Każijiet ta' Użu tal-Annotazzjoni
F'din il-paġna
Aġġornament 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), disponibbli ġeneralment mill-31 ta’ Awwissu 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. Addendum 3 ta’ Novembru, 2026: PDF lokali jiġi trażmess f’base64 bħala{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; it-tipdocument_base64minn eżempji aktar antiki ma jeżistix la fid-dokumentazzjoni u lanqas fl-SDKmistralai, u dawk l-eżempji kienu jfallu. Sorsi: Proċessur tal-OCR · Mistoqsijiet u Tweġibiet dwar id-Dokumenti. Ikkoreġut fit-3 ta’ Novembru, 2026: Il-kodiċi preċedenti kien jaqrapage.document_annotationpaġna b’paġna; fl-SDKmistralai3.7.0, l-annotazzjoni tad-dokument hija qasam wieħed fir-risposta (response.document_annotation), u l-annotazzjoni tal-immaġni tinqara minnimage.image_annotation.
Annotazzjonijiet għal Kull Rwol
L-annotazzjonijiet tad-Document AI jibdlu dokumenti mhux strutturati f’data azzjonabbli. Il-mekkaniżmu huwa dejjem l-istess—skema, prompt, sejħa—imma x’testrah jinbidel b’mod radikali skont ir-rwol. Din il-lezzjoni tgħaddi minn erba’ implimentazzjonijiet konkreti: klassifikazzjoni ‘l fuq fil-pipeline, analiżi tal-klawżoli tal-kuntratt, verifiki ta’ konformità regolatorja, u arrikkiment ta’ indiċi RAG.
Iffiltra Qabel Ma Tipproċessa
F’fluss ta’ xogħol reali, id-dokumenti jaslu mħalltin flimkien: fattura, ordni ta’ xiri, karta tal-identità, ittra. Qabel ma tapplika l-iskema ta’ estrazzjoni xierqa, trid tkun taf x’għandek quddiemek. L-annotazzjoni sservi bħala l-ewwel stadju tal-iffiltrar. L-enum TypeDocument tissakkar fil-kategoriji ammissibbli, il-punteġġ tal-kunfidenza jħallik tirrotta kwalunkwe ħaġa taħt limitu għal reviżjoni umana, u s-sommarju f’sentenza waħda jagħti lill-operaturi biżżejjed kuntest biex jieħdu deċiżjoni mingħajr ma jiftħu l-fajl.
import os
from enum import Enum
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class TypeDocument(str, Enum):
INVOICE = "facture"
PURCHASE_ORDER = "bon_commande"
CONTRACT = "contrat"
REPORT = "rapport"
LETTER = "courrier"
FORM = "formulaire"
ID_DOCUMENT = "piece_identite"
OTHER = "autre"
class Classification(BaseModel):
document_type: TypeDocument = Field(
..., description="Identified document type"
)
confidence: float = Field(
..., description="Confidence score between 0 and 1"
)
language: str = Field(
..., description="Primary language (ISO 639-1 code)"
)
summary: str = Field(
..., description="One-sentence summary of the content"
)
def classify_document(document_base64: str) -> Classification:
"""Tikklassifika awtomatikament dokument."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
Classification
),
document_annotation_prompt=(
"Identify the type of this document and provide "
"a summary of its content."
)
)
if response.document_annotation:
return Classification.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Aqra Kuntratt bħal Avukat
L-analiżi tal-kuntratti hija każ ta’ użu ewlieni fil-qasam legali u finanzjarju, u huwa fejn l-iskemi mbejjna jirnexxu verament. Kull Clause (Klawżola) iġġorri t-titolu tagħha, sommarju tal-kontenut, il-kategorija tagħha—kunfidenzjalità, terminazzjoni, mhux kompetizzjoni, responsabbiltà, ħlas—u valutazzjoni tar-riskju fuq tliet livelli. Il-kuntratt innifsu jiġbor dawn il-klawżoli flimkien mal-partijiet, id-data tal-firma, it-tul, l-ammont, u l-ġuriżdizzjoni applikabbli. Fuq portafoll ta’ mitejn kuntratt ta’ fornituri, tikseb f’ftit sigħat mappa li ħadd ma kellu l-ħin jipproduċi manwalment.
Il-qasam risk jeħtieġ twissija: hija valutazzjoni prodotta minn mudell, utli biex tingħata prijorità lir-reviżjoni ta’ avukat, qatt mhux biex tissostitwixxiha.
from pydantic import BaseModel, Field
from typing import Optional
class Clause(BaseModel):
title: str = Field(..., description="Title or number of the clause")
content: str = Field(..., description="Summary of the clause content")
clause_type: str = Field(
..., description="Type: confidentiality, termination, "
"non-compete, liability, payment, other"
)
risk: str = Field(
..., description="Risk level: low, medium, high"
)
class ContractAnalysis(BaseModel):
parts: list[str] = Field(
..., description="Names of the contracting parts"
)
signature_date: Optional[str] = Field(
None, description="Signature date (YYYY-MM-DD)"
)
duration: Optional[str] = Field(
None, description="Contract duration"
)
key_clauses: list[Clause] = Field(
..., description="Identified main clauses"
)
amount: Optional[float] = Field(
None, description="Total amount if mentioned"
)
jurisdiction: Optional[str] = Field(
None, description="Applicable jurisdiction"
)
def analyze_contract(document_base64: str) -> ContractAnalysis:
"""Janalizza kuntratt u jestraħ il-klawżoli ewlenin."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ContractAnalysis
),
document_annotation_prompt=(
"Analyze this commercial contract. Identify the parts, "
"the main clauses, and evaluate the risk level "
"of each clause."
)
)
if response.document_annotation:
return ContractAnalysis.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Ivverifika l-Konformità Awtomatikament
Il-kontroll regolatorju huwa partikolarment adattat għall-annotazzjoni għax il-kriterji huma miktuba b’mod ċar fil-liġi. Għal fattura Franċiża, il-prompt jelenka l-obbligi li għandhom jiġu vverifikati—semmiet obbligatorji (SIRET, VAT intra-komunitarja, termini ta’ ħlas, penali għal ħlas tard), formatjar tal-ammont, data tal-ħruġ—u l-iskema timponi, għal kull kriterju, verdett boolean akkumpanjat mill-ġustifikazzjoni tiegħu. Tirrikupra punteġġ globali u rakkomandazzjonijiet għat-titjib, li huwa biżżejjed biex timblokka fattura mhux konformi qabel ma tidħol fiċ-ċirkwit tal-ħlas.
from pydantic import BaseModel, Field
class CompliancePoint(BaseModel):
criterion: str = Field(..., description="Compliance criterion checked")
compliant: bool = Field(..., description="True if compliant, False otherwise")
justification: str = Field(
..., description="Explanation of compliance or non-compliance"
)
class ComplianceAudit(BaseModel):
document_type: str = Field(..., description="Type of document audited")
compliance_points: list[CompliancePoint] = Field(
..., description="Compliance points checked"
)
global_score: float = Field(
..., description="Global compliance score (0-100)"
)
recommendations: list[str] = Field(
..., description="Improvement recommendations"
)
def audit_invoice_compliance(document_base64: str) -> ComplianceAudit:
"""Tivverifika l-konformità tal-fattura skont ir-regoli Franċiżi."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ComplianceAudit
),
document_annotation_prompt=(
"Verify the compliance of this invoice according to "
"French legal obligations: mandatory mentions "
"(SIRET, intra-community VAT, payment terms, "
"late payment penalties), amount formatting, issue date."
)
)
if response.document_annotation:
return ComplianceAudit.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Ma Titlef Xejn Qabel l-Indiċjar
Każ ta’ użu aħħari, aktar diskret iżda deċiżiv: tħejjija tal-kontenut għal indiċi RAG. Indiċi mibni biss fuq Markdown jitlifek kollox li kien viżwali, u t-tfittxijiet tiegħek qatt ma jsibu l-grafika li fiha kien hemm iċ-ċifra ewlenija. Il-funzjoni hawn taħt terġa’ tikkomponi, paġna b’paġna, it-test u d-deskrizzjoni ta’ kull immaġni, imbagħad iżid il-metadejta estratta mid-dokument, f’blokk waħda lest biex jinqasam f’biċċiet (chunks).
def enrich_for_rag(ocr_response) -> str:
"""Tarrikka l-kontenut tal-OCR b'annotazzjonijiet għar-RAG."""
parts = []
for page in ocr_response.pages:
# Kontenut tat-test
parts.append(page.markdown)
# Annotazzjonijiet tal-immaġni (issostitwixxi l-immaġnijiet bid-deskrizzjoni tagħhom)
for image in page.images:
if image.image_annotation:
parts.append(
f"[Description of {image.id}]: {image.image_annotation}"
)
# Annotazzjoni tad-dokument: waħda biss, miġbura mir-risposta
if ocr_response.document_annotation:
parts.append(
f"[Extracted Metadata]: {ocr_response.document_annotation}"
)
return "\n\n".join(parts)
Billi żżid id-deskrizzjonijiet tal-immaġnijiet u l-metadejta estratta mal-kontenut indikat, ma titlef l-ebda informazzjoni mid-dokument oriġinali. Tinnota li dawn l-erba’ xenarji jaqsmu l-istess għadma: li jiddistingwihom hija l-iskema u l-prompt, mhux il-kodiċi tas-sejħa.
Punti Ewlenin
- Il-klassifikazzjoni awtomatika tirrotta d-dokumenti lejn il-pipeline ta’ pproċessar korrett
- L-estrazzjoni tal-klawżoli tal-kuntratt tidentifika r-riskji u l-punti ewlenin
- Il-verifika tal-konformità tawtomatizza l-awditi regolatorji
- L-arrikkiment tal-annotazzjoni jtejjeb il-kwalità tal-indiċjar RAG
- Kull każ ta’ użu jinżel għal skema Pydantic iddisinjata tajjeb u prompt adattat