Ievads dokumentu mākslīgajā intelektā
Šajā lapā
Atjaunināts 2026. gada 2. novembrī — OCR. OCR 4.0 (
mistral-ocr-4-0) tika izņemts no aprites 2026. gada 30. septembrī. Izmanto OCR 4.1 (mistral-ocr-4-1), kas ir vispārēji pieejams kopš 31. augusta par tādu pašu cenu, vai aliasumistral-ocr-latest, kas uz to norāda kopš 16. jūlija. OCR 4.1 pievieno uzticamības rādītājus bloku līmenī.
Kāpēc dokumentu MI maina spēles noteikumus
Katru rītu apdrošināšanas sabiedrība saņem simtiem prasījumu veidlapu: noskenētus dokumentus, kas sagriezti šķībi, ar roku rakstītus ziņojumus, kas aizpildīti ar pildspalvu, un rēķinu fotogrāfijas, kas uzņemtas ar tālruni. Bankas saskaras ar to pašu problēmu, strādājot ar izrakstiem, slimnīcas — ar pacientu kartēm, bet valsts iestādes — ar veidlapām. Desmitgadēm tradicionālā optiskā rakstzīmju atpazīšana (OCR) ir mēģinājusi atrisināt šo problēmu, bieži vien ar viliem rezultātiem, tiklīdz izkārtojums kļūst sarežģīts, tiek izmantots rokraksts vai dokumenti satur vairākas valodas.
Mistral AI ir izstrādājis Document AI, lai apstrādātu tieši šāda veida darbplūsmas. Tas nav tikai vēl viens OCR dzinējs: šis risinājums apvieno specializētu vizuālo valodas modeli (VLM) ar strukturētu datu ieguves un dokumentu izlūkošanas iespējām. Citiem vārdiem sakot, tas nelasa tikai rakstzīmes, bet rekonstruē dokumentu tā, kā tas ir organizēts, un ļauj tev to pēc tam vaicāt.
Trīs dokumentu MI servisi
Document AI balstās uz trim papildinošiem servisiem, kuriem visi var piekļūt, izmantojot Mistral API. Ir lietderīgi saprast, kā tie darbojas kopā jau pašā sākumā.
Pirmais ir OCR procesors, kas ir sistēmas kodols. Modelis mistral-ocr-latest (OCR 4) iegūst tekstu no noskenētiem dokumentiem, PDF failiem, attēliem un prezentācijām. Tur, kur klasiskais OCR, piemēram, Tesseract, atgriež sajauktu rindu kopumu, šis modelis saglabā struktūru: virsrakstus, rindkopas, tabulas, sarakstus un hipersaites. Atgriezīsimies pie minētās apdrošināšanas prasījuma veidlapas: tu saņem atpakaļ veidlapu ar identificētām sadaļām, nevis teksta bloku, kas tev būs jāatšķetina.
Otrais serviss, Dokumentu anotācijas, pārņem darbu, lai iegūtu izmantojamus datus. Tu definē Pydantic shēmu — pacienta vārds, rēķina summa, līguma punkti — un modelis automātiski aizpilda šos laukus. Tu pāriet no lasāma teksta uz tipizētām vērtībām, ko informācijas sistēma var tieši apstrādāt.
Trešais, Dokumentu jautājumi un atbildes (QnA), apvieno OCR ar Mistral LLM, lai ļautu tev uzdot jautājumus dabiskā valodā par dokumenta saturu. Tieši tas ļauj advokātam jautāt: „Kāds ir paziņošanas termiņš līguma laušanai?”, nevis atkārtoti lasīt četrdesmit lappuses. Tas ir arī dabiskākais veids, kā piekļūt lieliem arhīviem vai salīdzināt ziņojumus.
Tradicionālais OCR pret dokumentu MI
Tradicionālais OCR, vai tas būtu Tesseract vai Adobe Acrobat, darbojas, atpazīstot rakstus pikseli pa pikselim. Šis princips labi strādā ar skaidriem drukātiem dokumentiem, taču sabrūk, tiklīdz novirzies no šī ideālā gadījuma. Laikraksts ar vairākām kolonnām, ligzdotiem virsrakstiem un ilustrētām sānjoslām rada tekstu, kurā lasīšanas secībai vairs nav jēgas. Ārsta rokraksta piezīmes vai ar roku aizpildītas veidlapas tam paliek nelasāmas. Tabulas ar apvienotām šūnām, trūkstošām robežām vai neregulāru izlīdzinājumu zaudē visu saistību starp kolonnām un rindām. Pievieno dokumentu, kas sajauc latīņu, arābu un Āzijas rakstzīmes, vai trokšņainu, šķību, izplūdušu skenējumu, un kļūdu līmenis kļūst nepieņemams.
Document AI balstās uz smalki noregulētu vizuālo modeli (VLM), kas saprot dokumentu semantiku. Tas ne tikai atpazīst rakstzīmes: tas aptver struktūru, kontekstu un attiecības starp elementiem. Tieši šī fundamentālā atšķirība pēc būtības, nevis vienkāršs precizitātes pieaugums, izskaidro tā rezultātus sarežģītos gadījumos.
Strukturēta Markdown izeja
Vēl viena galvenā atšķirība: Document AI ģenerē strukturētu Markdown, nevis vienkāršu tekstu. Katra lappuse tiek atgriezta ar marķētu teksta saturu — virsrakstiem, sarakstiem, rindkopām —, tās tabulas ir formatētas Markdown vai HTML formātā, iegūtie attēli ir papildināti ar to atrašanās vietu, hipersaites ir saglabātas un, ja vēlies, galvenes un kājenes ir izolētas no pamatteksta. Šī izeja ir gatava lietošanai: tu vari to indeksēt vektoru datubāzē priekš RAG, arhivēt vai attēlot tādu, kāda tā ir, bez starpposma tīrīšanas darbībām.
Ievades pusē serviss aptver PDF (gan skenētus, gan oriģinālus), PNG, JPEG un AVIF attēlus, PPTX prezentācijas un DOCX dokumentus. Maksimālais faila lielums ir 50 MB, ar limitu 1000 lappusēm — divi ierobežojumi, kas jāpatur prātā, sadalot savas partijas.
Ko tu apgūsi
Kurss seko trīs servisu secībai. 1. līdz 3. nodarbība aptver pārskatu, OCR 4 modeli un lietojumgadījumus. 4. līdz 8. nodarbība iedziļinās OCR detaļās: API, Python kods, tabulas, galvenes un kājenes, kā arī precizitātes optimizācija. 9. līdz 12. nodarbība aplūko anotācijas, sākot no metadatu ieguves līdz partiju apstrādei. 13. līdz 16. nodarbība risina dokumentu QnA jautājumus, sākot no viena dokumenta līdz vairāku dokumentu konfigurācijām, ieskaitot RAG integrāciju un ražošanas cauruļvadus.
Galvenās atziņas
- Document AI apvieno OCR, strukturētas anotācijas un QnA vienotā risinājumā
- OCR 4 modelis ievērojami pārspēj tradicionālos OCR risinājumus precizitātes un elastības ziņā
- Strukturēta Markdown izeja atvieglo integrāciju tavos esošajos cauruļvados
- Trīs papildinoši servisi aptver visu dokumenta dzīves ciklu