Przejdź do głównej treści
Polski— Wybierz język
Menu

Wprowadzenie do Document AI

Lekcja 1 z 16 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Dlaczego Document AI zmienia zasady gry
  2. Trzy usługi Document AI
  3. Tradycyjny OCR a Document AI
  4. Strukturalne wyjście w formacie Markdown
  5. Czego się nauczysz
  6. Kluczowe wnioski

Zaktualizowano 2 listopada 2026 — OCR. Model OCR 4.0 (mistral-ocr-4-0) został wycofany 30 września 2026 r. Korzystaj z wersji OCR 4.1 (mistral-ocr-4-1), która jest ogólnodostępna od 31 sierpnia w tej samej cenie, lub z aliasu mistral-ocr-latest, który wskazuje na nią od 16 lipca. OCR 4.1 dodaje wyniki pewności (confidence scores) na poziomie bloków.

Dlaczego Document AI zmienia zasady gry

Każdego ranka firma ubezpieczeniowa otrzymuje setki formularzy zgłoszeniowych: zeskanowane dokumenty pochylone pod dziwnymi kątami, odręczne raporty wypełnione długopisem oraz zdjęcia faktur zrobione telefonem. Banki borykają się z tym samym problemem w przypadku wyciągów, szpitale w przypadku kart pacjentów, a agencje rządowe w przypadku formularzy. Przez dziesięciolecia tradycyjne optyczne rozpoznawanie znaków (OCR) próbowało rozwiązać ten problem, często przynosząc rozczarowujące rezultaty, gdy tylko układy stawały się złożone, pojawiało się pismo odręczne lub dokumenty łączyły wiele języków.

Mistral AI stworzyło Document AI, aby obsługiwać dokładnie tego typu przepływy pracy. To nie jest kolejny silnik OCR: rozwiązanie to łączy wyspecjalizowany model językowo-wizualny (VLM) ze strukturalną ekstrakcją i możliwościami inteligencji dokumentowej. Innymi słowy, nie tylko odczytuje znaki, ale rekonstruuje dokument zgodnie z jego organizacją i pozwala na późniejsze odpytywanie go.

2,000
Stron/min na GPU
3
Zintegrowane usługi
50+
Obsługiwane języki
6
Obsługiwane formaty

Trzy usługi Document AI

Document AI opiera się na trzech uzupełniających się usługach, dostępnych wszystkie poprzez Mistral API. Warto od razu zrozumieć, jak łączą się one w łańcuch przetwarzania.

Pierwsza z nich, Procesor OCR, stanowi rdzeń systemu. Model mistral-ocr-latest (OCR 4) ekstrahuje tekst ze zeskanowanych dokumentów, plików PDF, obrazów i prezentacji. Tam gdzie klasyczny OCR, taki jak Tesseract, zwraca chaotyczny zbiór linii, ten model zachowuje strukturę: nagłówki, akapity, tabele, listy i hiperłącza. Wróćmy do wspomnianego formularza zgłoszenia ubezpieczeniowego: otrzymujesz go z powrotem z zidentyfikowanymi sekcjami, a nie jako blok tekstu, który musisz samodzielnie rozplątywać.

Druga usługa, Adnotacje dokumentów (Document Annotations), przejmuje zadanie ekstrakcji danych gotowych do działania. Definiujesz schemat Pydantic — imię i nazwisko pacjenta, kwota faktury, klauzule umowy — a model automatycznie wypełnia te pola. Przechodzisz od czytelnego tekstu do typowanych wartości, które system informatyczny może bezpośrednio przetworzyć.

Trzecia usługa, QnA dokumentów (Document QnA), łączy OCR z dużym modelem językowym (LLM) Mistral, pozwalając zadawać pytania w języku naturalnym dotyczące treści dokumentu. Dzięki temu prawnik może zapytać: „Jaki jest okres wypowiedzenia?“, zamiast ponownie czytać czterdzieści stron. Jest to również naturalny sposób na dostęp do dużych archiwów lub porównywanie raportów.

Tradycyjny OCR a Document AI

Tradycyjny OCR, будь to Tesseract czy Adobe Acrobat, działa poprzez rozpoznawanie wzorców piksel po pikselu. Zasada ta sprawdza się dobrze na wyraźnych, drukowanych stronach, ale zawodzi, gdy tylko wyjdziesz poza ten idealny przypadek. Gazeta z wieloma kolumnami, zagnieżdżonymi nagłówkami i ilustrowanymi ramkami bocznymi generuje tekst, w którym kolejność czytania traci sens. Odręczne notatki lekarskie lub ręcznie wypełnione formularze pozostają dla niego nieczytelne. Tabele ze scalonymi komórkami, brakującymi obramowaniami lub nieregularnym wyrównaniem tracą wszelkie relacje między kolumnami i wierszami. Dodaj do tego dokument mieszający pisma łacińskie, arabskie i azjatyckie lub zaszumiony, pochylony, rozmyty skan, a wskaźnik błędów staje się nie do zaakceptowania.

Document AI bazuje na dostrojonym modelu wizualnym (VLM), który rozumie semantykę dokumentów. Nie tylko rozpoznaje znaki: pojmuje strukturę, kontekst i relacje między elementami. Ta fundamentalna różnica w naturze działania, a nie jedynie prosty wzrost dokładności, wyjaśnia jego wyniki w trudnych przypadkach.

Strukturalne wyjście w formacie Markdown

Kolejna kluczowa różnica: Document AI generuje strukturalny Markdown, a nie zwykły tekst. Każda strona jest zwracana wraz z otagowaną treścią tekstową — nagłówki, listy, akapity — tabele sformatowane w Markdown lub HTML, wyekstrahowane obrazy wraz z ich pozycją, zachowane hiperłącza oraz, jeśli sobie życzysz, nagłówki i stopki odseparowane od treści głównej. Takie wyjście jest gotowe do użycia: możesz zaindeksować je w bazie wektorowej do zastosowań RAG, zarchiwizować lub wyświetlić w takiej postaci, bez konieczności pośredniego czyszczenia danych.

Po stronie wejściowej usługa obsługuje pliki PDF (zarówno skanowane, jak i natywne), obrazy PNG, JPEG i AVIF, prezentacje PPTX oraz dokumenty DOCX. Maksymalny rozmiar pliku to 50 MB, z limitem 1000 stron — to dwa ograniczenia, o których musisz pamiętać przy dzieleniu swoich wsadów (batchy).

Czego się nauczysz

Kurs podąża za kolejnością trzech usług. Lekcje od 1 do 3 obejmują przegląd, model OCR 4 oraz przypadki użycia. Lekcje od 4 do 8 zagłębiają się w szczegóły OCR: API, kod w Pythonie, tabele, nagłówki i stopki oraz optymalizację dokładności. Lekcje od 9 do 12 dotyczą adnotacji, od ekstrakcji metadanych po przetwarzanie wsadowe. Lekcje od 13 do 16 zajmują się QnA dokumentów, od pojedynczych dokumentów po konfiguracje wielodokumentowe, aż po integrację z RAG i potoki produkcyjne.

Kluczowe wnioski

  • Document AI łączy OCR, strukturalne adnotacje i QnA w jednym rozwiązaniu
  • Model OCR 4 znacznie przewyższa tradycyjne rozwiązania OCR pod względem dokładności i elastyczności
  • Strukturalne wyjście w formacie Markdown ułatwia integrację z istniejącymi potokami przetwarzania
  • Trzy uzupełniające się usługi pokrywają cały cykl życia dokumentu