Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Úvod do Document AI

Lekcia 1 z 16 Aktualizované 2. novembra 2026 Vývojár
Na tejto strane
  1. Prečo Document AI mení pravidlá hry
  2. Tri služby Document AI
  3. Tradičné OCR vs. Document AI
  4. Štruktúrovaný výstup v Markdowne
  5. Čo sa naučíš
  6. Kľúčové poznatky

Aktualizované 2. novembra 2026 — OCR. Model OCR 4.0 (mistral-ocr-4-0) bol vyradený 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktorý je všeobecne dostupný od 31. augusta za rovnakú cenu, alebo alias mistral-ocr-latest, ktorý naň odkazuje od 16. júla. OCR 4.1 pridáva hodnoty spoľahlivosti na úrovni blokov.

Prečo Document AI mení pravidlá hry

Každé ráno dostane poisťovňa stovky formulárov na poistné udalosti: naskenované dokumenty naklonené pod divnými uhlami, rukou písané správy vyplnené perom a fotky faktúr odfotené mobilom. Banky čelia rovnakému problému s výpismi, nemocnice s pacientovými záznamami a vládne agentúry s formulármi. Desiatky rokov sa tradičné optické rozpoznávanie znakov (OCR) snažilo tento problém vyriešiť, často so sklamaním, akonáhle sa rozloženie stalo zložitým, objavil sa rukopis alebo dokumenty kombinovali viacero jazykov.

Spoločnosť Mistral AI vytvorila Document AI presne na zvládnutie tohto typu workflow. Nie je to len ďalší OCR engine: toto riešenie kombinuje špecializovaný vizuálny jazykový model (VLM) so štruktúrovanou extrakciou a schopnosťami dokumentovej inteligencie. Inými slovami, nielenže číta znaky, ale rekonštruuje dokument tak, ako je organizovaný, a umožňuje ti ho následne dopytovať.

2,000
Stránok/min na GPU
3
Integrované služby
50+
Podporovaných jazykov
6
Podporovaných formátov

Tri služby Document AI

Document AI stojí na troch doplnkových službách, všetky dostupné cez Mistral API. Hneď na začiatku je užitočné pochopiť, ako na seba nadväzujú.

Prvou je OCR Processor, jadro celého systému. Model mistral-ocr-latest (OCR 4) extrahuje text zo skenovaných dokumentov, PDF, obrázkov a prezentácií. Kým klasické OCR ako Tesseract ti vráti zmätočný zlepenec riadkov, tento model zachováva štruktúru: nadpisy, odseky, tabuľky, zoznamy a hypertextové odkazy. Vezmi si znova ten formulár na poistnú udalosť: dostaneš ho späť s identifikovanými sekciami, nie ako blok textu, ktorý musíš pracne rozplietať.

Druhou službou sú Document Annotations, ktoré preberajú štafetu na extrakciu použiteľných dát. Definuješ schému Pydantic – meno pacienta, suma faktúry, klauzuly zmluvy – a model tieto polia automaticky vyplní. Posúvaš sa od čitateľného textu k typovaným hodnotám, ktoré dokáže priamo spracovať informačný systém.

Treťou službou je Document QnA, ktorá kombinuje OCR s LLM od Mistralu a umožňuje ti klásť otázky v prirodzenom jazyku o obsahu dokumentu. To umožňuje právnikovi opýtať sa: „Aká je výpovedná lehota?“ namiesto toho, aby znova čítal štyridsať strán. Je to tiež prirodzený spôsob, ako pristupovať k rozsiahlym archívom alebo porovnávať správy.

Tradičné OCR vs. Document AI

Tradičné OCR, či už Tesseract alebo Adobe Acrobat, funguje na princípe rozpoznávania vzorov pixel po pixely. Tento princíp dobre funguje na ostrých tlačených stránkach, ale zrúti sa, akonáhle vybočíš z tohto ideálneho prípadu. Noviny s viacerými stĺpcami, vnorenými hlavičkami a ilustrovanými panelmi produkujú text, kde poradie čítania nedáva zmysel. Rukou písané poznámky lekára alebo ručne vyplnené formuláre zostávajú pre takéto systémy nečitateľné. Tabuľky so zlúčenými bunkami, chýbajúcimi okrajmi alebo nepravidelným zarovnaním strácajú všetky vzťahy medzi stĺpcami a riadkami. Pridaj dokument miešajúci latinku, arabčinu a ázijské písma, alebo hlučný, naklonený, rozmazaný sken a miera chýb sa stane neprijateľnou.

Document AI je postavený na jemne doladenom vizuálnom modeli (VLM), ktorý chápe sémantiku dokumentov. Nerozpoznáva len znaky: chápe štruktúru, kontext a vzťahy medzi prvkami. Práve tento zásadný rozdiel v podstate, nielen jednoduché zvýšenie presnosti, vysvetľuje jeho výsledky v náročných prípadoch.

Štruktúrovaný výstup v Markdowne

Ďalším kľúčovým rozdielom je, že Document AI produkuje štruktúrovaný Markdown, nie čistý text. Každá stránka sa vráti s označeným textovým obsahom – nadpisy, zoznamy, odseky –, jej tabuľky sú naformátované v Markdowne alebo HTML, extrahované obrázky sú sprevádzané ich pozíciou, hypertextové odkazy sú zachované a ak si to praješ, hlavičky a pätičky sú izolované od tela dokumentu. Tento výstup je pripravený na použitie: môžeš ho indexovať do vektorovej databázy pre RAG, archivovať ho alebo zobraziť tak, ako je, bez potreby intermediárneho čistenia.

Čo sa týka vstupu, služba pokrýva PDF (skenované aj natívne), obrázky PNG, JPEG a AVIF, prezentácie PPTX a dokumenty DOCX. Maximálna veľkosť súboru je 50 MB s limitom 1 000 strán – dva limity, na ktoré musíš myslieť pri rozdelení dávok.

Čo sa naučíš

Kurz nasleduje poradie troch služieb. Lekcie 1 až 3 pokrývajú prehľad, model OCR 4 a prípady použitia. Lekcie 4 až 8 idú do hĺbky v oblasti OCR: API, kód v Pythone, tabuľky, hlavičky a pätičky a optimalizácia presnosti. Lekcie 9 až 12 sa venujú anotáciám, od extrakcie metadát až po dávkové spracovanie. Lekcie 13 až 16 riešia Document QnA, od jednotlivých dokumentov cez nastavenia pre viacero dokumentov až po integráciu RAG a produkčné pipeline.

Kľúčové poznatky

  • Document AI kombinuje OCR, štruktúrované anotácie a QnA v jednom riešení
  • Model OCR 4 výrazne prekonáva tradičné OCR riešenia v presnosti a flexibilite
  • Štruktúrovaný výstup v Markdowne uľahčuje integráciu do tvojich existujúcich pipeline
  • Tri doplnkové služby pokrývajú celý životný cyklus dokumentu