Przejdź do głównej treści
Polski— Wybierz język
Menu

Analizuj wykresy za pomocą Vision API

Lekcja 7 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Czytaj wykresy jak analityk
  2. Zasady analizy wykresów
  3. Analiza wykresu słupkowego
  4. Wydobywanie danych liczbowych
  5. Analiza wykresu liniowego (trendy)
  6. Analiza wykresu kołowego (dystrybucja)
  7. Potok analizy raportów
  8. Ograniczenia analizy wykresów
  9. Kluczowe wnioski

Czytaj wykresy jak analityk

Wykresy – słupkowe, liniowe, kołowe, powierzchniowe – są wszechobecne w raportach biznesowych, panelach kontrolnych i publikacjach naukowych. Stanowią specyficzny problem: informacje są uwięzione wewnątrz obrazu, często bez dołączonych danych źródłowych. Roczny raport w formacie PDF może zawierać trzydzieści krzywych, a nikt nie posiada już oryginalnego pliku Excel.

Vision API od Mistral potrafi odczytać te wykresy, zinterpretować trendy i wydobyć dane liczbowe. W tej lekcji dowiesz się, jak tworzyć prompty generujące użyteczne rezultaty zamiast mglistych komentarzy oraz jak strukturyzować dane wyjściowe.

Zasady analizy wykresów

Pozostawiony sam sobie model generuje ogólne zdania typu „ten wykres pokazuje ewolucję sprzedaży“. Skuteczny prompt wymusza invece uporządkowany proces: zidentyfikuj typ wykresu (słupkowy, liniowy, kołowy, punktowy), odczytaj osie i legendy wraz z ich jednostkami i skalami, wydobyj wartości poprzez przybliżenie pozycji wizualnej, a dopiero potem zinterpretuj trendy – wzrost, spadek, sezonowość, anomalie. Kolejność ma znaczenie: interpretacja sformułowana przed odczytaniem osi jest interpretacją zmyśloną.

Analiza wykresu słupkowego

Komunikat systemowy to naturalne miejsce, aby raz na zawsze zakodować tę metodę, niezależnie od analizowanego obrazu:

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """You are an expert data analyst. When analyzing a chart:
1. Identify the chart type and its title
2. Describe the axes (labels, units, scale)
3. List the main values you can read
4. Identify trends, highs/lows, and anomalies
5. Write a 2-3 sentence conclusion"""
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Analyze this bar chart of quarterly revenue."},
                {"type": "image_url", "image_url": "https://exemple.com/ca-trimestriel.png"}
            ]
        }
    ]
)

print(response.choices[0].message.content)

Prompt systemowy strukturyzuje odpowiedź modelu w logiczne kroki, poprawiając zarówno dokładność, jak i czytelność. Otrzymujesz spójny raport dla każdego kolejnego wykresu, co jest niezbędne, jeśli te odpowiedzi mają być później przetwarzane automatycznie.

Wydobywanie danych liczbowych

Aby uzyskać użyteczne dane zamiast opisu, instrukcja musi być wyraźnie restrykcyjna. Model ma naturalną tendencję do komentowania; musisz mu tego zabronić:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "You are a data extractor. Analyze the chart and return the data as a markdown table. Do not comment, do not describe—only extract the data."
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Extract the data from this bar chart into a table."},
                {"type": "image_url", "image_url": "https://exemple.com/ventes-mensuelles.png"}
            ]
        }
    ]
)

Model zwróci coś w rodzaju:

| Month    | Sales (k€) |
|----------|------------|
| January  | 120        |
| February | 135        |
| March    | 148        |

Ten format można sparować w kilku liniach kodu i zaimportować bezpośrednio do arkusza kalkulacyjnego lub DataFrame.

Analiza wykresu liniowego (trendy)

Wykresy liniowe są szczególnie odpowiednie do analizy trendów, a pytanie może przybrać formę pełnego kwestionariusza zawartego w wiadomości użytkownika:

prompt_tendance = """Analyze this line chart and answer:
1. What is the general trend (rising, falling, stable)?
2. Are there any inflection points? If so, on what dates?
3. Do you observe seasonality?
4. What is the approximate value at the start and end of the period?
5. What projection do you make for the next quarter?"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_tendance},
                {"type": "image_url", "image_url": "https://exemple.com/evolution-prix.png"}
            ]
        }
    ]
)

Piąte pytanie różni się charakterem od pierwszych czterech: wymaga ekstrapolacji, a nie odczytu. Traktuj odpowiedź na nie jako hipotezę do zweryfikowania, nigdy jako fakt.

Analiza wykresu kołowego (dystrybucja)

W przypadku wykresów kołowych pytanie koncentruje się na proporcjach i koncentracji, a nie na ewolucji:

prompt_camembert = """Analyze this pie chart:
- List each segment with its approximate percentage
- Identify the dominant segment
- Indicate whether the distribution is concentrated or dispersed
Return the data in a markdown table."""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_camembert},
                {"type": "image_url", "image_url": "https://exemple.com/repartition-marche.png"}
            ]
        }
    ]
)

Zawsze sprawdzaj, czy suma zwróconych procentów zbliża się do 100: wynik 87% sygnalizuje niekompletny odczyt, pominięty segment lub taki, który został zasłonięty przez legendę.

Potok analizy raportów

Te izolowane wywołania stają się użyteczne na skalę całego raportu. Poniższy skrypt skanuje folder z wyeksportowanymi wykresami, za każdym razem żąda standaryzowanego wyjścia JSON i loguje wszystko do jednego pliku:

import base64
from pathlib import Path
from mistralai.client import Mistral
import json

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def encoder_image(chemin):
    with open(chemin, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    return f"data:image/png;base64,{b64}"

def analyser_graphique(chemin_image, question=None):
    """Analyze a chart and return structured data."""
    if question is None:
        question = "Analyze this chart. Return a JSON with: type (bar/line/pie/other), title, data (array of {label, value}), trend, and summary."

    response = client.chat.complete(
        model="mistral-large-latest",
        messages=[
            {
                "role": "system",
                "content": "Return only valid JSON, no markdown code blocks."
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": question},
                    {"type": "image_url", "image_url": encoder_image(chemin_image)}
                ]
            }
        ]
    )

    return response.choices[0].message.content

# Analyze all charts in a folder
dossier = Path("rapport/graphiques/")
resultats = {}

for fichier in sorted(dossier.glob("*.png")):
    print(f"Analyse de {fichier.name}...")
    resultats[fichier.name] = analyser_graphique(fichier)

# Save results
with open("rapport/analyse_graphiques.json", "w", encoding="utf-8") as f:
    json.dump(resultats, f, ensure_ascii=False, indent=2)

Instrukcja „no markdown code blocks“ pozwala uniknąć klasycznego problemu z JSON-em owiniętym w potrójne backticki, który łamie parsowanie.

Ograniczenia analizy wykresów

Cztery sytuacje stanowią wyzwanie dla modelu i musisz je znać, zanim zbudujesz wokół niego proces. Po pierwsze, wartości precyzyjne: są szacowane na podstawie wizualnej pozycji słupków lub punktów, z marginesem błędu od 5 do 10%. Po drugie, wykresy przeładowane, gdzie wiele serii, legend i mały tekst utrudniają czytelnność. Po trzecie, niska rozdzielczość, która sprawia, że etykiety są rozmyte, spikselowane i nieczytelne – pamiętaj o wewnętrznej zmianie rozmiaru opisanej w Lekcji 2. Wreszcie, wykresy 3D, gdzie perspektywa mechanicznie zniekształca odczyt wysokości.

Praktyczny wniosek jest jasny: do precyzyjnego wydobywania danych preferuj eksport danych źródłowych jako CSV, gdy jest to możliwe. Vision API idealnie nadaje się do szybkiej analizy i syntezy, a nie do zastępowania arkusza kalkulacyjnego. Sprawdza się, gdy dane źródłowe przepadły; jest złym wyborem, gdy dane są na wyciągnięcie ręki.

Kluczowe wnioski

  • Do analizy wykresów używaj Mistral Large 3 – precyzja jest kluczowa
  • Strukturyzuj swój prompt w krokach: typ, osie, wartości, trendy, podsumowanie
  • Wyraźnie żądaj formatu wyjściowego (tabela markdown, JSON), aby uzyskać użyteczne dane
  • Model szacuje wartości z marginesem błędu 5–10% – nie używaj go do uzyskiwania dokładnych liczb
  • Połącz Vision API z eksportem CSV, aby uzyskać najlepsze z obu światów