magyarázza a nehéz esetekben nyújtott eredményeit.
Strukturált Markdown kimenet
Egy másik kulcsfontosságú különbség: a Document AI strukturált Markdownot állít elő, nem pedig egyszerű szöveget. Minden oldal a szöveges tartalmával együtt kerül visszaadásra, címkézve – címsorok, listák, bekezdések –, a táblázatok Markdown vagy HTML formátumban, a kinyert képek a pozíciójukkal együtt, a hivatkozások megőrizve, és ha kéred, a fejlécek és láblécek elkülönítve a törzstől. Ez a kimenet használatra kész: indexelheted egy vektoradatbázisban a RAG számára, archiválhatod, vagy változtatás nélkül megjelenítheted, köztes tisztítási lépés nélkül.
A bemeneti oldalról a szolgáltatás lefedi a PDF-eket (beolvasott és natív), a PNG, JPEG és AVIF képeket, a PPTX prezentációkat és a DOCX dokumentumokat. A maximális fájlméret 50 MB, az oldalszám felső határa pedig 1000 oldal – ezt a két korlátot tartsd észben a kötegek szétválasztásakor.
Amit tanulni fogsz
A tanfolyam a három szolgáltatás sorrendjét követi. Az 1–3. leckék az áttekintést, az OCR 4 modellt és a felhasználási eseteket fedik le. A 4–8. leckék mélyebben merülnek el az OCR-ben: az API, a Python kód, a táblázatok, a fejlécek és láblécek, valamint a pontosság optimalizálása. A 9–12. leckék az annotációkkal foglalkoznak, a metaadat-kinyeréstől a kötegelt feldolgozásig. A 13–16. leckék a dokumentum QnA-t tárgyalják, az egyes dokumentumoktól a többdokumentumos beállításokon át a RAG integrációig és az élesítési folyamatokig.
Főbb megállapítások
- A Document AI egyetlen megoldásban egyesíti az OCR-t, a strukturált annotációkat és a QnA-t
- Az OCR 4 modell pontosságban és rugalmasságban messze felülmúlja a hagyományos OCR-megoldásokat
- A strukturált Markdown kimenet megkönnyíti a meglévő folyamataidba való integrációt
- Három egymást kiegészítő szolgáltatás fedi le a dokumentumok teljes életciklusát