Przejdź do głównej treści
Polski— Wybierz język
Menu

Przypadki użycia Document AI

Lekcja 3 z 16 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Zastosowania w praktyce w różnych branżach
  2. Finanse i bankowość: Automatyzacja procesu KYC
  3. Ochrona zdrowia: Dokumentacja pacjentów i recepty
  4. Prawo: Analiza umów na dużą skalę
  5. Księgowość: Przetwarzanie faktur
  6. Logistyka, archiwa i sektor publiczny
  7. Standardowy przepływ pracy produkcyjnej
  8. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 r. — OCR. Wersja OCR 4.0 (mistral-ocr-4-0) została wycofana 30 września 2026 r. Używaj OCR 4.1 (mistral-ocr-4-1), który jest ogólnie dostępny od 31 sierpnia w tej samej cenie, lub aliasu mistral-ocr-latest, który wskazuje na niego od 16 lipca. OCR 4.1 dodaje wyniki pewności (confidence scores) na poziomie bloków.

Zastosowania w praktyce w różnych branżach

Document AI to coś więcej niż tylko ekstrakcja tekstu. Połączenie OCR + Adnotacje + QnA czyni tę usługę wartościową, ponieważ obejmuje ona cały cykl życia dokumentu – od jego otrzymania aż po wykorzystanie. W tej lekcji przeanalizujemy najczęstsze przypadki użycia z podziałem na sektory, wskazując, które usługi są zaangażowane na każdym etapie. To rozróżnienie jest kluczowe już na początku, ponieważ każda dodatkowa usługa generuje koszty i opóźnienia.

Branża Przypadek użycia Wykorzystane usługi
Finanse i bankowość Automatyzacja KYC, ekstrakcja wyciągów, zgodność z przepisami OCR + Adnotacje
Ochrona zdrowia Dokumentacja pacjentów, recepty odręczne, raporty medyczne OCR + Adnotacje + QnA
Prawo Analiza umów, ekstrakcja klauzul, due diligence OCR + QnA
Ubezpieczenia Obsługa roszczeń, formularze zgłoszeniowe OCR + Adnotacje
Logistyka Listy przewozowe, dokumenty celne, listy kontrolne magazynowe OCR + Adnotacje
Księgowość Faktury od dostawców, raporty kosztowe, uzgadnianie bankowe OCR + Adnotacje
Sektor publiczny Digitalizacja archiwów, formularze administracyjne OCR
Produkcja Karty techniczne, certyfikaty jakości, raporty z inspekcji OCR + QnA

Finanse i bankowość: Automatyzacja procesu KYC

Onboarding klientów to najczęściej zgłaszany przypadek użycia, ponieważ jest procesem powtarzalnym, regulowanym prawnie i czasochłonnym. Proces „Poznaj swojego klienta“ (KYC) zawsze przebiega według tego samego schematu:

  1. Skanowanie dokumentu tożsamości: Paszport, dowód osobisty, prawo jazdy.
  2. Ekstrakcja OCR: Imię, nazwisko, data urodzenia, numer dokumentu.
  3. Strukturalne adnotacje: Walidacja pól za pomocą schematu Pydantic.
  4. Weryfikacja krzyżowa: Automatyczne porównanie z wewnętrznymi bazami danych.
  5. Wzbogacone archiwizowanie: Dokument jest indeksowany i dostępny do zapytań poprzez QnA.

To, co kiedyś zajmowało pracownikowi ds. zgodności kilka godzin, teraz trwa kilka sekund na plik. Agent ludzki interweniuje tylko w przypadkach oznaczonych jako podejrzane.

Ochrona zdrowia: Dokumentacja pacjentów i recepty

Sektor medyczny generuje ogromne ilości dokumentów, z których значna część jest wypełniana odręcznie. Recepta pisana ręcznie, często uznawana za nieczytelną, jest poprawnie transkrybowana, nawet jeśli lekarz miesza terminy łacińskie z językiem lokalnym. Formularze z polami wyboru, które od dawna stanowiły zmorę tradycyjnych silników OCR, pozwalają na ekstrakcję wartości logicznych (boolean) z niezwykłą dokładnością. W raportach medycznych model identyfikuje tożsamość pacjenta, diagnozę oraz przepisane leki.

Warto podkreślić jedno zachowanie modelu, ponieważ decyduje ono o poziomie zaufania, jakim możesz go obdarzyć: gdy w dokumencie brakuje danego pola – na przykład niewymienionego numeru telefonu – model zgłasza ten brak, zamiast wymyślać prawdopodobną wartość. Jest to dokładne przeciwieństwo odruchu modeli ogólnego przeznaczenia i właśnie to sprawia, że ekstrakcja jest użyteczna bez konieczności systematycznej weryfikacji przez człowieka.

Prawo: Analiza umów na dużą skalę

Kancelarie prawne i działy prawne wykorzystują głównie ekstrakcję klauzul oraz funkcję QnA. Pierwszy przypadek użycia polega na automatycznym identyfikowaniu w zbiorze dokumentów klauzul dotyczących rozwiązania umowy, zakazu konkurencji lub poufności, zamieniając ręczną recenzję w wspomagany proces wstępnej selekcji. Drugi przypadek sprawdza się podczas due diligence: gdy przejęcie obejmuje setki umów, możesz zadawać pytania zbiorowi w języku naturalnym, zamiast czytać wszystko od deski do deski, przeglądając szczegółowo tylko te dokumenty, które zostały wyszukane.

Księgowość: Przetwarzanie faktur

To najbardziej dojrzały przypadek użycia i często pierwszy wdrażany. Wszystko sprowadza się do schematu Pydantic, który precyzyjnie opisuje, jakie dane chcesz uzyskać:

from pydantic import BaseModel, Field

class Invoice(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
    amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
    amount_incl_tax: float = Field(..., description="Amount including tax in euros")
    vat_amount: float = Field(..., description="VAT amount in euros")

Po przekazaniu tego schematu do API Adnotacji, pola są ekstrahowane z każdej zeskanowanej faktury bez konieczności wcześniejszej konfiguracji szablonów faktur dla poszczególnych dostawców. Zwróć uwagę na staranność w doborze opisów i typów danych: informuje to model, że kwota musi zostać zwrócona jako liczba, a data w formacie YYYY-MM-DD, a nie w formie, w jakiej występuje na papierze.

Logistyka, archiwa i sektor publiczny

W logistyce tysiące listów przewozowych, konosamentów i dokumentów celnych przetwarzanych codziennie nadają się do automatycznej ekstrakcji informacji o nadawcy i odbiorcy, odczytu kodów kreskowych i numerów śledzenia widocznych na obrazach oraz digitalizacji ręcznie wypełnianych list kontrolnych magazynowych, często sporządzanych na pogniecionych nośnikach.

Digitalizacja archiwów to przypadek szczególny. Dokumenty te są stare, czasem w złym stanie, napisane XIX- lub XX-wiecznym pismem ręcznym, przy użyciu typografii i frazeologii, które wyszły już z użycia. OCR 4 radzi sobie z nimi lepiej niż tradycyjne silniki OCR dzięki swojemu zrozumieniu wizualnemu, ale musisz być realistą co do ograniczeń: dokładność spada w przypadku mocno zniszczonych egzemplarzy, a każdy poważny projekt archiwizacyjny zawsze obejmuje etap weryfikacji przez człowieka.

Standardowy przepływ pracy produkcyjnej

Niezależnie od sektora, potok przetwarzania wygląda podobnie: ingestacja dokumentu poprzez skanowanie, przesłanie lub e-mail; OCR w celu ekstrakcji tekstu i struktury za pomocą mistral-ocr-latest; adnotacje w celu uzyskania danych strukturalnych zgodnie ze schematem biznesowym; indeksowanie wzbogaconego Markdownu w bazie danych wektorowej lub SQL; a następnie wykorzystanie poprzez wyszukiwanie, QnA, raportowanie lub automatyzację przepływu pracy. Jeśli projektujesz taki system, rozpisz te pięć kroków przed napisaniem choćby jednej linii kodu: determinują one, gdzie przechowujesz dane, co odtwarzasz w przypadku błędu i za co pobierasz opłaty.

Kluczowe wnioski

  • Document AI znajduje zastosowanie w każdej branży obsługującej dokumenty.
  • Standardowy przepływ pracy to: ingestacja, OCR, adnotacje, indeksowanie, wykorzystanie.
  • Adnotacje Pydantic pozwalają ekstrahować dokładnie te dane, których potrzebujesz.
  • QnA umożliwia zadawanie pytań do dokumentów w języku naturalnym po ich zaindeksowaniu.
  • Połączenie wszystkich trzech usług tworzy kompleksowe rozwiązanie do obsługi dokumentów.