Przypadki użycia Document AI
Na tej stronie
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 aliasumistral-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:
- Skanowanie dokumentu tożsamości: Paszport, dowód osobisty, prawo jazdy.
- Ekstrakcja OCR: Imię, nazwisko, data urodzenia, numer dokumentu.
- Strukturalne adnotacje: Walidacja pól za pomocą schematu Pydantic.
- Weryfikacja krzyżowa: Automatyczne porównanie z wewnętrznymi bazami danych.
- 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.