Salt la conținutul principal
Română— Alege o limbă
Meniu

Atelier : Extracție structurată

Lecția 15 din 16 Actualizată 28 iulie 2026 Începător
Pe această pagină
  1. Obiectivul atelierului
  2. Exercițiul 1: Extracție JSON din text liber
  3. Exercițiul 2: Rezumat structurat de documente
  4. Exercițiul 3: Traducere tehnică cu păstrarea formatului
  5. Puncte cheie

Obiectivul atelierului

Acest atelier se bazează pe o competență introdusă în sesiunea anterioară: extracția structurată, care constă în transformarea textului liber în date utilizabile de un program. Acesta face legătura între limbajul natural și sistemele dumneavoastră informaționale: factura primită sub formă de PDF devine o linie în software-ul de contabilitate, iar articolul de monitorizare devine o intrare în tabloul de bord. Veți exersa trei exerciții cu modelele Mistral: extracția JSON, rezumarea documentelor într-un format impus și traducerea tehnică cu păstrarea formatării. De asemenea, veți revedea două tehnici din secțiunea dedicată parametrilor: pre-completarea asistentului și secvențele de oprire.

Exercițiul 1: Extracție JSON din text liber

Scenariu de plecare: automatizați procesarea facturilor primite prin e-mail. Textul variază de la un furnizor la altul, dar trebuie să extrageți întotdeauna aceleași câmpuri. Promptul de sistem blochează tot ce este posibil: JSON pur, fără comentarii, null pentru câmpurile lipsă (nu „nefurnizat“ sau șiruri goale, deoarece codul dumneavoastră va verifica is None), sume ca numere fără simboluri monetare, date în format ISO 8601, TVA separată de suma fără taxe. Fiecare dintre aceste reguli previne o eroare de analiză (parsing) în aval.

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}"

Rezultat așteptat:

{
  "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"
}

Observați combinația dintre pre-completarea asistentului (mesajul "{") și secvența de oprire: prima forțează modelul să intre direct în JSON, fără preambul de genul „Iată datele extrase:“, iar a doua îl împiedică să continue după acolada de închidere. Apoi, reconstruiți JSON-ul complet la nivel de cod.

Exercițiul 2: Rezumat structurat de documente

Al doilea scenariu: alimentați un tablou de bord intern de monitorizare cu rezumate ale rapoartelor lungi. Pentru a asigura o afișare uniformă, fiecare rezumat trebuie să respecte exact același format; promptul de sistem impune acest lucru, câmp cu câmp, cu limite de lungime.

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
)

Iată ce ar trebui să obțineți: un rezumat factual care condensează fără a denatura și un câmp de acțiune care transformă monitorizarea în decizie:

{
  "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."
}

Aici, temperatura crește la 0,1 în loc de 0,0: un rezumat necesită o ușoară libertate de exprimare, spre deosebire de extracția pură, unde fiecare valoare provine direct din textul sursă.

Exercițiul 3: Traducere tehnică cu păstrarea formatului

Al treilea scenariu: traduceți documentația tehnică din franceză în engleză, păstrând formatarea Markdown și termenii tehnici exact așa cum sunt. Capcana în traducerea tehnică stă aici: un traducător prea zelos va traduce temperature prin „température“ într-un exemplu de cod, iar documentația nu va mai corespunde cu API-ul real. Soluția este să listați explicit ce este intangibil.

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 )

Pentru a valida rezultatul, verificați punct cu punct: anteturile Markdown (`##`, `###`) sunt păstrate, termenii dintre backticks (`mistralai`, `temperature`, `top_p`, `max_tokens`) rămân în engleză, blocurile de cod sunt identice cu excepția comentariului tradus, textul îngroșat (`**Important**`) este păstrat, iar listele își mențin structura. Orice abatere de la unul dintre aceste puncte semnalează o regulă care trebuie consolidată în promptul de sistem.

## Tehnici avansate pentru extracție

O regulă de aur traversează acest atelier: nu aveți niciodată încredere oarbă în ieșirea modelului. După extracție, validați întotdeauna JSON-ul la nivel de cod:

```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")

Și dacă, în ciuda tuturor măsurilor, modelul nu returnează un JSON valid, urmați o cale de escaladare:

  1. Reîncercați cu temperature=0.0
  2. Utilizați pre-completarea asistentului pentru a forța formatul
  3. Adăugați un exemplu (one-shot) al ieșirii așteptate
  4. Ca ultimă soluție, analizați răspunsul cu o expresie regulată (regex) pentru a extrage JSON-ul

Puncte cheie

  • Pre-completarea asistentului și secvențele de oprire garantează un JSON valid
  • Furnizați întotdeauna schema JSON exactă în prompt
  • Temperatură 0 pentru extracție, 0,1-0,2 pentru rezumate
  • Validați sistematic ieșirea la nivel de cod
  • Pentru traducerea tehnică, listați explicit ce nu trebuie tradus