Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Strukturált kinyerés: táblázatok, fejlécek és numerikus adatok

11. lecke 14 közül Frissítve 2026. november 2. Kezdő
Ezen az oldalon
  1. Nyers dokumentumoktól a rendezett adatokig
  2. Táblázatok: az erősség
  3. Fejlécek, hierarchia és szerkezet
  4. Numerikus adatok, kontextussal
  5. A gyakorlatban
  6. Főbb megállapítások

Frissítés: 2026. november 2. — A Le Chat mostantól Vibe. 2026. május 28-tól a Le Chat neve Vibe lett (a cím továbbra is chat.mistral.ai): ez egyetlen ügynök a munkához és a kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökök készségekké (skills) váltak (az @ jellel hívhatók meg), az emlékezet alkotja a tudásbázist, a mély keresés pedig a Deep Research készség. Az előfizetési csomagok neve mostantól Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; egyes itt leírt menük neve vagy elhelyezkedése megváltozhatott.

Nyers dokumentumoktól a rendezett adatokig

A szöveg kinyerése egy dokumentumból jó kezdés. Az igazi érték azonban akkor jelenik meg, amikor strukturált adatokat kapsz: tiszta táblázatokat, azonosított számértékeket és osztályozott fejléceket. Ez a különbség aközött, hogy egy pénzügyi kimutatás fénymásolatát kapod meg, vagy ugyanezt a kimutatást egy használható táblázatkezelő fájlban. A Mistral Document AI kifejezetten erre a feladatra kiváló: nem csupán elolvassa a szöveget, hanem megérti a dokumentum szerkezetét, és közvetlenül használható formátumban adja vissza az információt.

Táblázatok: az erősség

A táblázatok mindenhol jelen vannak az üzleti dokumentumokban – pénzügyi kimutatások, árlisták, menetrendek, kutatási eredmények –, és történelmileg ez volt az a terület, ahol a klasszikus OCR leginkább csődöt mondott, oszlopokat és sorokat gyúrva össze kaotikus masszává. Ezzel szemben az OCR 3 motor figyelemre méltó pontossággal kezeli őket. Amikor feltöltesz egy táblázatot tartalmazó dokumentumot a Vibeba, a modell először azonosítja a táblázat határait, még akkor is, ha azok halványak vagy színesek. Ezt követően felismeri a fejléceket, megkülönbözteti őket az adatoktól, és minden cellát a megfelelő oszlopához és sorához rendel. Még a nehéz eseteket is kezeli: egyesített cellák, részösszegek, lábjegyzetek – mind klasszikus csapdák, amelyekből a rosszul konvertált táblázatokban csendes hibák lesznek.

Hogy használható eredményt kapj, szoktasd rá magad, hogy a promptodban megadod a kívánt formátumot. A „Kinyered a 3. oldal táblázatát Markdown formátumban“ utasítás egy olyan táblázatot ad, amely közvetlenül olvasható a Vibeben; a „Konvertáld ezt a táblázatot CSV-be, hogy beilleszthessem az Excelbe“ előkészíti az importálást egy táblázatkezelőbe; a „Csak az ‘Összeg’ és a ‘Dátum’ oszlopot nyerd ki“ pedig már a forrásnál szűri a szükségest. A Markdown gyakran a legpraktikusabb formátum a napi használathoz: azonnal olvasható, és könnyen másolható-beilleszthető más eszközökbe.

Fejlécek, hierarchia és szerkezet

A táblázatokon túl a Document AI képes rekonstruálni a dokumentum hierarchiáját: a címeket és alcímeket azonosítja és szintek szerint osztályozza (h1, h2, h3), a bekezdéseket egymástól megkülönbözteti még látható sortörés hiányában is, a felsorolásokat (pontozott vagy számozott) helyesen építi újra, a lábjegyzeteket pedig összekapcsolja a hivatkozásaikkal. Ez a képesség felbecsülhetetlen értékű hosszú jelentések vagy jogi dokumentumok kezelésekor, ahol a szerkezet ugyanolyan jelentéssel bír, mint maga a szöveg: annak ismerete, hogy egy klauszula a „Garanciák“ szakaszban szerepel és nem a „Egyebek“ között, megváltoztatja az értelmezését.

Így tehetsz szerkezeti jellegű kéréseket is: „Add meg ennek a dokumentumnak a tartalomjegyzékét“, „Sorold fel az összes szakaszcímet az oldalszámaikkal együtt“, vagy akár „Nyerd ki csak azokat a bekezdéseket, amelyek a garanciákról szólnak“ – ez utóbbi egyesíti a szerkezetet és a jelentést.

Numerikus adatok, kontextussal

A pénzügyi dokumentumok, árajánlatok, számlák és tevékenységi jelentések tele vannak számokkal: pénzügyi összegek (bevétel, végösszegek, ÁFA, kedvezmények), aláírási vagy esedékességi dátumok, piaci részesedési vagy árrés százalékok, valamint azonosítók, mint például számlaszámok, ügyfélhivatkozások vagy adószámok. Ami megkülönbözteti a Document AI-t, az az, hogy nem csupán kinyeri a számokat, hanem megérti a kontextusukat is. Ha azt kérdezed: „Mi az éves bevétel?“, a modell kifejezetten azt a számot keresi, amely ehhez a fogalomhoz tartozik, még akkor is, ha az egy 50 soros táblázatba van eltemetve. Egy klasszikus OCR ötven címkézetlen számot adott volna át; itt a megfelelőt kapod meg.

Ez a megértés lehetővé teszi, hogy túlmenj a puszta kinyerésen: számítást és ellenőrzést is kérhetsz. A „Helyes-e a ‘Nettó összeg’ oszlop végösszege?“ utasításra a modell újraösszead; a „Mi a különbség a tervezett és a tényleges értékek között?“ összekapcsol két oszlopot; a „Melyik költségtétel képviseli a legnagyobb részt?“ elemzéssé alakítja a táblázatot.

Haladó felhasználók számára a JSON export strukturálja a kimenetet az eszközeid számára: „Nyerd ki a következő információkat ebből a számlából JSON formátumban: szám, dátum, nettó összeg, ÁFA, bruttó összeg, szállító“ vagy „Készíts egy JSON objektumot a táblázat minden sorának adataiból.“ Ez a formátum ideális, ha az adatoknak később táblázatkezelőt, adatbázist vagy egyéb szoftvert kell táplálniuk.

A gyakorlatban

Lásd, hogyan állnak össze ezek a képességek három gyakori forgatókönyvben. Kapsz egy köteg PDF számlát: mindegyiknél kérdezd meg: „Nyerd ki ebből a számlából: a szállító nevét, a dátumot, a számlaszámot, a nettó összeget, az ÁFA-t és a bruttó összeget. Táblázat formájában“ – és máris elő van készítve a könyvelési tétel. Egy 50 oldalas éves jelentéssel állsz szemben: „Nyerd ki az összes pénzügyi táblázatot ebből a jelentésből, és jelenítsd meg Markdown formátumban. Azonosítsd a bevételt, a nettó eredményt és az üzemi eredményt.“ Két árajánlat közötti döntéshez töltsd fel mindkettőt, és kérdezd meg: „Hasonlítsd össze az árakat ebben a két árajánlatban ugyanazokért a szolgáltatásokért. Azonosítsd az árkülönbségeket.“

Néhány módszertani szabály a lezáráshoz. Légy pontos abban, mit keresel – egy adott táblázatot, egy oszlopot, egy adattípust –, és mindig add meg a kívánt kimeneti formátumot (Markdown, CSV, JSON, lista). Szkennelt dokumentumok esetén legalább 150 DPI felbontás javasolt a megbízható kinyeréshez. Ha a dokumentum nagyon sűrű, dolgozd fel oldalanként: a „Nyerd ki a 7. oldal táblázatát“ jobb eredményt hoz, mint egy globális „Nyerd ki az összes táblázatot“ utasítás. És bármilyen kritikus felhasználás esetén ellenőrizd a kinyert adatokat az eredeti dokumentummal – a kinyerés egy gyorsító, nem pedig felelősség alóli felmentés.

Főbb megállapítások

  • A Document AI hűségesen rekonstruálja a táblázatokat fejlécekkel, oszlopokkal és egyesített cellákkal
  • Kérheted a kinyerést Markdown, CSV vagy JSON formátumban az igényeid szerint
  • A modell megérti a numerikus adatok kontextusát, és képes specifikus kérdésekre válaszolni
  • A dokumentum hierarchikus szerkezete (címek, alcímek, listák) megmarad
  • Kritikus felhasználások esetén mindig ellenőrizd a kinyert adatokat