Daħla għad-Document AI
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — OCR. L-OCR 4.0 (
mistral-ocr-4-0) ġie rtirat fit-30 ta’ Settembru, 2026. Uża l-OCR 4.1 (mistral-ocr-4-1), li ilu disponibbli ġeneralment mill-31 ta’ Awwistu bl-istess prezz, jew l-aliasmistral-ocr-latest, li jipponta lejh mis-16 ta’ Lulju. L-OCR 4.1 iżid punteġġi ta’ kunfidenza fil-livell tal-blokki.
Għaliex id-Document AI jbiddel ir-regoli tal-logħba
Kull filgħodu, kumpanija tal-assigurazzjoni tirċievi mijiet ta’ formoli ta’ talbiet: dokumenti skennjati mmejla f’angoli strambi, rapporti miktuba bl-idejn b’pinna, u ritratti ta’ fatturi meħuda bit-telefon. Il-banek jiffaċċjaw l-istess kwistjoni mal-estratti konti, l-isptarijtar-rekords tal-pazjenti, u l-aġenziji governattivi mal-formoli. Għal deċennji sħaħ, ir-rikonoxximent ottiku tal-karattri (OCR) tradizzjonali pprova jsolvi din il-problema, spiss b’riżultati deludenti hekk kif il-layouts isiru kumplessi, tinvolvi kitba bl-idejn, jew id-dokumenti jħalltu bosta lingwi.
Mistral AI beniet Document AI biex timmaniġġja eżattament dan it-tip ta’ fluss tax-xogħol. Mhix sempliċiment magna OCR oħra: is-soluzzjoni tgħaqqad mudell tal-lingwa viżiva (VLM) speċjalizzat ma’ kapaċitajiet ta’ estrazzjoni strutturata u intelliġenza tad-dokumenti. Fi kliem ieħor, ma taqrax biss il-karattri; tirrikostruwixxi d-dokument kif huwa organizzat u tippermettilek tistaqsih wara.
It-Tliet Servizzi ta’ Document AI
Id-Document AI jiddependi fuq tliet servizzi komplementari, kollha aċċessibbli permezz tal-Mistral API. Huwa utli li tifhem kif dawn jgħaqqdu flimkien mill-bidu nett.
L-ewwel, l-OCR Processor, huwa l-qalb tas-sistema. Il-mudell mistral-ocr-latest (OCR 4) jestratti t-test minn dokumenti skennjati, PDFs, immaġni, u preżentazzjonijiet. Fejn OCR klassiku bħal Tesseract jagħtik taħlita mħarbta ta’ linji, dan il-mudell jippreserva l-istruttura: titoli, paragrafi, tabelli, listi, u ħoloq ipertestwali. Ħu dik il-formola tat-talba tal-assigurazzjoni mill-ġdid: tikseb il-formola lura bis-sezzjonijiet tagħha identifikati, mhux blokk ta’ test li trid tiftiek biex tifhmu.
It-tieni servizz, Document Annotations, jieħu f’idejh biex jestratti dataazzjonabbli. Tiddefinixxi skema Pydantic—isem il-pazjent, ammont tal-fattura, klawżoli tal-kuntratt—u l-mudell jimla dawn il-kampijiet awtomatikament. Inti timxi minn test li jinqara għal valuri ttajpjati li sistema tal-informazzjoni tista’ tieħu ġo fiha.
It-tielet, Document QnA, jgħaqqad l-OCR ma’ LLM ta’ Mistral biex jippermettilek tagħmel mistoqsijiet bil-lingwa naturali dwar il-kontenut. Dan huwa dak li jippermetti lil avukat jistaqsi, “X’inhu l-perjodu ta’ avviż għat-terminazzjoni?” minflok ma jerġa’ jaqra erbgħin paġna. Hija wkoll il-mod naturali biex taċċessa arkivji kbar jew tqabbar rapporti.
OCR Tradizzjonali vs Document AI
L-OCR tradizzjonali, kemm jekk Tesseract jew Adobe Acrobat, jaħdem billi jirrikonoxxi mudelli pixel b’pixel. Dak il-prinċipju jaħdem tajjeb fuq paġna stampata ċara, iżda jfalli hekk kif toħroġ minn dak il-każ ideali. Gazzetta b’bosta kolonni, intestaturi mbejjna, u barrell laterali illustrati tipproduċi test fejn l-ordni tal-qari ma jagħmilx sens aktar. Noti ta’ tabib miktuba bl-idejn jew formoli mimlija manwalment jibqgħu illegibbli għalih. Tabelli b’ċelloli magħquda, fruntieri nieqsa, jew allinjamenti irregolari jitilfu r-relazzjoni kollha bejn il-kolonni u r-ringieli. Żid dokument li jħallat skritti Latini, Għarab u Asjatiċi, jew skennja storbjuża, mejla u mċajpra, u r-rata ta’ żball issir projbittiva.
Id-Document AI jibni fuq mudell viżiv imwaħħal sewwa (VLM) li jifhem is-semantika tad-dokumenti. Ma jirrikonoxxix biss il-karattri: jifhem l-istruttura, il-kuntest, u r-relazzjonijiet bejn l-elementi. Din id-differenza fundamentali fin-natura, mhux sempliċiment qligħ fil-preċiżjoni, tispjega r-riżultati tiegħu fuq każijiet diffiċli.
Output ta’ Markdown Strutturat
Differenza ewlenija oħra: Document AI jipproduċi Markdown strutturat, mhux test sempliċi. Kull paġna tiġi rritornata bil-kontenut testwali tagħha ttikkettat—intestaturi, listi, paragrafi—it-tabelli tagħha fformatati f’Markdown jew HTML, l-immaġni estratti akkumpanjati mill-pożizzjoni tagħhom, il-ħoloq ipertestwali ppreservati, u, jekk trid, l-intestaturi u l-piè di paġna iżolati mill-korp. Dan l-output huwa lest biex jintuża: tista’ tindiċjah f’database vettorjali għal RAG, tarkivjah, jew turih hekk kif inhu, mingħajr pass intermedjarju ta’ tindif.
Fuq in-naħa tal-input, is-servizz ikopri PDFs (skennjati u nattivi), immaġni PNG, JPEG, u AVIF, preżentazzjonijiet PPTX, u dokumenti DOCX. Id-daqs massimu tal-fajl huwa 50 MB, b’limitu ta’ 1,000 paġna—żewġ limiti li għandek iżżomm f’moħħok meta taqsam il-batches tiegħek.
X’se titgħallem
Il-kors isegwi l-ordni tat-tliet servizzi. Il-lezzjonijiet 1 sa 3 ikopru l-ħarsa ġenerali, il-mudell OCR 4, u l-każijiet ta’ użu. Il-lezzjonijiet 4 sa 8 jidħlu aktar fil-fond fl-OCR: l-API, il-kodiċi Python, it-tabelli, l-intestaturi u l-piè di paġna, u l-ottimizzazzjoni tal-preċiżjoni. Il-lezzjonijiet 9 sa 12 jittrattaw l-annotazzjonijiet, mill-estrazzjoni tal-metadata sal-ipproċessar bil-batch. Il-lezzjonijiet 13 sa 16 jittrattaw id-document QnA, minn dokumenti singoli sa setups multi-dokument, sal-integrazzjoni ta’ RAG u pipelines tal-produzzjoni.
Punti Ewlenin
- Document AI jgħaqqad l-OCR, annotazzjonijiet strutturati, u QnA f’soluzzjoni waħda
- Il-mudell OCR 4 jaqbeż b’mod kbir is-soluzzjonijiet tradizzjonali tal-OCR fil-preċiżjoni u l-flessibbiltà
- L-output ta’ Markdown strutturat jagħmel l-integrazzjoni fil-pipelines eżistenti tiegħek faċli
- Tliet servizzi komplementari jkopru ċ-ċiklu tal-ħajja kollu tad-dokument