Przejdź do głównej treści
Polski— Wybierz język
Menu

Warsztat: Ekstrakcja strukturalna

Lekcja 15 z 16 Zaktualizowano 28 lipca 2026 Początkujący
Na tej stronie
  1. Cel warsztatu
  2. Ćwiczenie 1: Ekstrakcja JSON z tekstu swobodnego
  3. Ćwiczenie 2: Strukturalne streszczanie dokumentów
  4. Ćwiczenie 3: Tłumaczenie techniczne z zachowaniem formatu
  5. Kluczowe wnioski

Cel warsztatu

Ten warsztat rozwija umiejętność przedstawioną w poprzedniej części: ekstrakcję strukturalną, czyli przekształcanie swobodnego tekstu w dane gotowe do przetworzenia przez program. Stanowi on most między językiem naturalnym a Twoimi systemami informacyjnymi – faktura otrzymana w PDF staje się wierszem w oprogramowaniu księgowym, artykuł monitoringowy zamienia się w wpis na pulpicie nawigacyjnym. Przećwiczysz trzy zadania z wykorzystaniem modeli Mistral: ekstrakcję JSON, streszczanie dokumentów w narzuconym formacie oraz tłumaczenie techniczne z zachowaniem formatowania. Przypomnisz sobie również dwie techniki z sekcji dotyczącej parametrów: wstępne wypełnianie przez asystenta i sekwencje stopu.

Ćwiczenie 1: Ekstrakcja JSON z tekstu swobodnego

Scenariusz wyjściowy: automatyzujesz przetwarzanie faktur otrzymywanych e-mailem. Tekst różni się w zależności od dostawcy, ale zawsze musisz wydobyć te same pola. Prompt systemowy blokuje wszystko, co możliwe: czysty JSON bez komentarzy, null dla brakujących pól (nie „nie podano“ ani puste ciągi znaków, ponieważ Twój kod sprawdzi is None), kwoty jako liczby bez symboli walut, daty w formacie ISO 8601, VAT oddzielony od kwoty netto. Każda z tych reguł zapobiega błędom parsowania w dalszej części procesu.

messages = [
    {
        "role": "system",
        "content": """You are a data extractor specialized in accounting documents.
Strict rules:
- Return ONLY valid JSON, no comments or additional text
- If a field is not found, use null (not "not provided", not "")
- Amounts must be numbers (no euro symbol in the value)
- Dates in ISO 8601 format (YYYY-MM-DD)
- VAT must be extracted separately from the pre-tax amount"""
    },
    {
        "role": "user",
        "content": """Extract data from this invoice:

"FACTURE N° 2026-0847
Date : 15 mars 2026

De : CloudServ SAS
     42 rue de la Paix, 75002 Paris
     SIRET : 823 456 789 00012

À : TechCorp SARL
    12 avenue des Champs, 69001 Lyon

Désignation : Hébergement cloud - Pack Premium
Période : 01/03/2026 au 31/03/2026
Montant HT : 1 250,00 EUR
TVA 20% : 250,00 EUR
Total TTC : 1 500,00 EUR

Conditions de paiement : 30 jours fin de mois
IBAN : FR76 3000 4000 0500 0001 2345 678"

JSON Schema:
{
  "numero_facture": "string",
  "date_facture": "string (YYYY-MM-DD)",
  "fournisseur": {
    "nom": "string",
    "adresse": "string",
    "siret": "string"
  },
  "client": {
    "nom": "string",
    "adresse": "string"
  },
  "lignes": [
    {
      "designation": "string",
      "periode": "string",
      "montant_ht": "number"
    }
  ],
  "tva_taux": "number",
  "tva_montant": "number",
  "total_ttc": "number",
  "conditions_paiement": "string",
  "iban": "string"
}"""
    },
    {
        "role": "assistant",
        "content": "{"
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0,
    stop=["\n}"]
)
# Reconstruct the JSON: "{" + response + "\n}"

Oczekiwany wynik:

{
  "numero_facture": "2026-0847",
  "date_facture": "2026-03-15",
  "fournisseur": {
    "nom": "CloudServ SAS",
    "adresse": "42 rue de la Paix, 75002 Paris",
    "siret": "823 456 789 00012"
  },
  "client": {
    "nom": "TechCorp SARL",
    "adresse": "12 avenue des Champs, 69001 Lyon"
  },
  "lignes": [
    {
      "designation": "Hébergement cloud - Pack Premium",
      "periode": "01/03/2026 au 31/03/2026",
      "montant_ht": 1250.00
    }
  ],
  "tva_taux": 20,
  "tva_montant": 250.00,
  "total_ttc": 1500.00,
  "conditions_paiement": "30 jours fin de mois",
  "iban": "FR76 3000 4000 0500 0001 2345 678"
}

Zwróć uwagę na połączenie wstępnego wypełniania przez asystenta (wiadomość "{") i sekwencji stopu: pierwsze wymusza na modelu przejście bezpośrednio do JSON bez wstępu typu „Oto wyekstrahowane dane:“, drugie zapobiega kontynuowaniu generowania po nawiasie zamykającym. Następnie odbudowujesz pełny JSON po stronie kodu.

Ćwiczenie 2: Strukturalne streszczanie dokumentów

Drugi scenariusz: zasilasz wewnętrzny pulpit monitoringowy streszczeniami długich raportów. Aby zapewnić jednolity wyświetlanie, każde streszczenie musi dokładnie przestrzegać tego samego formatu – prompt systemowy egzekwuje to pole po polu, z limitami długości.

messages = [
    {
        "role": "system",
        "content": """You produce structured summaries for a monitoring dashboard.
Mandatory format for each summary:
{
  "titre_court": "max 60 characters",
  "resume": "max 3 sentences, factual, no opinion",
  "impact_business": "low | medium | high",
  "secteurs": ["list of affected sectors"],
  "action_requise": true/false,
  "action_detail": "description if action required, null otherwise"
}"""
    },
    {
        "role": "user",
        "content": """Summarize this article for our monitoring dashboard:

"L'Union européenne a adopté le 28 mars 2026 un nouveau règlement sur
l'intelligence artificielle (AI Act 2.0) qui renforce les obligations de
transparence pour les systèmes de génération de texte et d'images. Les
entreprises qui déploient des modèles de plus de 10 milliards de paramètres
devront désormais publier un rapport d'évaluation des risques trimestriel et
mettre en place un système de traçabilité des contenus générés. Les sanctions
pour non-conformité peuvent atteindre 6% du chiffre d'affaires mondial annuel.
Le règlement entre en vigueur le 1er janvier 2027, avec une période de
transition de 6 mois pour les entreprises déjà en activité. Les PME de moins
de 50 salariés bénéficient d'un régime allégé avec des obligations réduites
de reporting."

Return the structured JSON."""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.1
)

Oto, co powinieneś otrzymać – faktograficzne streszczenie, które kondensuje treść bez zniekształceń, oraz pole akcji, które przekształca monitoring w decyzję:

{
  "titre_court": "AI Act 2.0 : nouvelles obligations de transparence IA",
  "resume": "L'UE adopte un renforcement de l'AI Act imposant des rapports trimestriels pour les grands modèles. Les sanctions atteignent 6% du CA mondial. Entrée en vigueur le 1er janvier 2027 avec régime allégé pour les PME.",
  "impact_business": "élevé",
  "secteurs": ["intelligence artificielle", "technologie", "réglementation"],
  "action_requise": true,
  "action_detail": "Évaluer la conformité de nos modèles et planifier la mise en place du reporting trimestriel avant janvier 2027."
}

Temperatura wynosi tutaj 0,1 zamiast 0,0: streszczenie wymaga niewielkiej swobody w doborze słów, w przeciwieństwie do czystej ekstrakcji, gdzie każda wartość pochodzi bezpośrednio z tekstu źródłowego.

Ćwiczenie 3: Tłumaczenie techniczne z zachowaniem formatu

Trzeci scenariusz: przetłumacz dokumentację techniczną z francuskiego na angielski, zachowując dokładnie formatowanie Markdown i terminy techniczne. Pułapka w tłumaczeniu technicznym tkwi właśnie tutaj: nadgorliwy tłumacz przełoży temperature jako „température“ w przykładzie kodu, przez co dokumentacja przestanie odpowiadać rzeczywistemu API. Rozwiązaniem jest wyraźne wymienienie elementów nienaruszalnych.

messages = [
    {
        "role": "system",
        "content": """You are a technical translator from French to English.

Rules:
- Preserve Markdown formatting EXACTLY (headers, lists, code blocks)
- Do NOT translate terms in backticks
- Do NOT translate variable, function, or parameter names
- Code blocks remain identical (translate comments only)
- Adapt idiomatic expressions to the English technical context
- Use American English"""
    },
    {
        "role": "user",
        "content": """Translate this documentation passage:

## Configuration de l'API

Pour commencer, installez le package `mistralai` :

```bash
pip install mistralai

Authentification

Vous devez configurer votre clé API avant tout appel :

# Initialisation du client Mistral
client = Mistral(api_key="votre-clé")

Important : ne stockez jamais votre clé API en dur dans le code. Utilisez plutôt des variables d’environnement ou un gestionnaire de secrets.

Paramètres disponibles

  • temperature : contrôle la créativité (défaut : 0.7)
  • top_p : filtrage par probabilité cumulée (défaut : 1.0)
  • max_tokens : limite de tokens en sortie""" } ]

response = client.chat.complete( model=“mistral-large-latest”, messages=messages, temperature=0.2 )

Aby zweryfikować wynik, sprawdź punkt po punkcie: nagłówki Markdown (`##`, `###`) są zachowane, terminy w odwrotnych apostrofach (`mistralai`, `temperature`, `top_p`, `max_tokens`) pozostają w języku angielskim, bloki kodu są identyczne z wyjątkiem przetłumaczonego komentarza, pogrubienie (`**Important**`) jest zachowane, a listy utrzymują swoją strukturę. Każde odstępstwo od któregokolwiek z tych punktów sygnalizuje konieczność wzmocnienia odpowiedniej reguły w prompcie systemowym.

## Zaawansowane techniki ekstrakcji

Jedna złota zasada przewija się przez cały ten warsztat: nigdy слепо nie ufaj wyjściu modelu. Po ekstrakcji zawsze waliduj JSON po stronie kodu:

```python
import json

try:
    data = json.loads(response.choices[0].message.content)
    # Validate required fields
    required_fields = ["numero_facture", "date_facture", "total_ttc"]
    for field in required_fields:
        if field not in data or data[field] is None:
            print(f"Missing field: {field}")
except json.JSONDecodeError:
    print("Invalid response, retry with temperature=0")

A jeśli mimo wszystko model nie zwróci poprawnego JSON, zastosuj ścieżkę eskalacji:

  1. Ponów próbę z temperature=0.0
  2. Użyj wstępnego wypełniania przez asystenta, aby wymusić format
  3. Dodaj przykład (one-shot) oczekiwanego wyjścia
  4. W ostateczności przeanalizuj odpowiedź za pomocą wyrażenia regularnego (regex), aby wydobyć JSON

Kluczowe wnioski

  • Wstępne wypełnianie przez asystenta i sekwencje stopu gwarantują poprawny JSON
  • Zawsze podawaj dokładny schemat JSON w prompcie
  • Temperatura 0 do ekstrakcji, 0,1–0,2 do streszczeń
  • Systematycznie waliduj wyjście po stronie kodu
  • W przypadku tłumaczenia technicznego wyraźnie wymień elementy, których nie wolno tłumaczyć