Przejdź do głównej treści
Polski— Wybierz język
Menu

Ekstrakcja strukturalna: tabele, nagłówki i dane liczbowe

Lekcja 11 z 14 Zaktualizowano 2 listopada 2026 Początkujący
Na tej stronie
  1. Od surowych dokumentów do uporządkowanych danych
  2. Tabele: idealne zastosowanie
  3. Nagłówki, hierarchia i struktura
  4. Dane liczbowe w kontekście
  5. W praktyce
  6. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 r. — Le Chat staje się Vibe. Od 28 maja 2026 r. Le Chat to teraz Vibe (nadal pod adresem chat.mistral.ai): pojedynczy agent do pracy i kodowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Legacyjne doświadczenie Le Chat pozostaje dostępne w trybie Chat; w trybie Work agenci stali się umiejętnościami (wywoływanymi za pomocą @), wspomnienia tworzą bazę wiedzy, a głębokie wyszukiwanie to umiejętność Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.

Od surowych dokumentów do uporządkowanych danych

Wydobycie tekstu z dokumentu to dobry początek. Prawdziwa wartość pojawia się jednak wtedy, gdy otrzymujesz dane strukturalne: czyste tabele, zidentyfikowane liczby i sklasyfikowane nagłówki. To różnica między otrzymaniem kserokopii sprawozdania finansowego a otrzymaniem tego samego sprawozdania w postaci użytecznego arkusza kalkulacyjnego. Document AI od Mistrala exceluje właśnie w tym zadaniu: nie tylko odczytuje tekst, ale rozumie strukturę dokumentu i zwraca informacje w formacie gotowym do bezpośredniego użycia.

Tabele: idealne zastosowanie

Tabele są wszechobecne w dokumentach biznesowych – sprawozdaniach finansowych, cennikach, harmonogramach, wynikach badań – i to właśnie tutaj klasyczne OCR historycznie zawodziło najbardziej, zamieniając kolumny i wiersze w chaos. Silnik OCR 3 radzi sobie z nimi natomiast z niezwykłą precyzją. Gdy przesyłasz do Vibe dokument zawierający tabelę, model najpierw identyfikuje jej granice, nawet jeśli są subtelne lub kolorowe. Następnie rozpoznaje nagłówki, odróżniając je od danych, i przypisuje każdą komórkę do odpowiedniej kolumny i wiersza. Radzi sobie nawet z trudnymi przypadkami: scalonymi komórkami, sumami częściowymi, przypisami – wszystkimi klasycznymi pułapkami, które przy słabej konwersji na arkusz kalkulacyjny zamieniają się w ciche błędy.

Aby uzyskać użyteczny wynik, wyrobij sobie nawyk określania żądanego formatu w prompcie. Polecenie „Wyodrębnij tabelę ze strony 3 w formacie Markdown“ da Ci tabelę czytelną bezpośrednio w Vibe; „Konwertuj tę tabelę do CSV, abym mógł wkleić ją do Excela“ przygotuje ją do importu do arkusza kalkulacyjnego; „Wyodrębnij tylko kolumnę ‘Kwota’ i kolumnę ‘Data’“ przefiltruje to, czego potrzebujesz, już u źródła. Markdown jest często najbardziej praktycznym formatem do codziennego użytku: natychmiast czytelny i łatwy do skopiowania do innych narzędzi.

Nagłówki, hierarchia i struktura

Poza tabelami, Document AI potrafi zrekonstruować hierarchię dokumentu: tytuły i podtytuły są identyfikowane i klasyfikowane według poziomu (h1, h2, h3), akapity są od siebie odróżniane nawet bez widocznych znaków końca linii, listy punktowane lub numerowane są poprawnie odtwarzane, a przypisy są łączone z odnośnikami. Ta umiejętność jest bezcenna podczas pracy z długimi raportami lub dokumentami prawnymi, gdzie struktura niesie tyle samo znaczenia co tekst: wiedza, że klauzula znajduje się w sekcji „Gwarancje“, a nie w „Różne“, zmienia jej interpretację.

Możesz więc formułować zapytania strukturalne: „Podaj spis treści tego dokumentu“, „Wymień wszystkie tytuły sekcji z numerami stron“ lub nawet „Wyodrębnij tylko akapity dotyczące gwarancji“ – to ostatnie łączy strukturę z znaczeniem.

Dane liczbowe w kontekście

Dokumenty finansowe, oferty, faktury i raporty z działalności są pełne liczb: kwot finansowych (przychody, sumy, VAT, rabaty), dat podpisu lub płatności, procentowych udziałów w rynku lub marż oraz identyfikatorów, takich jak numery faktur, referencje klientów czy kody SIRET. Tym, co wyróżnia Document AI, jest fakt, że nie tylko wydobywa liczby, ale rozumie ich kontekst. Jeśli zapytasz: „Jaki jest roczny przychód?“, model wyszuka konkretnie liczbę powiązaną z tym pojęciem, nawet jeśli jest zakopana w tabeli liczącej 50 wierszy. Klasyczne OCR podałoby Ci pięćdziesiąt nienazwanych liczb; tutaj otrzymujesz tę właściwą.

To zrozumienie pozwala wyjść poza samo wydobycie: możesz żądać obliczeń i weryfikacji. Polecenie „Czy suma kolumny ‘Kwota bez VAT’ jest poprawna?“ заставляет model przeliczyć dane; „Jaka jest różnica między wartościami budżetowymi a rzeczywistymi?“ krzyżuje dwie kolumny; „Która pozycja wydatków stanowi największy udział?“ zamienia tabelę w analizę.

Dla zaawansowanych użytkowników eksport do JSON strukturyzuje dane wyjściowe dla Twoich narzędzi: „Wyodrębnij z tej faktury następujące informacje w formacie JSON: numer, data, kwota bez VAT, VAT, kwota z VAT, dostawca“ lub „Utwórz obiekt JSON z danymi z każdego wiersza tabeli“. Ten format jest idealny, jeśli dane mają później zasilać arkusz kalkulacyjny, bazę danych lub inne oprogramowanie.

W praktyce

Zobacz, jak te możliwości łączą się w trzech typowych scenariuszach. Otrzymujesz stos faktur PDF: dla każdej z nich zadaj pytanie: „Wyodrębnij z tej faktury: nazwę dostawcy, datę, numer faktury, kwotę bez VAT, VAT i kwotę z VAT. Przedstaw w formie tabeli“ – a Twój zapis księgowy jest gotowy. Masz do czynienia z 50-stronicowym raportem rocznym: „Wyodrębnij wszystkie tabele finansowe z tego raportu i przedstaw je w formacie Markdown. Zidentyfikuj przychody, zysk netto i marżę operacyjną“. Chcąc wybrać między dwiema ofertami, prześlij obie i zapytaj: „Porównaj ceny w tych dwóch ofertach dla tych samych usług. Zidentyfikuj różnice w stawkach“.

Kilka zasad metodycznych na koniec. Bądź precyzyjny co do tego, czego szukasz – konkretnej tabeli, kolumny, typu danych – i zawsze określaj żądany format wyjściowy (Markdown, CSV, JSON, lista). W przypadku dokumentów skanowanych zalecana jest rozdzielczość co najmniej 150 DPI dla niezawodnej ekstrakcji. Jeśli dokument jest bardzo gęsty, przetwarzaj go strona po stronie: „Wyodrębnij tabelę ze strony 7“ da lepsze wyniki niż globalne „Wyodrębnij wszystkie tabele“. I przy każdym krytycznym zastosowaniu sprawdź wyodrębnione dane z oryginałem – ekstrakcja to akcelerator, a nie zwolnienie z odpowiedzialności.

Kluczowe wnioski

  • Document AI wiernie rekonstruuje tabele z nagłówkami, kolumnami i scalonymi komórkami
  • Możesz żądać ekstrakcji w formacie Markdown, CSV lub JSON, w zależności od potrzeb
  • Model rozumie kontekst danych liczbowych i potrafi odpowiadać na konkretne pytania
  • Hierarchiczna struktura dokumentu (tytuły, podtytuły, listy) jest zachowywana
  • Zawsze weryfikuj wyodrębnione dane w zastosowaniach krytycznych