Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Įvadas į Document AI

Paskaita 1 iš 16 Atnaujinta 2026 m. lapkričio 2 d. Kūrėjas
Šiame puslapyje
  1. Kodėl Document AI keičia taisykles
  2. Trys Document AI paslaugos
  3. Tradicinis OCR prieš Document AI
  4. Struktūruota Markdown išvestis
  5. Ką išmoksite
  6. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 2 d. — OCR. OCR 4.0 (mistral-ocr-4-0) buvo nutrauktas 2026 m. rugsėjo 30 d. Naudokite OCR 4.1 (mistral-ocr-4-1), kuris visuotinai prieinamas nuo rugpjūčio 31 d. ta pačia kaina, arba aliasą mistral-ocr-latest, kuris į jį nukreiptas nuo liepos 16 d. OCR 4.1 pridėjo pasitikėjimo įverčius bloko lygmeniu.

Kodėl Document AI keičia taisykles

Kiekvieną rytą draudimo bendrovė gauna šimtus prašymų formų: nuskaitytų dokumentų, pasuktų keistais kampais, ranka rašytų ataskaitų, užpildytų plunksna, ir sąskaitų faktūrų nuotraukų, darytų telefonu. Bankai susiduria su ta pačia problema tvarkydami išrašus, ligoninės – pacientų įrašus, o vyriausybinės agentūros – įvairias formas. Dešimtmečius tradicinis optinis simbolių atpažinimas (OCR) bandė spręsti šią problemą, tačiau rezultatai dažnai nuvildavo, kai tik išdėstymas tapdavo sudėtingas, atsirasdavo rankraščio arba dokumentuose maišydavosi kelios kalbos.

„Mistral AI“ sukūrė Document AI būtent tokio tipo darbo eigai valdyti. Tai ne tik dar vienas OCR variklis: šis sprendimas sujungia specializuotą vaizdinį kalbos modelį (VLM) su struktūruotu duomenų gavybos ir dokumentų analizės pajėgumais. Kitaip tariant, jis ne tik skaito simbolius, bet ir atkuria dokumento struktūrą bei leidžia vėliau užduoti jam klausimus.

2,000
Puslapių/min vienam GPU
3
Integruotos paslaugos
50+
Palaikomos kalbos
6
Palaikomi formatai

Trys Document AI paslaugos

Document AI remiasi trimis papildomomis paslaugomis, prieinamomis per „Mistral“ API. Svarbu nuo pat pradžių suprasti, kaip jos susijungia.

Pirmoji, OCR procesorius, yra sistemos šerdis. Modelis mistral-ocr-latest (OCR 4) išgauna tekstą iš nuskaitytų dokumentų, PDF failų, vaizdų ir prezentacijų. Ten, kur klasikinis OCR, pavyzdžiui, „Tesseract“, pateiktų netvarkingą eilučių kratinį, šis modelis išlaiko struktūrą: antraštes, pastraipas, lenteles, sąrašus ir hipersaitus. Grįžtant prie to draudimo prašymo formos pavyzdžio: gausite formą atgal su identifikuotais skyriais, o ne teksto bloką, kurį turėtumėte išpainioti.

Antroji paslauga, Dokumentų anotacijos, perima veiksmų reikalaujančių duomenų gavybą. Jūs apibrėžiate „Pydantic“ schemą – paciento vardą, sąskaitos sumą, sutarties sąlygas – ir modelis automatiškai užpildo šiuos laukus. Pereinate nuo skaitomo teksto prie tipizuotų verčių, kurias gali apdoroti informacinė sistema.

Trečioji, Dokumentų QnA (klausimai ir atsakymai), sujungia OCR su „Mistral“ LLM, leisdamas natūralia kalba klausti apie turinį. Būtent tai leidžia teisininkui paklausti: „Koks yra įspėjimo terminas nutraukiant sutartį?“, užuot iš naujo perskaičius keturiasdešimt puslapių. Tai taip pat natūralus būdas pasiekti didelius archyvus arba lyginti ataskaitas.

Tradicinis OCR prieš Document AI

Tradicinis OCR, nesvarbu, ar tai būtų „Tesseract“, ar „Adobe Acrobat“, veikia atpažindamas raštus pikselis po pikselio. Šis principas puikiai tinka aiškiai atspausdintam puslapiui, tačiau žlunga, kai tik nukrypstama nuo šio idealaus atvejo. Laikraštis su keliomis skiltimis, įdėtinėmis antraštėmis ir iliustruotomis šoninėmis juostomis sugeneruoja tekstą, kurio skaitymo tvarka nebeturi prasmės. Gydytojo rankraščiai arba ranka pildomos formos jam lieka neįskaitomos. Lentelės su sujungtomis ląstelėmis, trūkstamomis ribomis arba netaisyklingu lygiavimu praranda visus ryšius tarp stulpelių ir eilučių. Pridėkite dokumentą, kuriame maišosi lotynų, arabų ir azijietiški rašmenys, arba triukšmingą, pasuktą, neryškų nuskaitymą, ir klaidų rodiklis tampa nepriimtinas.

Document AI remiasi specializuotu vaizdiniu modeliu (VLM), kuris supranta dokumentų semantiką. Jis ne tik atpažįsta simbolius: jis suvokia struktūrą, kontekstą ir ryšius tarp elementų. Šis esminis prigimties skirtumas, o ne tik paprastas tikslumo pagerėjimas, paaiškina jo rezultatus sunkiais atvejais.

Struktūruota Markdown išvestis

Kitas esminis skirtumas: Document AI generuoja struktūruotą „Markdown“, o ne grynąjį tekstą. Kiekvienas puslapis grąžinamas su pažymėtu tekstiniu turiniu – antraštėmis, sąrašais, pastraipomis –, lentelės suformatuotos „Markdown“ arba HTML formatu, išgauti vaizdai pateikiami kartu su jų padėtimi, išsaugoti hipersaitai ir, jei pageidaujate, antraštės bei poraštės atskirtos nuo pagrindinio teksto. Ši išvestis yra paruošta naudoti: galite ją indeksuoti vektorinėje duomenų bazėje RAG tikslais, archyvuoti arba rodyti tokia, kokia ji yra, be tarpinio valymo etapo.

Įvesties požiūriu paslauga apima PDF (nuskaitytus ir originalius), PNG, JPEG ir AVIF vaizdus, PPTX prezentacijas ir DOCX dokumentus. Maksimalus failo dydis yra 50 MB, o puslapių skaičius ribojamas iki 1000 – tai du apribojimai, kuriuos verta turėti omenyje skirstant partijas.

Ką išmoksite

Kursas vyksta pagal trijų paslaugų eiliškumą. 1–3 pamokos apima apžvalgą, OCR 4 modelį ir naudojimo atvejus. 4–8 pamokos gilinasi į OCR: API, „Python“ kodą, lenteles, antraštes ir poraštes bei tikslumo optimizavimą. 9–12 pamokos skirtos anotacijoms – nuo metaduomenų gavybos iki partijų apdorojimo. 13–16 pamokos nagrinėja dokumentų QnA – nuo vieno dokumento iki kelių dokumentų sąrankų, RAG integracijos ir gamybinių procesų kūrimo.

Svarbiausi punktai

  • Document AI sujungia OCR, struktūruotas anotacijas ir QnA į vieną sprendimą
  • OCR 4 modelis gerokai lenkia tradicinius OCR sprendimus tikslumu ir lankstumu
  • Struktūruota „Markdown“ išvestis palengvina integravimą į esamas darbo eigas
  • Trys papildomos paslaugos apima visą dokumento gyvavimo ciklą