Ievads dokumentu mākslīgajā intelektā un inteliģentajā OCR
Šajā lapā
Atjauninājums 2026. gada 2. novembrī — Le Chat kļūst par Vibe. Kopš 2026. gada 28. maija Le Chat ir pārdēvēts par Vibe (joprojām pieejams vietnē chat.mistral.ai): vienots aģents darbam un kodēšanai, kas saglabā jūsu sarunas, iestatījumus un abonementus. Vecais Le Chat interfeiss joprojām ir pieejams režīmā Chat; režīmā Work aģenti ir kļuvuši par prasmēm (izsaucamas ar
@), atmiņas veido zināšanu bāzi, bet dziļā meklēšana tagad 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.
Daudz vairāk nekā vienkāršs dokumentu lasītājs
Sadaļā par redzi tu redzēji, ka Vibe spēj nolasīt tekstu attēlā. Taču, runājot par sarežģītu dokumentu apstrādi — daudzlapu PDF failiem, skenētām veidlapām, finanšu pārskatiem, kas pilni ar ligzdotām tabulām —, tev ir nepieciešams specializēts rīks. Tieši to piedāvā Mistral Document AI, ko darbina dzinējs OCR 3. Šī nodarbība liek pamatus visai sadaļai: saprast, kas ir OCR, kā Mistral pieeja atšķiras no klasiskajiem risinājumiem un, pats galvenais, kad to lietot redzes (Vision) vietā.
OCR ir saīsinājums no Optical Character Recognition (optiskā rakstzīmju atpazīšana). Tā ir tehnoloģija, kas pārvērš attēlu, kurā ir teksts — vai tas būtu skenējums, fotoattēls vai uz attēliem balstīts PDF fails —, izmantojamā digitālā tekstā: tekstā, ko vari kopēt, meklēt vai analizēt tāpat kā jebkuru sākotnēji digitālu dokumentu. Nozīme ir ikdienišķa: iedomājies to rēķinu, ko kolēģis nosūtīja kā fotoattēlu, vai to līgumu, kas skenēts pirms desmit gadiem un kurā tev jāatrod konkrēts pants. Bez OCR šie dokumenti ir tikai klusi attēli.
Kāpēc klasiskais OCR nebija pietiekams
OCR pastāv jau gadu desmitiem, taču tradicionālie risinājumi — Tesseract ir viszināmākais piemērs — cieta no būtiskiem ierobežojumiem, ko labi zina ikviens, kurš jebkad ir skenējis dokumentu. Tika zaudēts izkārtojums: teksts iznāca sajaukts, ignorējot dokumenta struktūru, pārvēršot rūpīgi sakārtotu pārskatu par bezjēdzīgu rindkopu putru. Tabulas tika ignorētas, kolonnas un rindas sajauktas tādā mērā, ka dati kļuva nelietojami. Rokraksts palika gandrīz neizlasāms. Daudzvalodu dokumenti deva vājus rezultātus, tiklīdz izkāpi ārpus angļu valodas. Un attēli, kas iegulti tekstā — diagrammas, shēmas —, tika vienkārši ignorēti.
Mistral dzinējs OCR 3 maina spēles noteikumus pilnībā, un iemesls slēpjas tā arhitektūrā. Klasisku rakstzīmju atpazīšanas paņēmienu vietā tas balstās uz multimodālu valodas modeli (VLM), kas īpaši apmācīts dokumentu izpratnei. Atšķirība ir fundamentāla: klasiskais OCR atpazīst atsevišķas rakstzīmes un mēģina tās salikt vārdos, gluži kā kāds, kurš atšifrē burtu pa burtam, nesaprotot teikumu. Turpretī Mistral ar mākslīgo intelektu darbinātais OCR saprot dokumentu kā veselu — tā struktūru, saturu un kontekstu. Sastopoties ar daļēji nodzēstu vārdu, tas spēj to secināt no konteksta, tieši tāpat kā cilvēks-lasītājs.
Praksē Document AI iegūst tekstu no PDF failiem, attēliem un skenētiem dokumentiem, saglabājot sākotnējo izkārtojumu. Tas rekonstruē tabulas ar to galvenēm, kolonnām un datiem, ģenerējot tīru Markdown formātu. Tas lasa rokrakstu — ārstu pierakstus, ar roku aizpildītas veidlapas, piezīmes uz malām. Tas apstrādā daudzvalodu dokumentus ar augstu precizitāti daudzās valodās, apraksta dokumentā esošos attēlus un diagrammas, ģenerējot teksta parakstus, un pietiekami labi saprot kontekstu, lai atbildētu uz jautājumiem par saturu.
OCR 3 skaitļos
Veiktspējas ziņā dzinējs nodrošina visaugstāko precizitāti etalonos teksta atpazīšanai, rokrakstam un tabulām. Tas apstrādā līdz 2000 lappusēm minūtē uz viena GPU — pietiekami, lai ielādētu veselus arhīvus. Tas pieņem dažādus formātus: PDF, Word, skenētus attēlus un dažādas kvalitātes fotoattēlus. Un tā izvade ir strukturēta: rezultāts ir tīrs Markdown ar atsauktiem attēliem, nevis neapstrādāts teksts, kas jāpārstrādā.
Kā tas atšķiras no Vibe redzes (Vision)?
Tu vari jautāt: “Kāpēc vienkārši neaugšupielādēt savu PDF failu Vibe un neizmantot redzi (Vision)?” Tas ir pamatots jautājums, un atbilde nosaka visu tavu darba plūsmu. Vibe redze (Vision), kas aplūkota šī kursa pirmajā sadaļā, ir ideāli piemērota viena izolēta attēla — fotoattēla, diagrammas, ekrānuzņēmuma — analīzei. Taču daudzlapu dokumentiem ar sarežģītu izkārtojumu Document AI piedāvā izšķirošas priekšrocības: lappušu apstrāde pa vienai ar kopējās dokumenta struktūras rekonstrukciju, tabulu ieguve, kas ir uzticama oriģinālam, nevis tikai tuvinājums, anotācijas un metadati, kurus vari tieši pieprasīt — autors, datums, summas —, un patiesa dokumentu jautājumu un atbilžu (Q&A) funkcija gariem dokumentiem.
Atceries šo vienkāršo likumu: vienkāršam attēlam ar tekstu pietiek ar redzi (Vision); daudzlapu dokumentam, ko vēlies dziļi analizēt, izmanto Document AI. Advokāts, kurš nofotografē pantu, lai tas tiktu izskaidrots, izmanto redzi; tas pats advokāts, augšupielādējot pilnu 40 lappušu līgumu, lai auditētu tā saistības, izmanto Document AI.
Turpmākajās šīs sadaļas nodarbībās tu iemācīsies augšupielādēt PDF failu Vibe un iegūt automātisku ieguvi, iegūt strukturētus datus — tabulas, galvenes, skaitļus — no jebkura dokumenta un pēc tam uzdot jautājumus par dokumenta saturu, lai saņemtu precīzas atbildes.
Galvenās atziņas
- Document AI ir Mistral risinājums inteliģentai dokumentu apstrādei, ko darbina OCR 3
- Atšķirībā no klasiskā OCR, OCR 3 saprot dokumenta struktūru un kontekstu
- Tas apstrādā tabulas, rokrakstu, daudzvalodu dokumentus un iegultos attēlus
- Vienkāršam attēlam izmanto redzi (Vision); sarežģītam dokumentam izmanto Document AI
- Apstrāde ir ātra: līdz 2000 lappusēm minūtē