Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Bevezetés a Document AI-ba és az intelligens OCR-be

9. lecke 14 közül Frissítve 2026. november 2. Kezdő
Ezen az oldalon
  1. Sokkal több, mint egy egyszerű dokumentumolvasó
  2. Miért nem volt elég a klasszikus OCR?
  3. Az OCR 3 számokban
  4. Miben tér el a Vibe Vision funkciójától?
  5. Főbb megállapítások

Frissítés: 2026. november 2. – A Le Chatból Vibe lett. 2026. május 28. óta a Le Chat új neve Vibe (továbbra is a chat.mistral.ai címen érhető el): egyetlen ügynök munkához és kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökök készségekké (skill) váltak (a @ jellel hívhatók meg), az emlékek alkotják a tudásbázist, a mély keresés pedig a Deep Research készség lett. Az előfizetési csomagok új nevei: Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; egyes itt leírt menük neve vagy elhelyezkedése megváltozhatott.

Sokkal több, mint egy egyszerű dokumentumolvasó

A Látás (Vision) szekcióban láttad, hogy a Vibe képes szöveget olvasni egy képből. Amikor azonban összetett dokumentumok feldolgozásáról van szó – többoldalas PDF-ekről, beolvasott űrlapokról vagy beágyazott táblázatokkal teli pénzügyi jelentésekről –, speciális eszközre van szükséged. Erre szolgál pontosan a Mistral Document AI megoldása, amelyet az OCR 3 motor hajt. Ez a lecke alapozza meg az egész szekciót: megérted, mi az az OCR, miben tér el a Mistral megközelítése a klasszikus megoldásoktól, és ami a legfontosabb: mikor érdemes ezt használni a Vision helyett.

Az OCR az Optikai Karakterfelismerés (Optical Character Recognition) rövidítése. Ez a technológia alakítja át a szöveget tartalmazó képeket – legyen szó beolvasott dokumentumról, fényképről vagy képalapú PDF-ről – használható digitális szöveggé: olyanná, amelyet másolhatsz, kereshetsz vagy elemezhetsz, akárcsak egy eredendően digitális dokumentumot. A tét mindennapi: gondolj arra a számlára, amelyet egy kollégád fotóként küldött el, vagy arra a tíz éve beolvasott szerződésre, amelyben meg kell találnod egy konkrét záradékot. OCR nélkül ezek a dokumentumok némák maradnak, csupán képek.

Miért nem volt elég a klasszikus OCR?

Az OCR évtizedek óta létezik, de a hagyományos megoldások – a legismertebb példa a Tesseract – jelentős korlátokkal küzdöttek, amit bárki ismer, aki valaha is beolvasott már dokumentumot. Elveszett az elrendezés: a szöveg összekuszálódott, figyelmen kívül hagyva a dokumentum szerkezetét, így a gondosan felépített jelentésből bekezdések masszája lett. A táblázatokat figyelmen kívül hagyták, az oszlopok és sorok úgy keveredtek, hogy az adatok használhatatlanná váltak. A kézírás olvasása szinte lehetetlen maradt. A többnyelvű dokumentumok eredményei gyengék voltak, mihelyt kiléptél az angol nyelvből. A szövegbe ágyazott képeket – diagramokat, ábrákat – pedig egyszerűen ignorálták.

A Mistral OCR 3 motorja teljesen megváltoztatja a játékot, és ennek oka az architektúrájában rejlik. A klasszikus karakterfelismerési technikák helyett egy többmódusú nyelvi modellen (VLM) alapul, amelyet kifejezetten dokumentumok megértésére tanítottak be. A különbség alapvető: a klasszikus OCR egyes karaktereket ismer fel, és próbálja őket szavakká összeilleszteni, mintha valaki betűről betűre fejtené meg a szöveget anélkül, hogy értené a mondatot. Ezzel szemben a Mistral AI-alapú OCR-e a dokumentumot egészében érti meg – annak szerkezetét, tartalmát és kontextusát. Egy részben kitörölt szó láttán képes a kontextusból következtetni a hiányzó részre, pontosan úgy, ahogy egy emberi olvasó tenné.

A gyakorlatban a Document AI kinyeri a szöveget PDF-ekből, képekből és beolvasott dokumentumokból, miközben megőrzi az eredeti elrendezést. Újjáépíti a táblázatokat a fejléceikkel, oszlopaikkal és adataikkal együtt, tiszta Markdown formátumban kiadva az eredményt. Képes olvasni a kézírást is – legyen szó orvosi jegyzetekről, kézzel kitöltött űrlapokról vagy margó megjegyzésekről. Nagy pontossággal dolgoz fel többnyelvű dokumentumokat számos nyelven, leírja a dokumentumban található képeket és diagramokat szöveges feliratok generálásával, és elég jól érti a kontextust ahhoz, hogy kérdésekre is válaszoljon a tartalommal kapcsolatban.

Az OCR 3 számokban

Teljesítmény szempontjából a motor élvonalbeli pontosságot nyújt a szövegfelismerés, a kézírás és a táblázatok terén végzett benchmark tesztekben. Percenként akár 2000 oldalt is képes feldolgozni egyetlen GPU-n – ez elegendő teljes archívumok betáplálásához. Több formátumot is elfogad: PDF-et, Word dokumentumot, beolvasott képeket és változó minőségű fényképeket. A kimenete pedig strukturált: az eredmény tiszta Markdown, hivatkozott képekkel, nem pedig nyers szöveg, amelyet utólag kellene szerkeszteni.

Miben tér el a Vibe Vision funkciójától?

Felmerülhet benned a kérdés: „Miért ne tölteném fel egyszerűen a PDF-et a Vibe-ba, és használnám a Visiont?“ Jogos kérdés, és a válasz határozza meg a teljes munkafolyamatodat. A Vibe Vision funkciója, amelyet e tanfolyam első szekciójában tárgyaltunk, tökéletes egyetlen, izolált kép elemzésére – legyen az fénykép, diagram vagy képernyőkép. De a komplex elrendezésű, többoldalas dokumentumok esetén a Document AI döntő előnyöket kínál: oldalankénti feldolgozás a teljes dokumentumszerkezet újjáépítésével, az eredetihez hű táblázatkinyerés (nem csak közelítés), olyan annotációk és metaadatok, amelyeket kifejezetten kérhetsz (szerző, dátum, összegek), valamint valódi dokumentum-alapú kérdés-felelet funkció hosszú dokumentumok esetén.

Jegyezd meg ezt az ökölszabályt: egyetlen, szöveget tartalmazó képhez a Vision elegendő; egy többoldalas dokumentum mélyreható elemzéséhez viszont a Document AI-t kell igénybe venned. Egy ügyvéd, aki lefotóz egy záradékot, hogy megmagyaráztassa, a Visiont használja; ugyanez az ügyvéd, aki feltölti a teljes, 40 oldalas szerződést kötelezettségeinek auditálására, a Document AI-t használja.

A szekció következő leckéiben megtanulod, hogyan tölts fel egy PDF-et a Vibe-ba az automatikus kinyeréshez, hogyan vonj ki strukturált adatokat – táblázatokat, fejléceket, számokat – bármilyen dokumentumból, majd hogyan tegyél fel kérdéseket a dokumentum tartalmával kapcsolatban a pontos válaszok érdekében.

Főbb megállapítások

  • A Document AI a Mistral intelligens dokumentumfeldolgozási megoldása, amelyet az OCR 3 motor hajt
  • A klasszikus OCR-rel ellentétben az OCR 3 megérti a dokumentum szerkezetét és kontextusát
  • Kezeli a táblázatokat, a kézírást, a többnyelvű dokumentumokat és a beágyazott képeket
  • Egyszerű képekhez használd a Visiont; összetett dokumentumokhoz a Document AI-t
  • A feldolgozás gyors: percenként akár 2000 oldal