Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Workshop: Estrazzjoni Strutturata

Lezzjoni 15 / 16 Aġġornat 28 ta’ Lulju 2026 Bidbieni
F'din il-paġna
  1. Għan tal-Workshop
  2. Eżerċizzju 1: Estrazzjoni JSON minn Test Liberu
  3. Eżerċizzju 2: Riassunt Strutturat ta’ Dokument
  4. Eżerċizzju 3: Traduzzjoni Teknika bil-Preservazzjoni tal-Format
  5. Punti Ewlenin

Għan tal-Workshop

Dan il-workshop jibni fuq ħila introdotta f’dak ta’ qabel: l-estrazzjoni strutturata, li tfisser li ttrasforma test liberu f’data użabbli minn programm. Dan jagħmel pont bejn il-lingwa naturali u s-sistemi tal-informazzjoni tiegħek—il-fattura li tasal bħala PDF issir linja fis-softwer tal-kontabbiltà tiegħek, l-artiklu ta’ monitoraġġ isir daħla fid-dashboard. Se tipprattika tliet eżerċizzji bil-mudelli Mistral: estrazzjoni JSON, riassunt ta’ dokumenti f’format mandat, u traduzzjoni teknika bil-preservazzjoni tal-iffurmatjar. Se terġa’ taraw ukoll żewġ tekniki mit-taqsima tal-parametri: il-pre-mili tal-assistent u s-sekwenzi ta’ waqfien.

Eżerċizzju 1: Estrazzjoni JSON minn Test Liberu

Xenarju tal-bidu: qed tawtomatizza l-ipproċessar ta’ fatturi li jaslu permezz tal-email. It-test ivarja minn fornitur għall-ieħor, iżda dejjem trid testratta l-istess oqsma. Il-prompt tas-sistema jissakkar kull ma jista’ jiġi: JSON pur mingħajr kummenti, null għal oqsma nieqsa (mhux “mhux ipprovdut” jew strings vojta, peress li l-kodiċi tiegħek se jiċċekkja is None), ammonti bħala numri mingħajr simboli tal-munita, dati fil-format ISO 8601, u l-VAT separata mill-ammont qabel it-taxxa. Kull waħda minn dawn ir-regoli tipprevjeni bug fl-ipproċessar sussegwenti.

messages = [
    {
        "role": "system",
        "content": """You are a data extractor specialized in accounting documents.
Strict rules:
- Return ONLY valid JSON, no comments or additional text
- If a field is not found, use null (not "not provided", not "")
- Amounts must be numbers (no euro symbol in the value)
- Dates in ISO 8601 format (YYYY-MM-DD)
- VAT must be extracted separately from the pre-tax amount"""
    },
    {
        "role": "user",
        "content": """Extract data from this invoice:

"FACTURE N° 2026-0847
Date : 15 mars 2026

De : CloudServ SAS
     42 rue de la Paix, 75002 Paris
     SIRET : 823 456 789 00012

À : TechCorp SARL
    12 avenue des Champs, 69001 Lyon

Désignation : Hébergement cloud - Pack Premium
Période : 01/03/2026 au 31/03/2026
Montant HT : 1 250,00 EUR
TVA 20% : 250,00 EUR
Total TTC : 1 500,00 EUR

Conditions de paiement : 30 jours fin de mois
IBAN : FR76 3000 4000 0500 0001 2345 678"

JSON Schema:
{
  "numero_facture": "string",
  "date_facture": "string (YYYY-MM-DD)",
  "fournisseur": {
    "nom": "string",
    "adresse": "string",
    "siret": "string"
  },
  "client": {
    "nom": "string",
    "adresse": "string"
  },
  "lignes": [
    {
      "designation": "string",
      "periode": "string",
      "montant_ht": "number"
    }
  ],
  "tva_taux": "number",
  "tva_montant": "number",
  "total_ttc": "number",
  "conditions_paiement": "string",
  "iban": "string"
}"""
    },
    {
        "role": "assistant",
        "content": "{"
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0,
    stop=["\n}"]
)
# Reconstruct the JSON: "{" + response + "\n}"

Riżultat mistenni:

{
  "numero_facture": "2026-0847",
  "date_facture": "2026-03-15",
  "fournisseur": {
    "nom": "CloudServ SAS",
    "adresse": "42 rue de la Paix, 75002 Paris",
    "siret": "823 456 789 00012"
  },
  "client": {
    "nom": "TechCorp SARL",
    "adresse": "12 avenue des Champs, 69001 Lyon"
  },
  "lignes": [
    {
      "designation": "Hébergement cloud - Pack Premium",
      "periode": "01/03/2026 au 31/03/2026",
      "montant_ht": 1250.00
    }
  ],
  "tva_taux": 20,
  "tva_montant": 250.00,
  "total_ttc": 1500.00,
  "conditions_paiement": "30 jours fin de mois",
  "iban": "FR76 3000 4000 0500 0001 2345 678"
}

Innota l-kombinazzjoni tal-pre-mili tal-assistent (il-messaġġ "{") u s-sekwenza ta’ waqfien: l-ewwel tifforza lill-mudell direttament fil-JSON mingħajr preambolu bħal “Hawnhekk hija d-data estratta:”, it-tieni jipprevjenih milli jkompli wara l-bracket tal-għeluq. Imbagħad tirrikostruwixxi l-JSON sħiħ fuq in-naħa tal-kodiċi.

Eżerċizzju 2: Riassunt Strutturat ta’ Dokument

It-tieni xenarju: qed tgħaqqad dashboard intern ta’ monitoraġġ b’riassunti ta’ rapporti twal. Biex tiżgura wiri uniformi, kull riassunt irid isegwi eżattament l-istess format—il-prompt tas-sistema jinfurza dan, qasam b’qasam, b’limiti ta’ tul.

messages = [
    {
        "role": "system",
        "content": """You produce structured summaries for a monitoring dashboard.
Mandatory format for each summary:
{
  "titre_court": "max 60 characters",
  "resume": "max 3 sentences, factual, no opinion",
  "impact_business": "low | medium | high",
  "secteurs": ["list of affected sectors"],
  "action_requise": true/false,
  "action_detail": "description if action required, null otherwise"
}"""
    },
    {
        "role": "user",
        "content": """Summarize this article for our monitoring dashboard:

"L'Union européenne a adopté le 28 mars 2026 un nouveau règlement sur
l'intelligence artificielle (AI Act 2.0) qui renforce les obligations de
transparence pour les systèmes de génération de texte et d'images. Les
entreprises qui déploient des modèles de plus de 10 milliards de paramètres
devront désormais publier un rapport d'évaluation des risques trimestriel et
mettre en place un système de traçabilité des contenus générés. Les sanctions
pour non-conformité peuvent atteindre 6% du chiffre d'affaires mondial annuel.
Le règlement entre en vigueur le 1er janvier 2027, avec une période de
transition de 6 mois pour les entreprises déjà en activité. Les PME de moins
de 50 salariés bénéficient d'un régime allégé avec des obligations réduites
de reporting."

Return the structured JSON."""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.1
)

Hawnhekk hawn x’għandek tikseb—riassunt fattwali li jikkondensa mingħajr ma jħawwad, u qasam ta’ azzjoni li jħawwel il-monitoraġġ f’deċiżjoni:

{
  "titre_court": "AI Act 2.0 : nouvelles obligations de transparence IA",
  "resume": "L'UE adopte un renforcement de l'AI Act imposant des rapports trimestriels pour les grands modèles. Les sanctions atteignent 6% du CA mondial. Entrée en vigueur le 1er janvier 2027 avec régime allégé pour les PME.",
  "impact_business": "élevé",
  "secteurs": ["intelligence artificielle", "technologie", "réglementation"],
  "action_requise": true,
  "action_detail": "Évaluer la conformité de nos modèles et planifier la mise en place du reporting trimestriel avant janvier 2027."
}

It-temperatura hawnhekk titla’ għal 0.1 minflok 0.0: riassunt jeħtieġ ftit libertà fil-kliem, kuntrarju għall-estrazzjoni pura fejn kull valur ġej direttament mit-test sors.

Eżerċizzju 3: Traduzzjoni Teknika bil-Preservazzjoni tal-Format

It-tielet xenarju: ittraduċi dokumentazzjoni teknika mill-Franċiż għall-Ingliż filwaqt li tippreserva l-iffurmatjar Markdown u t-termini tekniċi eżattament kif inhuma. Il-faħħ f’din it-traduzzjoni teknika jinsab hawn: traduttur żejjed entużjast se jittraduċi temperature bħala “température” f’eżempju ta’ kodiċi, u d-dokumentazzjoni ma tibqax taqbel mal-API attwali. Is-soluzzjoni hija lielenk b’mod espliċitu x’inhu intanġibbli.

messages = [
    {
        "role": "system",
        "content": """You are a technical translator from French to English.

Rules:
- Preserve Markdown formatting EXACTLY (headers, lists, code blocks)
- Do NOT translate terms in backticks
- Do NOT translate variable, function, or parameter names
- Code blocks remain identical (translate comments only)
- Adapt idiomatic expressions to the English technical context
- Use American English"""
    },
    {
        "role": "user",
        "content": """Translate this documentation passage:

## Configuration de l'API

Pour commencer, installez le package `mistralai` :

```bash
pip install mistralai

Authentification

Vous devez configurer votre clé API avant tout appel :

# Initialisation du client Mistral
client = Mistral(api_key="votre-clé")

Important : ne stockez jamais votre clé API en dur dans le code. Utilisez plutôt des variables d’environnement ou un gestionnaire de secrets.

Paramètres disponibles

  • temperature : contrôle la créativité (défaut : 0.7)
  • top_p : filtrage par probabilité cumulée (défaut : 1.0)
  • max_tokens : limite de tokens en sortie""" } ]

response = client.chat.complete( model=“mistral-large-latest”, messages=messages, temperature=0.2 )

Biex tivvalida r-riżultat, iċċekkja punt b'punt: l-intestaturi Markdown (`##`, `###`) huma ppreservati, it-termini f'backticks (`mistralai`, `temperature`, `top_p`, `max_tokens`) jibqgħu bl-Ingliż, il-blokki tal-kodiċi huma identiċi ħlief għall-kumment tradott, il-grass (`**Important**`) huwa ppreservat, u l-listi jżommu l-istruttura tagħhom. Kwalunkwe devjazzjoni fuq wieħed minn dawn il-punti tissuġġerixxi regola li trid tiġi msaħħa fil-prompt tas-sistema.

## Tekniki Avvanzati għall-Estrazzjoni

Regola tad-deheb tgħaddi minn dan il-workshop kollu: qatt ma trid tifda blindament l-output tal-mudell. Wara l-estrazzjoni, dejjem ivvalida l-JSON fuq in-naħa tal-kodiċi:

```python
import json

try:
    data = json.loads(response.choices[0].message.content)
    # Validate required fields
    required_fields = ["numero_facture", "date_facture", "total_ttc"]
    for field in required_fields:
        if field not in data or data[field] is None:
            print(f"Missing field: {field}")
except json.JSONDecodeError:
    print("Invalid response, retry with temperature=0")

U jekk minkejja kollox il-mudell ma jirritornax JSON validu, segwi mogħdija ta’ eskalazzjoni:

  1. Erġa’ pprova b’temperature=0.0
  2. Uża l-pre-mili tal-assistent biex tifforza l-format
  3. Żid eżempju (one-shot) tal-output mistenni
  4. Bħala l-aħħar riżorsa, ipproċessa r-risposta b’regex biex testratta l-JSON

Punti Ewlenin

  • Il-pre-mili tal-assistent u s-sekwenzi ta’ waqfien jiggarantixxu JSON validu
  • Dejjem ipprovdi l-iskema JSON eżatta fil-prompt
  • Temperatura 0 għall-estrazzjoni, 0.1-0.2 għar-riassunti
  • Ivvalida sistematikament l-output fuq in-naħa tal-kodiċi
  • Għat-traduzzjoni teknika, elenka b’mod espliċitu x’ma għandux jiġi tradott