Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Workshop : Extractie gestructureerd

Les 15 van 16 Bijgewerkt op 28 juli 2026 Beginner
Op deze pagina
  1. Doel van de workshop
  2. Oefening 1: JSON-extractie uit vrije tekst
  3. Oefening 2: Gestructureerde documentsamenvatting
  4. Oefening 3: Technische vertaling met behoud van opmaak
  5. Belangrijkste punten

Doel van de workshop

Deze workshop bouwt voort op een vaardigheid uit de vorige sessie: gestructureerde extractie. Dit houdt in dat u vrije tekst omzet in data die door een programma gebruikt kan worden. Het vormt de brug tussen natuurlijke taal en uw informatiesystemen: een factuur die als PDF binnenkomt, wordt een regel in uw boekhoudsoftware; een monitoringartikel wordt een dashboardvermelding. U oefent drie opdrachten met Mistral-modellen: JSON-extractie, samenvatten van documenten in een verplicht formaat, en technische vertaling met behoud van opmaak. Daarnaast herhaalt u twee technieken uit het hoofdstuk over parameters: het vooraf invullen door de assistent en stop-sequenties.

Oefening 1: JSON-extractie uit vrije tekst

Startscenario: u automatiseert de verwerking van facturen die per e-mail binnenkomen. De tekst verschilt per leverancier, maar u moet steeds dezelfde velden extraheren. De systeemprompt legt alles vast: puur JSON zonder commentaar, null voor ontbrekende velden (niet “niet verstrekt” of lege strings, aangezien uw code controleert op is None), bedragen als getallen zonder valutasymbool, datums in ISO 8601, en BTW gescheiden van het bedrag exclusief belasting. Elke regel voorkomt een parse-fout verderop in de keten.

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}"

Verwacht resultaat:

{
  "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"
}

Let op de combinatie van vooraf invullen door de assistent (het "{"-bericht) en de stop-sequentie: het eerste dwingt het model direct naar JSON zonder inleidingen zoals “Hier is de geëxtraheerde data:”, het tweede voorkomt dat het model doorgaat na de sluitende haakje. U reconstrueert vervolgens de volledige JSON aan de kant van de code.

Oefening 2: Gestructureerde documentsamenvatting

Tweede scenario: u voedt een intern monitoringdashboard met samenvattingen van lange rapporten. Om een uniforme weergave te garanderen, moet elke samenvatting exact hetzelfde formaat volgen. De systeemprompt handhaaft dit, veld voor veld, met lengtelimieten.

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
)

Dit is wat u zou moeten krijgen: een feitelijke samenvatting die samenvat zonder te vervormen, en een actieveld dat monitoring omzet in besluitvorming:

{
  "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."
}

De temperatuur gaat hier naar 0,1 in plaats van 0,0: een samenvatting vereist enige speelruimte in formulering, in tegenstelling tot pure extractie waar elke waarde uit de brontekst komt.

Oefening 3: Technische vertaling met behoud van opmaak

Derde scenario: vertaal technische documentatie van het Frans naar het Engels, terwijl u Markdown-opmaak en technische termen exact behoudt zoals ze zijn. De valkuil bij technische vertaling ligt hier: een te ijverige vertaler vertaalt temperature als “température” in een codevoorbeeld, waardoor de documentatie niet langer overeenkomt met de daadwerkelijke API. De oplossing is om expliciet op te sommen wat onaantastbaar is.

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 )

Controleer het resultaat punt voor punt: Markdown-headers (`##`, `###`) blijven behouden, termen tussen backticks (`mistralai`, `temperature`, `top_p`, `max_tokens`) blijven in het Engels, codeblokken zijn identiek behalve de vertaalde commentaar, vetgedrukte tekst (`**Important**`) blijft behouden, en lijsten behouden hun structuur. Elke afwijking op een van deze punten signaleert een regel die in de systeemprompt versterkt moet worden.

## Geavanceerde technieken voor extractie

Een gouden regel loopt door deze workshop heen: vertrouw nooit blindelings op de uitvoer van het model. Valideer na extractie altijd de JSON aan de kant van de code:

```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")

En als het model ondanks alles geen geldige JSON retourneert, volg dan een escalatiepad:

  1. Opnieuw proberen met temperature=0.0
  2. Gebruik vooraf invullen door de assistent om het formaat af te dwingen
  3. Voeg een voorbeeld (one-shot) toe van de verwachte uitvoer
  4. Parse als laatste redmiddel de respons met een regex om de JSON te extraheren

Belangrijkste punten

  • Vooraf invullen door de assistent en stop-sequenties garanderen geldige JSON
  • Verstrek altijd het exacte JSON-schema in de prompt
  • Temperatuur 0 voor extractie, 0,1-0,2 voor samenvattingen
  • Valideer de uitvoer systematisch aan de kant van de code
  • Vermeld bij technische vertaling expliciet wat niet vertaald mag worden