Cazuri de utilizare pentru adnotări
Pe această pagină
Actualizare 2 noiembrie 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) a fost retras la 30 septembrie 2026. Utilizați OCR 4.1 (mistral-ocr-4-1), disponibil din 31 august la același preț, sau aliasulmistral-ocr-latest, care indică spre acesta din 16 iulie. OCR 4.1 adaugă scoruri de încredere la nivel de bloc. Addendum 3 noiembrie 2026: Un fișier PDF local este transmis în base64 sub forma{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipuldocument_base64din exemplele mai vechi nu există nici în documentație, nici în SDK-ulmistralai, iar acele exemple ar fi eșuat. Surse: Procesor OCR · Întrebări și răspunsuri despre documente. Corectat la 3 noiembrie 2026: Codul anterior citeapage.document_annotationpagină cu pagină; în SDK-ulmistralaiversiunea 3.7.0, adnotarea documentului este un singur câmp în răspuns (response.document_annotation), iar adnotarea imaginii se citește dinimage.image_annotation.
Adnotări pentru fiecare rol
Adnotările Document AI transformă documentele nestructurate în date acționabile. Mecanismul este întotdeauna același—o schemă, un prompt, un apel—dar ceea ce extrageți se schimbă radical în funcție de rol. Această lecție parcurge patru implementări concrete: clasificarea în amonte într-un flux de lucru, analiza clauzelor contractuale, verificările de conformitate reglementară și îmbogățirea unui index RAG.
Sortați înainte de procesare
Într-un flux de lucru real, documentele sosesc amestecate: o factură, un ordin de cumpărare, un act de identitate, o scrisoare. Înainte de a aplica schema de extragere adecvată, trebuie să știți cu ce aveți de-a face. Adnotarea servește drept prima etapă de sortare. Enumerarea TypeDocument blochează categoriile admisibile, scorul de încredere vă permite să direcționați orice element sub un anumit prag pentru revizuire umană, iar rezumatul într-o singură propoziție oferă operatorilor suficient context pentru a lua o decizie fără a deschide fișierul.
import os
from enum import Enum
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class TypeDocument(str, Enum):
INVOICE = "facture"
PURCHASE_ORDER = "bon_commande"
CONTRACT = "contrat"
REPORT = "rapport"
LETTER = "courrier"
FORM = "formulaire"
ID_DOCUMENT = "piece_identite"
OTHER = "autre"
class Classification(BaseModel):
document_type: TypeDocument = Field(
..., description="Identified document type"
)
confidence: float = Field(
..., description="Confidence score between 0 and 1"
)
language: str = Field(
..., description="Primary language (ISO 639-1 code)"
)
summary: str = Field(
..., description="One-sentence summary of the content"
)
def classify_document(document_base64: str) -> Classification:
"""Clasifică automat un document."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
Classification
),
document_annotation_prompt=(
"Identify the type of this document and provide "
"a summary of its content."
)
)
if response.document_annotation:
return Classification.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Citiți un contract ca un avocat
Analiza contractelor este un caz de utilizare major în domeniile juridic și financiar, iar aici schemele imbricate strălucesc cu adevărat. Fiecare Clause conține titlul său, un rezumat al conținutului, categoria sa—confidențialitate, reziliere, non-concurență, răspundere, plată—și o evaluare a riscului pe trei niveluri. Contractul în sine agregă aceste clauze împreună cu părțile implicate, data semnării, durata, suma și jurisdicția aplicabilă. Pentru un portofoliu de două sute de contracte cu furnizorii, obțineți în câteva ore o cartografiere pe care nimeni nu ar fi avut timp să o producă manual.
Câmpul risk necesită o avertizare: este o evaluare produsă de un model, utilă pentru prioritizarea revizuirii de către un avocat, dar niciodată pentru a-l înlocui.
from pydantic import BaseModel, Field
from typing import Optional
class Clause(BaseModel):
title: str = Field(..., description="Title or number of the clause")
content: str = Field(..., description="Summary of the clause content")
clause_type: str = Field(
..., description="Type: confidentiality, termination, "
"non-compete, liability, payment, other"
)
risk: str = Field(
..., description="Risk level: low, medium, high"
)
class ContractAnalysis(BaseModel):
parts: list[str] = Field(
..., description="Names of the contracting parts"
)
signature_date: Optional[str] = Field(
None, description="Signature date (YYYY-MM-DD)"
)
duration: Optional[str] = Field(
None, description="Contract duration"
)
key_clauses: list[Clause] = Field(
..., description="Identified main clauses"
)
amount: Optional[float] = Field(
None, description="Total amount if mentioned"
)
jurisdiction: Optional[str] = Field(
None, description="Applicable jurisdiction"
)
def analyze_contract(document_base64: str) -> ContractAnalysis:
"""Analizează un contract și extrage clauzele principale."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ContractAnalysis
),
document_annotation_prompt=(
"Analyze this commercial contract. Identify the parts, "
"the main clauses, and evaluate the risk level "
"of each clause."
)
)
if response.document_annotation:
return ContractAnalysis.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Verificați automat conformitatea
Controlul reglementar este deosebit de potrivit pentru adnotare deoarece criteriile sunt scrise noir pe alb în lege. Pentru o factură franceză, promptul enumeră obligațiile de verificat—mențiuni obligatorii (SIRET, TVA intracomunitară, termene de plată, penalități de întârziere), formatarea sumelor, data emiterii—iar schema impune, pentru fiecare criteriu, un verdict boolean însoțit de justificarea sa. Obțineți un scor global și recomandări de îmbunătățire, ceea ce este suficient pentru a bloca o factură neconformă înainte ca aceasta să intre în circuitul de plăți.
from pydantic import BaseModel, Field
class CompliancePoint(BaseModel):
criterion: str = Field(..., description="Compliance criterion checked")
compliant: bool = Field(..., description="True if compliant, False otherwise")
justification: str = Field(
..., description="Explanation of compliance or non-compliance"
)
class ComplianceAudit(BaseModel):
document_type: str = Field(..., description="Type of document audited")
compliance_points: list[CompliancePoint] = Field(
..., description="Compliance points checked"
)
global_score: float = Field(
..., description="Global compliance score (0-100)"
)
recommendations: list[str] = Field(
..., description="Improvement recommendations"
)
def audit_invoice_compliance(document_base64: str) -> ComplianceAudit:
"""Verifică conformitatea facturilor conform regulilor franceze."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
document_annotation_format=response_format_from_pydantic_model(
ComplianceAudit
),
document_annotation_prompt=(
"Verify the compliance of this invoice according to "
"French legal obligations: mandatory mentions "
"(SIRET, intra-community VAT, payment terms, "
"late payment penalties), amount formatting, issue date."
)
)
if response.document_annotation:
return ComplianceAudit.model_validate_json(
response.document_annotation
)
raise ValueError("No annotation returned")
Nu pierdeți nimic înainte de indexare
Un ultim caz de utilizare, mai discret dar decisiv: pregătirea conținutului pentru un index RAG. Un index construit exclusiv pe Markdown pierde tot ceea ce era vizual, iar căutările dumneavoastră nu vor găsi niciodată graficul care deținea cifra cheie. Funcția de mai jos recompune, pagină cu pagină, textul și descrierea fiecărei imagini, apoi adaugă metadatele extrase din document, într-un singur bloc gata de a fi divizat în fragmente.
def enrich_for_rag(ocr_response) -> str:
"""Îmbogățește conținutul OCR cu adnotări pentru RAG."""
parts = []
for page in ocr_response.pages:
# Text content
parts.append(page.markdown)
# Image annotations (replace images with their description)
for image in page.images:
if image.image_annotation:
parts.append(
f"[Description of {image.id}]: {image.image_annotation}"
)
# Document annotation: a single one, carried by the response
if ocr_response.document_annotation:
parts.append(
f"[Extracted Metadata]: {ocr_response.document_annotation}"
)
return "\n\n".join(parts)
Adăugând descrierile imaginilor și metadatele extrase la conținutul indexat, nu pierdeți nicio informație din documentul original. Veți observa că aceste patru scenarii share aceeași coloană vertebrală: ceea ce le distinge este schema și promptul, nu codul de apelare.
Puncte cheie
- Clasificarea automată direcționează documentele către fluxul de procesare corect
- Extragerea clauzelor contractuale identifică riscurile și punctele cheie
- Verificarea conformității automatizează auditurile reglementare
- Îmbogățirea prin adnotări îmbunătățește calitatea indexării RAG
- Fiecare caz de utilizare se reduce la o schemă Pydantic bine concepută și un prompt adaptat