Analyser des graphiques avec l'API Vision
Op deze pagina
Lire les graphiques comme un analyste
Les graphiques (histogrammes, courbes, camemberts, aires) sont omniprésents dans les rapports d’entreprise, les tableaux de bord et les publications scientifiques. Ils posent un problème spécifique : l’information est enfermée dans une image, souvent sans les données sources associées. Un rapport annuel au format PDF peut contenir trente courbes, et personne ne possède plus le fichier Excel d’origine.
L’API Vision de Mistral peut lire ces graphiques, interpréter les tendances et extraire des données numériques. Cette leçon vous montre comment rédiger des instructions (prompts) produisant des résultats actionnables plutôt que des commentaires vagues, et comment structurer la sortie.
Principes de l’analyse de graphiques
Laissé à lui-même, le modèle produit une phrase générique du type « ce graphique montre l’évolution des ventes ». Une instruction efficace impose invece un processus ordonné : identifier le type de graphique (histogramme, courbe, camembert, nuage de points), lire les axes et les légendes avec leurs unités et échelles, extraire les valeurs en approximant leur position visuelle, et seulement ensuite interpréter les tendances (hausse, baisse, saisonnalité, anomalies). L’ordre compte : une interprétation formulée avant la lecture des axes est une interprétation inventée.
Analyser un histogramme
Le message système est l’endroit idéal pour encoder cette méthode une fois pour toutes, quel que soit le graphique analysé :
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": """You are an expert data analyst. When analyzing a chart:
1. Identify the chart type and its title
2. Describe the axes (labels, units, scale)
3. List the main values you can read
4. Identify trends, highs/lows, and anomalies
5. Write a 2-3 sentence conclusion"""
},
{
"role": "user",
"content": [
{"type": "text", "text": "Analyze this bar chart of quarterly revenue."},
{"type": "image_url", "image_url": "https://exemple.com/ca-trimestriel.png"}
]
}
]
)
print(response.choices[0].message.content)
L’instruction système structure la réponse du modèle en étapes logiques, améliorant à la fois la précision et la lisibilité. Vous obtenez un rapport cohérent d’un graphique à l’autre, ce qui est essentiel si ces réponses doivent être traitées automatiquement par la suite.
Extraire des données numériques
Pour obtenir des données exploitables plutôt qu’une description, l’instruction doit être explicitement restrictive. Le modèle a une tendance naturelle à commenter ; vous devez le lui interdire :
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "You are a data extractor. Analyze the chart and return the data as a markdown table. Do not comment, do not describe—only extract the data."
},
{
"role": "user",
"content": [
{"type": "text", "text": "Extract the data from this bar chart into a table."},
{"type": "image_url", "image_url": "https://exemple.com/ventes-mensuelles.png"}
]
}
]
)
Le modèle renverra quelque chose comme :
| Month | Sales (k€) |
|----------|------------|
| January | 120 |
| February | 135 |
| March | 148 |
Ce format se parsse en quelques lignes de code et s’importe directement dans un tableur ou un DataFrame.
Analyser un graphique en courbes (tendances)
Les graphiques en courbes sont particulièrement adaptés à l’analyse des tendances, et la question peut alors devenir un questionnaire complet posé dans le message utilisateur :
prompt_tendance = """Analyze this line chart and answer:
1. What is the general trend (rising, falling, stable)?
2. Are there any inflection points? If so, on what dates?
3. Do you observe seasonality?
4. What is the approximate value at the start and end of the period?
5. What projection do you make for the next quarter?"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": prompt_tendance},
{"type": "image_url", "image_url": "https://exemple.com/evolution-prix.png"}
]
}
]
)
La cinquième question est de nature différente des quatre premières : elle demande une extrapolation, non une lecture. Traitez sa réponse comme une hypothèse à valider, jamais comme un fait.
Analyser un camembert (répartition)
Pour les camemberts, la question se concentre sur les proportions et la concentration plutôt que sur l’évolution :
prompt_camembert = """Analyze this pie chart:
- List each segment with its approximate percentage
- Identify the dominant segment
- Indicate whether the distribution is concentrated or dispersed
Return the data in a markdown table."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": prompt_camembert},
{"type": "image_url", "image_url": "https://exemple.com/repartition-marche.png"}
]
}
]
)
Vérifiez toujours que la somme des pourcentages renvoyés est proche de 100 : un total de 87 % signale une lecture incomplète, un segment oublié ou l’un d’eux caché par la légende.
Pipeline d’analyse de rapports
Ces appels isolés deviennent utiles à l’échelle d’un rapport entier. Le script suivant parcourt un dossier de graphiques exportés, demande à chaque fois une sortie JSON standardisée et enregistre le tout dans un fichier unique :
import base64
from pathlib import Path
from mistralai.client import Mistral
import json
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def encoder_image(chemin):
with open(chemin, "rb") as f:
b64 = base64.standard_b64encode(f.read()).decode("utf-8")
return f"data:image/png;base64,{b64}"
def analyser_graphique(chemin_image, question=None):
"""Analyze a chart and return structured data."""
if question is None:
question = "Analyze this chart. Return a JSON with: type (bar/line/pie/other), title, data (array of {label, value}), trend, and summary."
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "Return only valid JSON, no markdown code blocks."
},
{
"role": "user",
"content": [
{"type": "text", "text": question},
{"type": "image_url", "image_url": encoder_image(chemin_image)}
]
}
]
)
return response.choices[0].message.content
# Analyze all charts in a folder
dossier = Path("rapport/graphiques/")
resultats = {}
for fichier in sorted(dossier.glob("*.png")):
print(f"Analyse de {fichier.name}...")
resultats[fichier.name] = analyser_graphique(fichier)
# Save results
with open("rapport/analyse_graphiques.json", "w", encoding="utf-8") as f:
json.dump(resultats, f, ensure_ascii=False, indent=2)
L’instruction « no markdown code blocks » évite l’agacement classique du JSON enveloppé dans des triples backticks, ce qui brise le parsing.
Limites de l’analyse de graphiques
Quatre situations mettent le modèle à l’épreuve, et vous devez les connaître avant de construire un processus autour de lui. Premièrement, les valeurs précises : elles sont estimées à partir de la position visuelle des barres ou des points, avec une marge d’erreur de 5 à 10 %. Deuxièmement, les graphiques encombrés, où de multiples séries, légendes et petits textes brouillent la lisibilité. Troisièmement, la faible résolution, qui rend les étiquettes floues ou pixelisées et illisibles — rappelez-vous le redimensionnement interne décrit dans la leçon 2. Enfin, les graphiques en 3D, où la perspective déforme mécaniquement la lecture des hauteurs.
La conclusion pratique est claire : pour une extraction précise, privilégiez l’export des données sources au format CSV lorsque cela est possible. L’API Vision est idéale pour une analyse et une synthèse rapides, pas pour remplacer un tableur. Elle excelle lorsque les données sources ont disparu ; c’est un mauvais choix lorsque les données sont à portée de main.
Belangrijkste punten
- Utilisez Mistral Large 3 pour l’analyse de graphiques — la précision est cruciale
- Structurez votre instruction en étapes : type, axes, valeurs, tendances, conclusion
- Demandez explicitement un format de sortie (tableau markdown, JSON) pour des données exploitables
- Le modèle estime les valeurs avec une marge de 5 à 10 % — ne l’utilisez pas pour des chiffres exacts
- Combinez l’API Vision avec un export CSV pour tirer le meilleur des deux mondes