Ekstrakcija strukturētos datos: tabulas, virsraksti un skaitliskie dati
Šajā lapā
Atjauninājums, 2026. gada 2. novembris — Le Chat kļūst par Vibe. Sākot ar 2026. gada 28. maiju, Le Chat tagad ir Vibe (joprojām vietnē chat.mistral.ai): vienots aģents darbam un kodam, kas saglabā tavas sarunas, iestatījumus un abonementus. Vecais Le Chat piedāvājums joprojām ir pieejams režīmā Chat; režīmā Work aģenti ir kļuvuši par prasmēm (izsaucamas ar
@), atmiņas veido zināšanu bāzi, bet dziļā meklēšana ir prasme Deep Research. Plāni tagad tiek dēvēti par Mistral Free, Pro, Team un Enterprise. Šajā nodarbībā lietots nosaukums Vibe; dažu šeit aprakstīto izvēlņu nosaukumi vai atrašanās vietas var būt mainījušies.
No neapstrādātiem dokumentiem uz organizētiem datiem
Teksta izgūšana no dokumenta ir labs sākums. Taču īstā vērtība rodas, kad iegūsti strukturētus datus: tīras tabulas, identificētus skaitļus un klasificētus virsrakstus. Šī ir atšķirība starp finanšu pārskata fotokopijas saņemšanu un tā paša pārskata saņemšanu lietojamā izklājlapā. Mistral Document AI izcili tieši šajā uzdevumā: tas nelasa tikai tekstu, bet saprot dokumenta struktūru un atgriež informāciju tieši lietojamā formātā.
Tabulas: ideālais pielietojums
Tabulas ir sastopamas visur biznesa dokumentos — finanšu pārskatos, cenu sarakstos, grafikos, pētījumu rezultātos — un tieši šeit vēsturiski klasiskais OCR ir cietis vislielākās sakāves, sajaukot kolonnas un rindas haosā. Turpretī OCR 3 dzinis apstrādā tās ar ievērojamu precizitāti. Augšupielādējot Vibe dokumentu, kas satur tabulu, modelis vispirms identificē tabulas robežas, pat ja tās ir smalkas vai krāsainas. Tad tas atpazīst galvenes un nošķir tās no datiem, saistot katru šūnu ar attiecīgo kolonnu un rindu. Tas tiek galā pat ar sarežģītiem gadījumiem: apvienotām šūnām, starpsumām, zemsvītras piezīmēm — visām klasiskajām lamatām, ko slikti konvertēta izklājlapa pārvērš nemanāmās kļūdās.
Lai iegūtu lietojamu rezultātu, pieradi savā promptā norādīt vēlamo formātu. „Iegūst tabulu no 3. lappuses Markdown formātā” dod tabulu, ko var nolasīt tieši Vibe; „Konvertē šo tabulu uz CSV, lai es varētu to ielīmēt Excel” sagatavo to importēšanai izklājlapā; „Iegūst tikai kolonnu ‘Summa’ un kolonnu ‘Datums’” filtrē tev nepieciešamo jau avotā. Markdown bieži vien ir praktiskākais formāts ikdienas lietošanai: tas ir uzreiz lasāms un viegli kopējams citos rīkos.
Virsraksti, hierarhija un struktūra
Papildus tabulām Document AI spēj rekonstruēt dokumenta hierarhiju: virsraksti un apakšvirsraksti tiek identificēti un klasificēti pēc līmeņa (h1, h2, h3), rindkopas tiek nošķirtas viena no otras pat bez redzamiem rindu pārtraukumiem, aizzīmēti vai numurēti saraksti tiek korekti atjaunoti, bet zemsvītras piezīmes tiek saistītas ar to atsauces vietām. Šī spēja ir neaizstājama, strādājot ar gariem ziņojumiem vai juridiskiem dokumentiem, kur struktūra nes tikpat lielu nozīmi kā teksts: zināšana, ka klauzula atrodas sadaļā „Garantijas”, nevis „Dažādi”, maina tās interpretāciju.
Tādēļ vari veikt strukturētus pieprasījumus: „Sniedz šī dokumenta satura rādītāju”, „Uzskaiti visus sadaļu virsrakstus ar to lappušu numuriem” vai pat „Iegūst tikai rindkopas, kas aplūko garantijas” — pēdējais apvieno struktūru un nozīmi.
Skaitliskie dati kontekstā
Finanšu dokumenti, piedāvājumi, rēķini un darbības pārskati ir pilni ar skaitļiem: finanšu summām (ieņēmumi, kopsummas, PVN, atlaides), parakstīšanas vai termiņa datumiem, tirgus daļu vai peļņas normu procentiem, kā arī identifikatoriem, piemēram, rēķina numuriem, klientu atsauces kodiem vai SIRET kodiem. Kas atšķir Document AI, ir tas, ka tas ne tikai izgūst skaitļus, bet saprot to kontekstu. Ja jautā: „Kādi ir gada ieņēmumi?”, tas konkrēti meklē skaitli, kas saistīts ar šo jēdzienu, pat ja tas ir paslēpts 50 rindu tabulā. Klasiskais OCR būtu nodevis piecdesmit nemarķētus skaitļus; šeit tu saņem pareizo.
Šī izpratne ļauj iet tālāk par vienkāršu ekstrakciju: vari pieprasīt aprēķinus un pārbaudes. „Vai kolonnas ‘Summa bez PVN’ kopsumma ir pareiza?” liek modelim pārrēķināt; „Kāda ir starpība starp plānotajiem un faktiskajiem rādītājiem?” salīdzina divas kolonnas; „Kura izdevumu pozīcija veido lielāko daļu?” pārvērš tabulu analīzē.
Pieredzējušiem lietotājiem JSON eksports strukturē izvadi taviem rīkiem: „Iegūst no šī rēķina šādu informāciju JSON formātā: numurs, datums, summa bez PVN, PVN, summa ar PVN, piegādātājs” vai „Izveido JSON objektu ar datiem no katras tabulas rindas.” Šis formāts ir ideāls, ja dati vēlāk jāievada izklājlapā, datubāzē vai citā programmatūrā.
Praksē
Aplūko, kā šīs spējas apvienojas trīs izplatītos scenārijos. Tu saņem PDF rēķinu kaudzi: katram no tiem jautā „Iegūst no šī rēķina: piegādātāja nosaukums, datums, rēķina numurs, summa bez PVN, PVN un summa ar PVN. Noformē kā tabulu” — un tava grāmatvedības ieraksta sagatavošana ir paveikta. Saskaroties ar 50 lappušu gada pārskatu: „Iegūst visas finanšu tabulas no šī pārskata un noformē tās Markdown. Identificē ieņēmumus, neto peļņu un darbības peļņas normu.” Lai izlemtu starp diviem piedāvājumiem, augšupielādē abus un jautā: „Salīdzini cenas šajos divos piedāvājumos vienādām pakalpojumiem. Identificē tarifu atšķirības.”
Nobeigumā daži metodoloģiski noteikumi. Esi konkrēts par to, ko meklē — konkrētu tabulu, kolonnu, datu tipu — un vienmēr norādi vēlamo izvades formātu (Markdown, CSV, JSON, saraksts). Skenētiem dokumentiem ieteicama vismaz 150 DPI izšķirtspēja uzticamai ekstrakcijai. Ja dokuments ir ļoti blīvs, apstrādā to pa lappusēm: „Iegūst tabulu no 7. lappuses” dos labākus rezultātus nekā globāls „Iegūst visas tabulas”. Un jebkuram kritiskam lietojumam salīdzini iegūtos datus ar oriģināldokumentu — ekstrakcija ir paātrinātājs, nevis atbildības noraidījums.
Galvenās atziņas
- Document AI uzticami rekonstruē tabulas ar galvenēm, kolonnām un apvienotām šūnām
- Vari pieprasīt ekstrakciju Markdown, CSV vai JSON formātā atkarībā no tavām vajadzībām
- Modelis saprot skaitlisko datu kontekstu un spēj atbildēt uz konkrētiem jautājumiem
- Dokumenta hierarhiskā struktūra (virsraksti, apakšvirsraksti, saraksti) tiek saglabāta
- Vienmēr pārbaudi iegūtos datus kritiskiem lietojumiem