Workshop : Estrazione strutturata
In questa pagina
Obiettivo del workshop
Questo workshop approfondisce una competenza introdotta nel precedente: l’estrazione strutturata, ovvero la trasformazione di testo libero in dati utilizzabili da un programma. Colma il divario tra linguaggio naturale e i tuoi sistemi informativi: la fattura ricevuta in PDF diventa una riga nel tuo software di contabilità, l’articolo di monitoraggio diventa una voce nella dashboard. Ti eserciterai su tre esercizi con i modelli Mistral: estrazione JSON, riassunto di documenti in un formato imposto e traduzione tecnica con preservazione della formattazione. Rivedrai anche due tecniche dalla sezione dei parametri: il pre-riempimento dell’assistente e le sequenze di arresto.
Esercizio 1: Estrazione JSON da testo libero
Scenario di partenza: automatizzi l’elaborazione delle fatture ricevute via email. Il testo varia da fornitore a fornitore, ma devi sempre estrarre gli stessi campi. Il prompt di sistema blocca tutto il possibile: JSON puro senza commenti, null per i campi mancanti (non “non fornito” o stringhe vuote, dato che il tuo codice controllerà is None), importi come numeri senza simboli di valuta, date in formato ISO 8601, IVA separata dall’imponibile. Ognuna di queste regole previene un bug di parsing a valle.
messages = [
{
"role": "system",
"content": """You are a data extractor specialized in accounting documents.
Strict rules:
- Return ONLY valid JSON, no comments or additional text
- If a field is not found, use null (not "not provided", not "")
- Amounts must be numbers (no euro symbol in the value)
- Dates in ISO 8601 format (YYYY-MM-DD)
- VAT must be extracted separately from the pre-tax amount"""
},
{
"role": "user",
"content": """Extract data from this invoice:
"FACTURE N° 2026-0847
Date : 15 mars 2026
De : CloudServ SAS
42 rue de la Paix, 75002 Paris
SIRET : 823 456 789 00012
À : TechCorp SARL
12 avenue des Champs, 69001 Lyon
Désignation : Hébergement cloud - Pack Premium
Période : 01/03/2026 au 31/03/2026
Montant HT : 1 250,00 EUR
TVA 20% : 250,00 EUR
Total TTC : 1 500,00 EUR
Conditions de paiement : 30 jours fin de mois
IBAN : FR76 3000 4000 0500 0001 2345 678"
JSON Schema:
{
"numero_facture": "string",
"date_facture": "string (YYYY-MM-DD)",
"fournisseur": {
"nom": "string",
"adresse": "string",
"siret": "string"
},
"client": {
"nom": "string",
"adresse": "string"
},
"lignes": [
{
"designation": "string",
"periode": "string",
"montant_ht": "number"
}
],
"tva_taux": "number",
"tva_montant": "number",
"total_ttc": "number",
"conditions_paiement": "string",
"iban": "string"
}"""
},
{
"role": "assistant",
"content": "{"
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0,
stop=["\n}"]
)
# Reconstruct the JSON: "{" + response + "\n}"
Risultato atteso:
{
"numero_facture": "2026-0847",
"date_facture": "2026-03-15",
"fournisseur": {
"nom": "CloudServ SAS",
"adresse": "42 rue de la Paix, 75002 Paris",
"siret": "823 456 789 00012"
},
"client": {
"nom": "TechCorp SARL",
"adresse": "12 avenue des Champs, 69001 Lyon"
},
"lignes": [
{
"designation": "Hébergement cloud - Pack Premium",
"periode": "01/03/2026 au 31/03/2026",
"montant_ht": 1250.00
}
],
"tva_taux": 20,
"tva_montant": 250.00,
"total_ttc": 1500.00,
"conditions_paiement": "30 jours fin de mois",
"iban": "FR76 3000 4000 0500 0001 2345 678"
}
Nota la combinazione del pre-riempimento dell’assistente (il messaggio "{") e della sequenza di arresto: il primo costringe il modello direttamente nel JSON senza preamboli come “Ecco i dati estratti:”, il secondo gli impedisce di continuare dopo la parentesi graffa di chiusura. Ricostruisci poi il JSON completo lato codice.
Esercizio 2: Riassunto strutturato di documenti
Secondo scenario: alimenti una dashboard di monitoraggio interna con riassunti di lunghi report. Per garantire una visualizzazione uniforme, ogni riassunto deve seguire esattamente lo stesso formato: il prompt di sistema lo impone, campo per campo, con limiti di lunghezza.
messages = [
{
"role": "system",
"content": """You produce structured summaries for a monitoring dashboard.
Mandatory format for each summary:
{
"titre_court": "max 60 characters",
"resume": "max 3 sentences, factual, no opinion",
"impact_business": "low | medium | high",
"secteurs": ["list of affected sectors"],
"action_requise": true/false,
"action_detail": "description if action required, null otherwise"
}"""
},
{
"role": "user",
"content": """Summarize this article for our monitoring dashboard:
"L'Union européenne a adopté le 28 mars 2026 un nouveau règlement sur
l'intelligence artificielle (AI Act 2.0) qui renforce les obligations de
transparence pour les systèmes de génération de texte et d'images. Les
entreprises qui déploient des modèles de plus de 10 milliards de paramètres
devront désormais publier un rapport d'évaluation des risques trimestriel et
mettre en place un système de traçabilité des contenus générés. Les sanctions
pour non-conformité peuvent atteindre 6% du chiffre d'affaires mondial annuel.
Le règlement entre en vigueur le 1er janvier 2027, avec une période de
transition de 6 mois pour les entreprises déjà en activité. Les PME de moins
de 50 salariés bénéficient d'un régime allégé avec des obligations réduites
de reporting."
Return the structured JSON."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Ecco cosa dovresti ottenere: un riassunto fattuale che condensa senza distorcere e un campo d’azione che trasforma il monitoraggio in decisione:
{
"titre_court": "AI Act 2.0 : nouvelles obligations de transparence IA",
"resume": "L'UE adopte un renforcement de l'AI Act imposant des rapports trimestriels pour les grands modèles. Les sanctions atteignent 6% du CA mondial. Entrée en vigueur le 1er janvier 2027 avec régime allégé pour les PME.",
"impact_business": "élevé",
"secteurs": ["intelligence artificielle", "technologie", "réglementation"],
"action_requise": true,
"action_detail": "Évaluer la conformité de nos modèles et planifier la mise en place du reporting trimestriel avant janvier 2027."
}
Qui la temperatura sale a 0,1 invece di 0,0: un riassunto richiede una leggera libertà nella formulazione, a differenza dell’estrazione pura dove ogni valore proviene dal testo sorgente.
Esercizio 3: Traduzione tecnica con preservazione del formato
Terzo scenario: traduci documentazione tecnica dal francese all’inglese preservando esattamente la formattazione Markdown e i termini tecnici così come sono. La trappola nella traduzione tecnica sta qui: un traduttore troppo zelante tradurrà temperature come “température” in un esempio di codice e la documentazione smetterà di corrispondere all’API reale. La soluzione è elencare esplicitamente ciò che è intoccabile.
messages = [
{
"role": "system",
"content": """You are a technical translator from French to English.
Rules:
- Preserve Markdown formatting EXACTLY (headers, lists, code blocks)
- Do NOT translate terms in backticks
- Do NOT translate variable, function, or parameter names
- Code blocks remain identical (translate comments only)
- Adapt idiomatic expressions to the English technical context
- Use American English"""
},
{
"role": "user",
"content": """Translate this documentation passage:
## Configuration de l'API
Pour commencer, installez le package `mistralai` :
```bash
pip install mistralai
```
### Authentification
Vous devez configurer votre clé API avant tout appel :
```python
# Initialisation du client Mistral
client = Mistral(api_key="votre-clé")
```
**Important** : ne stockez jamais votre clé API en dur dans le code.
Utilisez plutôt des variables d'environnement ou un gestionnaire de secrets.
### Paramètres disponibles
- `temperature` : contrôle la créativité (défaut : 0.7)
- `top_p` : filtrage par probabilité cumulée (défaut : 1.0)
- `max_tokens` : limite de tokens en sortie"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.2
)
Per validare il risultato, verifica punto per punto: gli header Markdown (##, ###) sono preservati, i termini tra backtick (mistralai, temperature, top_p, max_tokens) restano in inglese, i blocchi di codice sono identici eccetto il commento tradotto, il grassetto (**Important**) è preservato e le liste mantengono la loro struttura. Qualsiasi deviazione su uno di questi punti segnala una regola da rafforzare nel prompt di sistema.
Tecniche avanzate per l’estrazione
Una regola d’oro attraversa questo workshop: non fidarti mai ciecamente dell’output del modello. Dopo l’estrazione, valida sempre il JSON lato codice:
import json
try:
data = json.loads(response.choices[0].message.content)
# Validate required fields
required_fields = ["numero_facture", "date_facture", "total_ttc"]
for field in required_fields:
if field not in data or data[field] is None:
print(f"Missing field: {field}")
except json.JSONDecodeError:
print("Invalid response, retry with temperature=0")
E se, nonostante tutto, il modello non restituisce un JSON valido, segui un percorso di escalation:
- Riprova con
temperature=0.0 - Usa il pre-riempimento dell’assistente per forzare il formato
- Aggiungi un esempio (one-shot) dell’output atteso
- Come ultima risorsa, analizza la risposta con una regex per estrarre il JSON
Punti chiave
- Il pre-riempimento dell’assistente e le sequenze di arresto garantiscono un JSON valido
- Fornisci sempre lo schema JSON esatto nel prompt
- Temperatura 0 per l’estrazione, 0,1-0,2 per i riassunti
- Valida sistematicamente l’output lato codice
- Per la traduzione tecnica, elenca esplicitamente ciò che non deve essere tradotto