Atelier: Extração Estruturada
Nesta página
Objetivo do Atelier
Este atelier consolida uma competência introduzida no anterior: a extração estruturada, que consiste em transformar texto livre em dados utilizáveis por um programa. Este processo faz a ponte entre a linguagem natural e os seus sistemas de informação — a fatura recebida em PDF torna-se uma linha no seu software de contabilidade, o artigo de monitorização transforma-se numa entrada no painel de controlo. Vai praticar três exercícios com modelos Mistral: extração de JSON, resumo de documentos num formato obrigatório e tradução técnica com preservação da formatação. Irá também rever duas técnicas da secção de parâmetros: o pré-preenchimento do assistente e as sequências de paragem.
Exercício 1: Extração de JSON a partir de Texto Livre
Cenário inicial: automatiza o processamento de faturas recebidas por correio eletrónico. O texto varia de fornecedor para fornecedor, mas precisa sempre de extrair os mesmos campos. O prompt do sistema bloqueia tudo o que é possível: JSON puro, sem comentários, null para campos em falta (não “não fornecido” nem cadeias vazias, pois o seu código verificará is None), valores monetários como números sem símbolos de moeda, datas no formato ISO 8601 e IVA separado do valor antes de impostos. Cada uma destas regras previne um erro de análise a jusante.
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}"
Resultado esperado:
{
"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"
}
Observe a combinação do pré-preenchimento do assistente (a mensagem "{") com a sequência de paragem: o primeiro força o modelo a entrar diretamente no JSON, sem preâmbulos como “Aqui estão os dados extraídos:”, e o segundo impede que continue após a chave de fecho. Em seguida, reconstrói o JSON completo no lado do código.
Exercício 2: Resumo Estruturado de Documentos
Segundo cenário: alimenta um painel de monitorização interno com resumos de relatórios extensos. Para garantir uma exibição uniforme, cada resumo deve seguir exatamente o mesmo formato — o prompt do sistema impõe isto, campo por campo, com limites de comprimento.
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
)
Eis o que deve obter — um resumo factual que condensa sem distorcer e um campo de ação que transforma a monitorização em decisão:
{
"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."
}
A temperatura aqui sobe para 0,1 em vez de 0,0: um resumo requer uma ligeira latitude na redação, ao contrário da extração pura, onde cada valor provém diretamente do texto de origem.
Exercício 3: Tradução Técnica com Preservação de Formato
Terceiro cenário: traduzir documentação técnica de francês para inglês, preservando a formatação Markdown e os termos técnicos exatamente como estão. A armadilha na tradução técnica reside aqui: um tradutor demasiado zeloso traduzirá temperature como “température” num exemplo de código, e a documentação deixará de corresponder à API real. A solução é listar explicitamente o que é intocável.
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 :
```python
# 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
)
Para validar o resultado, verifique ponto por ponto: os cabeçalhos Markdown (##, ###) são preservados, os termos entre crases (mistralai, temperature, top_p, max_tokens) permanecem em inglês, os blocos de código são idênticos exceto pelo comentário traduzido, o negrito (**Important**) é mantido e as listas conservam a sua estrutura. Qualquer desvio num destes pontos sinaliza uma regra a reforçar no prompt do sistema.
Técnicas Avançadas para Extração
Uma regra de ouro percorre este atelier: nunca confie cegamente na saída do modelo. Após a extração, valide sempre o JSON no lado do código:
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")
E se, apesar de tudo, o modelo não devolver um JSON válido, siga um caminho de escalonamento:
- Tente novamente com
temperature=0.0 - Utilize o pré-preenchimento do assistente para forçar o formato
- Adicione um exemplo (one-shot) da saída esperada
- Como último recurso, analise a resposta com uma expressão regular (regex) para extrair o JSON
Pontos-chave
- O pré-preenchimento do assistente e as sequências de paragem garantem um JSON válido
- Forneça sempre o esquema JSON exato no prompt
- Temperatura 0 para extração, 0,1–0,2 para resumos
- Valide sistematicamente a saída no lado do código
- Para tradução técnica, liste explicitamente o que não deve ser traduzido