Latvijas izdevums
Document AI: OCR un dokumentu inteliģence
Inteligenta dokumentu ekstrakcija ar OCR 3: teksta atpazīšana, anotācijas, tabulas, dokumentu jautājumi un atbildes (QnA) un partijas apstrāde.
16 nodarbību ca. 1 h 30 min Programmētājs
Ko jūs apgūsiet
- Izsaukt Mistral OCR API valodā Python, lai konvertētu dokumentu strukturētā tekstā
- Ekstrahēt tabulas, galvenes un lapošanu no dokumenta, nezaudējot tā sākotnējo struktūru
- Konfigurēt Annotations API, lai ekstrahētu strukturētus metadatus, tostarp partijas apstrādē
- Veikt vaicājumus vienam vai vairākiem dokumentiem, izmantojot Document QnA, un iegūt atsauces saturus saturošas atbildes
- Integrēt OCR RAG cauruļvadā un industrializēt dokumentu cauruļvadu ražošanas vidē
Kursa kartīte
- Kam paredzēts
- Izstrādātāji, inženieri un integrētāji, kas vēlas izmantot Mistral AI, izmantojot API, savās lietotnēs.
- Priekšnosacījumi
- Spēja lasīt Python un JSON, komandrindas pamati. Mistral AI Studio API atslēga piemēru izmēģināšanai.
- Ilgums
- 1 h 30 min — 16 nodarbību
- Formāti
- 100% tiešsaistes pašmācību kurss, pieejams 24/7 no pārlūkprogrammas. Progress tiek saglabāts, atsākšana jebkurā laikā. Paredzamais ilgums: 1 h 30 min.
- Novērtējums
- Prakses uzdevumi, kas piedāvāti visā nodarbību gaitā. Katra nodarbība beidzas ar galvenajiem secinājumiem, kas atbalsta pašnovērtējumu. Noslēguma tests ar 5 labotiem jautājumiem pēdējās nodarbības beigās apstiprina iegūtās prasmes.
- Pieejamība
- Pašmācību kurss, kas pieejams cilvēkiem ar invaliditāti: teksta saturs saderīgs ar ekrāna lasītājiem, navigācija ar tastatūru un atbilstoši kontrasti. Jebkādām pielāgošanas vajadzībām rakstiet uz [email protected].
- Cena
- Gratis
Kursa saturs
- 01 Ievads dokumentu mākslīgajā intelektā
- 02 Mistrala OCR modelis (OCR 4)
- 03 Lietojumgadījumi dokumentu mākslīgajam intelektam
- 04 Mistral OCR API
- 05 Tavs pirmais OCR izsaukums Python valodā
- 06 Tabulu un struktūru ekstrakcija
- 07 Galvenes, kājenes un lapu numerācija
- 08 Optimisation de la précision de l'OCR
- 09 API d'annotations
- 10 Extrair des métadonnées structurées
- 11 Annotations par lots
- 12 Cas d'usage des annotations
- 13 API Document QnA
- 14 QnA multi-documents
- 15 Intégration OCR + RAG
- 16 Pipeline de production