Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Prípady použitia anotácií

Lekcia 12 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Anotácie pre každú rolu
  2. Triedenie pred spracovaním
  3. Čítanie zmluvy ako právnik
  4. Automatické overovanie zhody
  5. Nestratiť nič pred indexovaním
  6. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — OCR. Verzia OCR 4.0 (mistral-ocr-4-0) bola vyradená 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktoré je všeobecne dostupné od 31. augusta za rovnakú cenu, alebo alias mistral-ocr-latest, ktorý naň odkazuje od 16. júla. OCR 4.1 pridáva skóre dôveryhodnosti na úrovni blokov. Dodatok z 3. novembra 2026: Lokálny súbor PDF sa odosiela v kódovaní base64 ako {"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typ document_base64 zo starších príkladov neexistuje ani v dokumentácii, ani v SDK mistralai a tieto príklady by zlyhali. Zdroje: OCR Processor · Document QnA. Opravené 3. novembra 2026: Kód predtým čítal page.document_annotation stránku po stránke; v SDK mistralai verzie 3.7.0 je anotácia dokumentu jediným poľom v odpovedi (response.document_annotation) a anotácia obrázka sa číta z image.image_annotation.

Anotácie pre každú rolu

Anotácie Document AI transformujú neštruktúrované dokumenty na použiteľné dáta. Mechanizmus je vždy rovnaký – schéma, prompt, volanie – ale to, čo extrahuješ, sa radikálne mení v závislosti od role. Táto lekcia prejde štyrmi konkrétnymi implementáciami: klasifikácia na začiatku pipeline, analýza zmluvných klauzúl, kontrola regulačnej zhody a obohatenie indexu RAG.

Triedenie pred spracovaním

V reálnom pracovnom postupe prichádzajú dokumenty zmiešané: faktúra, objednávka, občiansky preukaz, list. Pred aplikáciou vhodnej schémy extrakcie musíš vedieť, s čím máš do činenia. Anotácia slúži ako prvá fáza triedenia. Enum TypeDocument uzamkne prípustné kategórie, skóre dôveryhodnosti ti umožní presmerovať všetko pod určitým prahom na ľudnú kontrolu a jednovedtový súhrn poskytne operátorom dostatok kontextu na rozhodnutie bez otvárania súboru.

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:
    """Automatically classifies a 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")

Čítanie zmluvy ako právnik

Analýza zmlúv je hlavným prípadom použitia v právnych a finančných oblastiach a práve tu skutočne vynikajú vnorené schémy. Každá Clause nesie svoj názov, súhrn obsahu, svoju kategóriu – dôvernosť, vypovedanie, zákaz konkurencie, zodpovednosť, platba – a hodnotenie rizika na troch úrovniach. Samotná zmluva agreguje tieto klauzuly spolu so zmluvnými stranami, dátumom podpisu, dĺžkou trvania, sumou a príslušnou jurisdikciou. Pri portfóliu dvesto dodávateľských zmlúv získaš za niekoľko hodín mapovanie, ktoré by nikto nemal čas vytvoriť manuálne.

Pole risk si vyžaduje upozornenie: ide o hodnotenie vytvorené modelom, užitočné na prioritizáciu revízie právnikom, nikdy však nie na jeho nahradenie.

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:
    """Analyzes a contract and extracts main clauses."""
    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")

Automatické overovanie zhody

Regulačná kontrola je obzvlášť vhodná pre anotácie, pretože kritériá sú v zákone napísané čierno na bielom. Pre francúzsku faktúru prompt vymenúva povinnosti na overenie – povinné údaje (SIRET, DIČ pre vnútrospoločenstvenský obchod, platobné podmienky, sankcie za omeškanie), formátovanie súm, dátum vystavenia – a schéma vynucuje pre každé kritérium boolean verdikt sprevádzaný jeho odôvodnením. Získaš celkové skóre a odporúčania na zlepšenie, čo stačí na zablokovanie nevyhovujúcej faktúry skôr, než vstúpi do platobného obehu.

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:
    """Verifies invoice compliance according to French rules."""
    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")

Nestratiť nič pred indexovaním

Posledný prípad použitia, diskrétnejší, no rozhodujúci: príprava obsahu pre index RAG. Index postavený výlučne na Markdown stratí všetko, čo bolo vizuálne, a tvoje vyhľadávania nikdy nenájdu graf, ktorý obsahoval kľúčové číslo. Nižšie uvedená funkcia recomponuje stránku po stránke text a popis každého obrázka, potom pridá metadáta extrahované z dokumentu do jedného bloku pripraveného na rozdelenie na časti (chunks).

def enrich_for_rag(ocr_response) -> str:
    """Enriches OCR content with annotations for 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)

Pridaním popisov obrázkov a extrahovaných metadát do indexovaného obsahu nestratíš žiadne informácie z pôvodného dokumentu. Všimneš si, že tieto štyri scenáre zdieľajú rovnakú kostru: to, čo ich odlišuje, je schéma a prompt, nie volací kód.

Kľúčové poznatky

  • Automatická klasifikácia smeruje dokumenty do správneho spracovateľského pipeline
  • Extrakcia zmluvných klauzúl identifikuje riziká a kľúčové body
  • Overovanie zhody automatizuje regulačné audity
  • Obohatenie anotáciami zlepšuje kvalitu indexovania RAG
  • Každý prípad použitia sa redukuje na dobre navrhnutú schému Pydantic a prispôsobený prompt