Przejdź do głównej treści
Polski— Wybierz język
Menu

Wykresy i diagramy

Lekcja 7 z 12 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Analiza danych wizualnych
  2. Dlaczego różni się to od OCR?
  3. Analiza prostego wykresu
  4. Ekstrakcja danych tabelarycznych
  5. Analiza diagramów technicznych
  6. Porównywanie wykresów
  7. Profesjonalny przypadek użycia: Automatyczne raporty
  8. Ograniczenia analizy wykresów
  9. Kluczowe wnioski

Analiza danych wizualnych

Grok analizujący wykres finansowy Wykresy, diagramy i tabele są wszechobecne w świecie zawodowym: raporty finansowe, pulpity nawigacyjne, prezentacje, publikacje naukowe. Grok Vision pozwala automatycznie ekstrahować dane i wnioski z tych wizualizacji.

Dlaczego różni się to od OCR?

Analiza wykresów wykracza daleko poza zwykłe ekstrakcję tekstu. Model musi:

  • Zidentyfikować typ wykresu (słupkowy, liniowy, kołowy, rozrzutu itp.)
  • Odczytać osie i ich skale
  • Ekstrahować wartości danych
  • Zrozumieć legendy i powiązać je z seriami danych
  • Zinterpretować trendy i wzorce

Analiza prostego wykresu

def analyze_chart(image_url):
    prompt = """Analyze this chart and provide:

1. Chart type (bar, line, pie, etc.)
2. Chart title (if visible)
3. X and Y axis labels
4. Extracted data as a table
5. Main observed trend
6. Any annotations or notable points

Present the data in a markdown table."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Tryb detail: "high" jest niezbędny do odczytania precyzyjnych wartości na osiach i w legendach.

Ekstrakcja danych tabelarycznych

Aby uzyskać dane gotowe do bezpośredniego użycia w kodzie:

def extract_chart_data(image_url):
    prompt = """Extract data from this chart in JSON.
Expected format:
{
  "type": "bar|line|pie|scatter",
  "title": "...",
  "x_axis": {"label": "...", "values": [...]},
  "y_axis": {"label": "...", "unit": "..."},
  "series": [
    {
      "name": "Series 1",
      "values": [10, 20, 30, ...]
    }
  ]
}

Estimate numerical values as precisely as possible
based on the position of points/bars relative
to the tick marks."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Analiza diagramów technicznych

Grok dobrze radzi sobie również z diagramami architektury, schematami przepływu i blokowymi:

def analyze_diagram(image_url):
    prompt = """Analyze this technical diagram and describe:

1. Diagram type (architecture, flow, flowchart, UML, etc.)
2. Main components/entities
3. Connections and relationships between components
4. Data or process flow (if applicable)
5. Technologies or tools mentioned

If this is a flow diagram, describe the main path
from end to end."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Porównywanie wykresów

Możesz przesłać wiele wykresów w tym samym żądaniu, aby przeprowadzić analizę porównawczą:

def compare_charts(url_chart_1, url_chart_2):
    prompt = """Compare these two charts and identify:

1. Common points (measured variables, period, etc.)
2. Differences in trend
3. Significant gaps
4. A 3-4 sentence summary"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_text", "text": "Chart 1:"},
            {"type": "input_image", "image_url": url_chart_1, "detail": "high"},
            {"type": "input_text", "text": "Chart 2:"},
            {"type": "input_image", "image_url": url_chart_2, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Profesjonalny przypadek użycia: Automatyczne raporty

Wyobraź sobie potok, który przekształca zrzuty ekranu z pulpitów nawigacyjnych w raporty tekstowe:

def generate_dashboard_report(screenshots):
    report_sections = []

    for i, screenshot in enumerate(screenshots, 1):
        prompt = f"""You are a business analyst. This screenshot
is section {i} of a dashboard. Analyze the displayed metrics
and write a professional summary paragraph.

Include:
- Main KPIs and their values
- Trends (increase, decrease, stability)
- Visible alerts or anomalies
- A recommendation if relevant"""

        response = client.responses.create(
            model="grok-4.5",
            input=[
                {"type": "input_image", "image_url": screenshot, "detail": "high"},
                {"type": "input_text", "text": prompt}
            ],
            store=False
        )
        report_sections.append(response.output_text)

    return "\n\n".join(report_sections)

Ograniczenia analizy wykresów

  • Precyzja wartości: Grok szacuje wartości na podstawie pozycji wizualnej. Dla dokładnych wartości preferuj dane źródłowe.
  • Wykresy 3D: Perspektywiczne przedstawienia komplikują odczyt wartości.
  • Nachodzące na siebie wykresy: Gdy wiele serii się nakłada, ich rozróżnienie może być trudne.
  • Małe legendy: Legendy z bardzo małym tekstem mogą zostać błędnie odczytane nawet w trybie high.

Kluczowe wnioski

  • Grok analizuje wykresy, rozumiejąc kontekst, a nie tylko tekst.
  • Używaj detail: "high" do precyzyjnego odczytu wartości i legend.
  • Żądaj sformatowanej struktury (JSON, tabela Markdown), aby wykorzystać dane.
  • Porównywanie wielu obrazów dobrze sprawdza się w analizie krzyżowej.
  • Ekstrahowane wartości to szacunki wizualne, a nie dokładne dane.