Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Document AI – Felhasználási esetek

3. lecke 16 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Valós alkalmazások az iparágakban
  2. Pénzügy és bankügy: Automatizált KYC
  3. Egészségügy: Betegnyilvántartások és receptek
  4. Jogi szektor: Szerződések elemzése nagy léptékben
  5. Számvitel: Számlafeldolgozás
  6. Logisztika, levéltárak és a közszféra
  7. A szabványos élesítési munkafolyamat
  8. Főbb megállapítások

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 a mistral-ocr-latest aliast, 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:

  1. Személyi okmányok beolvasása: Útlevél, személyi igazolvány, vezetői engedély
  2. OCR-kinyerés: Keresztnév, vezetéknév, születési dátum, okmányszám
  3. Strukturált annotációk: Mezővalidálás Pydantic séma segítségével
  4. Keresztellenőrzés: Automatikus összehasonlítás a belső adatbázisokkal
  5. 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