Document AI – Felhasználási esetek
Ezen az oldalon
Frissítés: 2026. november 2. – OCR. Az OCR 4.0 (
mistral-ocr-4-0) szolgáltatást 2026. szeptember 30-án megszüntették. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta általánosan elérhető ugyanazon az áron, vagy amistral-ocr-latestaliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat is biztosít.
Valós alkalmazások az iparágakban
A Document AI többet nyújt, mint puszta szövegkinyerés. Az OCR, az annotációk és a QnA (kérdés-válasz) kombinációja teszi értékessé a szolgáltatást, mivel lefedi a dokumentumok teljes életciklusát a beérkezéstől a hasznosításig. Ebben a leckében végigvesszük a leggyakoribb felhasználási eseteket szektoronként, feltüntetve, hogy mely szolgáltatások vesznek részt az egyes lépésekben. Ez a megkülönböztetés már a kezdetektől fontos, mivel minden egyes hozzáadott szolgáltatás költséget és késleltetést jelent.
| Iparág | Felhasználási eset | Használt szolgáltatások |
|---|---|---|
| Pénzügy és bankügy | Automatizált KYC, kivonatok kinyerése, megfelelés | OCR + Annotációk |
| Egészségügy | Betegnyilvántartások, kézírással kitöltött receptek, orvosi jelentések | OCR + Annotációk + QnA |
| Jogi szektor | Szerződéselemzés, záradékok kinyerése, due diligence | OCR + QnA |
| Biztosítás | Kárigények feldolgozása, nyilatkozati űrlapok | OCR + Annotációk |
| Logisztika | Szállítólevelek, vámokmányok, raktári ellenőrzőlisták | OCR + Annotációk |
| Számvitel | Szállítói számlák, költségtérítési elszámolások, bankszámla-egyeztetés | OCR + Annotációk |
| Közszféra | Levéltári digitalizálás, adminisztratív űrlapok | OCR |
| Gyártás | Műszaki adatlapok, minőségi tanúsítványok, ellenőrzési jelentések | OCR + QnA |
Pénzügy és bankügy: Automatizált KYC
Az ügyfél-onboarding a legkeresettebb felhasználási eset, mivel ismétlődő, szabályozott és időigényes folyamat. A „Know Your Customer“ (KYC – Ügyfélismeret) eljárás mindig ugyanazon a sorrenden alapul:
- Személyi okmányok beolvasása: Útlevél, személyi igazolvány, vezetői engedély
- OCR-kinyerés: Keresztnév, vezetéknév, születési dátum, okmányszám
- Strukturált annotációk: Mezővalidálás Pydantic séma segítségével
- Keresztellenőrzés: Automatikus összehasonlítás a belső adatbázisokkal
- Dúsított archiválás: A dokumentum indexelése és lekérdezhetővé tétele QnA segítségével
Ami korábban egy megfelelési tisztviselőnek több órát vett igénybe, az most fájlonként másodpercek alatt elkészül. Az ügynök csak a gyanúsként megjelölt esetekben avatkozik be.
Egészségügy: Betegnyilvántartások és receptek
Az egészségügyi szektor hatalmas mennyiségű dokumentumot generál, amelyek jelentős része még mindig kézírással készül. A gyakran olvashatatlannak vélt kézírással kitöltött recepteket a modell helyesen írja át akkor is, ha a kezelőorvos latin kifejezéseket kever a helyi nyelvvel. A hagyományos OCR-motorok számára régóta fejfájást okozó pipálós űrlapok logikai (boolean) válaszait figyelemreméltó pontossággal nyeri ki. Az orvosi jelentéseknél a modell azonosítja a beteg személyazonosságát, a diagnózist és a felírt gyógyszereket.
Egy viselkedésmódot érdemes kiemelni, mivel ez határozza meg, mennyire bízhatsz a rendszerben: ha egy mező hiányzik a dokumentumból – például egy fel nem sorolt telefonszám –, a modell jelzi ezt a hiányt ahelyett, hogy kitalálna egy hihető értéket. Ez pontosan az ellentéte az általános célú modellek reflexének, és ez teszi lehetővé a kinyerés emberi ellenőrzés nélküli használatát.
Jogi szektor: Szerződések elemzése nagy léptékben
Ügyvédi irodák és jogi osztályok elsősorban a záradékok kinyerését és a QnA-t használják. Az első felhasználási eset magában foglalja a felmondási, versenytilalmi vagy titoktartási záradékok automatikus azonosítását egy dokumentumtörzsben, ezzel a manuális átvizsgálást támogatott triázssá alakítva. A második a due diligence során ragyog: amikor egy felvásárlás több száz szerződést érint, természetes nyelven kérdezed le a dokumentumtörzset ahelyett, hogy mindent végigolvasnál, és csak a keresés által felszínre hozott dokumentumokat vizsgálod meg részletesen.
Számvitel: Számlafeldolgozás
Ez a legérettebb felhasználási eset, és gyakran ez az első, amelyet bevezetnek. Minden azon múlik, hogy van egy Pydantic sémád, amely pontosan leírja, mit szeretnél kinyerni:
from pydantic import BaseModel, Field
class Invoice(BaseModel):
vendor: str = Field(..., description="Vendor name")
invoice_number: str = Field(..., description="Invoice number")
date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
amount_incl_tax: float = Field(..., description="Amount including tax in euros")
vat_amount: float = Field(..., description="VAT amount in euros")
Ha ezt átadod az Annotations API-nak, a séma minden beolvasott számlából kinyeri a mezőket anélkül, hogy előzetesen konfigurálnod kellene a szállítói számlasablonokat. Figyeld meg a leírásokra és a típusokra fordított gondosságot: ez jelzi a modellnek, hogy az összeget számként kell visszaadnia, a dátumot pedig YYYY-MM-DD formátumban, nem pedig abban az alakban, ahogy a papíron szerepel.
Logisztika, levéltárak és a közszféra
A logisztikában a naponta feldolgozott ezer számú szállítólevél, fuvarlevél és vámokmány lehetővé teszi a feladó és a címzett adatainak automatikus kinyerését, a képeken található vonalkódok és követési számok olvasását, valamint a gyakran gyűrött adathordozókon kézzel kitöltött raktári ellenőrzőlisták digitalizálását.
A levéltári digitalizálás speciális eset. Itt a dokumentumok régiek, néha rossz állapotúak, 19. vagy 20. századi kézírással készültek, olyan tipográfiával és megfogalmazással, amelyek már nincsenek használatban. Az OCR 4 a vizuális megértésének köszönhetően jobban kezeli ezeket, mint a hagyományos OCR-motorok, de légy realista a korlátokkal kapcsolatban: a pontosság drasztikusan csökken a súlyosan sérült tételeknél, és minden komoly levéltári projekt tartalmaz egy emberi ellenőrzési fázist.
A szabványos élesítési munkafolyamat
Függetlenül a szektortól, a folyamat hasonlóan néz ki: a dokumentum bevétele beolvasás, feltöltés vagy e-mail útján; OCR a szöveg és a szerkezet kinyerésére a mistral-ocr-latest segítségével; annotációk a strukturált adatok előállításához az üzleti sémád szerint; a dúsított Markdown indexelése egy vektoradatbázisba vagy SQL-adatbázisba; majd a hasznosítás keresés, QnA, riportkészítés vagy munkafolyamat-automatizálás útján. Ha projektet tervezel, vázold fel ezt az öt lépést, mielőtt egyetlen sor kódot is írnál: ezek határozzák meg, hol tárolod az adatokat, mit játszasz vissza hiba esetén, és mit számlázol ki.
Főbb megállapítások
- A Document AI minden olyan szektorra alkalmazható, amely dokumentumokat kezel
- A szabványos munkafolyamat: bevitel, OCR, annotációk, indexelés, hasznosítás
- A Pydantic annotációk lehetővé teszik, hogy pontosan azt az adatot nyerd ki, amire szükséged van
- A QnA lehetővé teszi, hogy indexelés után természetes nyelven kérdezd le a dokumentumokat
- Mindhárom szolgáltatás kombinációja végpontok közötti dokumentummegoldást hoz létre