Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Struktūruotas duomenų gavyba: lentelės, antraštės ir skaitiniai duomenys

Paskaita 11 iš 14 Atnaujinta 2026 m. lapkričio 2 d. Pradedantisiems
Šiame puslapyje
  1. Nuo neapdorotų dokumentų prie organizuotų duomenų
  2. Lentelės: optimaliausias sprendimas
  3. Antraštės, hierarchija ir struktūra
  4. Skaitiniai duomenys su kontekstu
  5. Praktikoje
  6. Svarbiausi punktai

Atnaujinimas 2026 m. lapkričio 2 d. — „Le Chat“ tampa „Vibe“. Nuo 2026 m. gegužės 28 d. „Le Chat“ dabar yra Vibe (vis tiek adresu chat.mistral.ai): vienas agentas darbui ir kodui, perkeliantis jūsų pokalbius, nustatymus ir prenumeratas. Senoji „Le Chat“ patirtis vis dar pasiekiama režimu Chat; režimu Work agentai tapo įgūdžiais (iškviečiami naudojant @), atmintys sudaro žinių bazę, o išsami paieška yra įgūdis „Deep Research“. Planai dabar vadinami „Mistral Free“, „Pro“, „Team“ ir „Enterprise“. Šioje pamokoje naudojamas pavadinimas „Vibe“; kai kurie čia aprašyti meniu pavadinimai arba vietos galėjo pasikeisti.

Nuo neapdorotų dokumentų prie organizuotų duomenų

Teksto ištraukimas iš dokumento yra gerai. Tačiau tikroji vertė atsiskleidžia tada, kai gaunate struktūruotus duomenis: tvarkingas lenteles, identifikuotus skaičius ir klasifikuotas antraštes. Tai skirtumas tarp finansinės ataskaitos fotokopijos gavimo ir tos pačios ataskaitos gavimo naudojamoje elektroninėje lentelėje. „Mistral“ dokumentų dirbtinis intelektas puikiai atlieka būtent šią užduotį: jis ne tik skaito tekstą, bet ir supranta dokumento struktūrą, grąžindamas informaciją tiesiogiai naudojamu formatu.

Lentelės: optimaliausias sprendimas

Lentelės yra visur verslo dokumentuose – finansinėse ataskaitose, kainoraščiuose, grafikuose, tyrimų rezultatuose – ir tai istoriškai yra sritis, kurioje klasikinis OCR žlunga labiausiai, sumaišydamas stulpelius ir eilutes į netvarką. Tuo tarpu „OCR 3“ variklis jas apdoroja nepaprastai tiksliai. Kai įkeliate dokumentą su lentele į „Vibe“, modelis pirmiausia nustato lentelės ribas, net jei jos yra subtilios arba spalvotos. Tada jis atpažįsta antraštes ir atskiria jas nuo duomenų, susiedamas kiekvieną langelį su jo stulpeliu ir eilute. Jis tvarko net sudėtingus atvejus: sujungtus langelius, tarpines sumas, išnašas – visus klasikinius spąstus, kuriuos netinkamai konvertuota elektroninė lentelė paverčia tyliomis klaidomis.

Kad gautumėte naudojamą rezultatą, įpraskite savo užklausoje nurodyti pageidaujamą formatą. „Ištraukite lentelę iš 3 puslapio „Markdown“ formatu” suteiks jums lentelę, kurią galima tiesiogiai skaityti „Vibe“; „Konvertuokite šią lentelę į CSV, kad galėčiau ją įklijuoti į „Excel“” paruošia ją importui į elektroninę lentelę; „Ištraukite tik stulpelį „Suma“ ir stulpelį „Data“” filtruoja tai, ko jums reikia, jau šaltinyje. „Markdown“ dažnai yra praktiškiausias formatas kasdieniam naudojimui: jis iškart skaitomas ir lengvai kopijuojamas bei įklijuojamas į kitus įrankius.

Antraštės, hierarchija ir struktūra

Be lentelių, dokumentų dirbtinis intelektas gali atkurti dokumento hierarchiją: pavadinimai ir paantraštės identifikuojamos ir klasifikuojamos pagal lygį (h1, h2, h3), pastraipos atskiriamos viena nuo kitos net ir be matomų eilučių lūžių, sąrašai su ženkleliais arba numeruoti sąrašai teisingai atkuriami, o išnašos susiejamos su jų nuorodomis. Ši galimybė neįkainojama dirbant su ilgomis ataskaitomis ar teisiniais dokumentais, kur struktūra reiškia tiek pat, kiek ir pats tekstas: žinojimas, kad punktas yra skyriuje „Garantijos“, o ne „Įvairūs“, keičia jo interpretaciją.

Todėl galite teikti struktūrines užklausas: „Pateikite šio dokumento turinį“, „Išvardykite visus skyrių pavadinimus su jų puslapių numeriais“ arba net „Ištraukite tik pastraipas, kuriose aptariamos garantijos“ – pastarasis derina struktūrą ir prasmę.

Skaitiniai duomenys su kontekstu

Finansiniai dokumentai, sąskaitos faktūros, sąskaitos ir veiklos ataskaitos pilnos skaičių: finansinių sumų (pajamos, sumos, PVM, nuolaidos), parašų arba mokėjimo terminų datų, rinkos dalies arba maržos procentų ir identifikatorių, pavyzdžiui, sąskaitų numerių, klientų nuorodų arba SIRET kodų. Kuo dokumentų dirbtinis intelektas išsiskiria, tai tuo, kad jis ne tik ištraukia skaičius, bet ir supranta jų kontekstą. Jei paklausite: „Kokios yra metinės pajamos?“, jis konkrečiai ieškos skaičiaus, susieto su šia sąvoka, net jei jis paslėptas 50 eilučių lentelėje. Klasikinis OCR būtų pateikęs penkiasdešimt nepaženklintų skaičių; čia gaunate tinkamą.

Šis supratimas leidžia eiti toliau nei paprastas ištraukimas: galite prašyti atlikti skaičiavimus ir patikrinimus. „Ar stulpelio „Suma be PVM“ suma yra teisinga?” priverčia modelį perskaičiuoti; „Koks skirtumas tarp numatytų ir faktinių rodiklių?“ susieja du stulpelius; „Kuris išlaidų straipsnis sudaro didžiausią dalį?“ paverčia lentelę analize.

Pažengusiems vartotojams JSON eksportas strukturuoja išvestį jūsų įrankiams: „Ištraukite šią informaciją iš šios sąskaitos faktūros JSON formatu: numeris, data, suma be PVM, PVM, suma su PVM, tiekėjas“ arba „Sukurkite JSON objektą su kiekvienos lentelės eilutės duomenimis.“ Šis formatas idealus, jei duomenys vėliau turi būti perduodami į elektroninę lentelę, duomenų bazę ar kitą programinę įrangą.

Praktikoje

Pažiūrėkite, kaip šios galimybės susijungia trijuose įprastuose scenarijuose. Gaunate krūvą PDF formatu pateiktų sąskaitų faktūrų: kiekvienai jų paprašykite: „Ištraukite iš šios sąskaitos faktūros: tiekėjo pavadinimą, datą, sąskaitos numerį, sumą be PVM, PVM ir sumą su PVM. Pateikite kaip lentelę“ – ir jūsų buhalterinis įrašas paruoštas. Susidūrę su 50 puslapių metine ataskaita: „Ištraukite visas finansines lentelles iš šios ataskaitos ir pateikite jas „Markdown“ formatu. Identifikuokite pajamas, grynąjį pelną ir veiklos maržą.” Norėdami pasirinkti tarp dviejų pasiūlymų, įkelkite abu ir paklauskite: „Palyginkite šių dviejų pasiūlymų kainas už tas pačias paslaugas. Nustatykite tarifų skirtumus.“

Keletas metodologinių taisyklių pabaigai. Būkite konkretūs dėl to, ko ieškote – konkrečios lentelės, stulpelio, duomenų tipo – ir visada nurodykite pageidaujamą išvesties formatą („Markdown“, CSV, JSON, sąrašas). Nuskaitytiems dokumentams patikimai gavybai rekomenduojama bent 150 DPI skiriamoji geba. Jei dokumentas labai tankus, apdorokite jį puslapis po puslapio: „Ištraukite lentelę iš 7 puslapio“ duos geresnių rezultatų nei bendras „Ištraukite visas lenteles“. Ir bet kokiam kritiniam naudojimui patikrinkite ištrauktus duomenis su originaliu dokumentu – gavyba yra greitintuvas, o ne atsakomybės atsisakymas.

Svarbiausi punktai

  • Dokumentų dirbtinis intelektas ištikimai atkuria lenteles su antraštėmis, stulpeliais ir sujungtais langeliais
  • Galite prašyti ištraukti duomenis „Markdown“, CSV arba JSON formatu, priklausomai nuo jūsų poreikių
  • Modelis supranta skaitinių duomenų kontekstą ir gali atsakyti į specifinius klausimus
  • Išsaugoma dokumento hierarchinė struktūra (pavadinimai, paantraštės, sąrašai)
  • Visada patikrinkite ištrauktus duomenis kritiniais atvejais