Workshop: Extrakcia štruktúrovaných dát
Na tejto strane
Cieľ workshopu
Tento workshop nadväzuje na zručnosť predstavenú v tej predchádzajúcej: štruktúrovanú extrakciu, čo znamená transformáciu voľného textu na dáta použiteľné programom. Prepája prirodzený jazyk a tvoje informačné systémy – faktúra prijatá ako PDF sa stane riadkom v tvojom účtovnom softvéri, článok z monitoringu sa stane položkou na dashboarde. Precvičíš si tri cvičenia s modelmi Mistral: extrakciu do JSON, sumarizáciu dokumentov v predpísanom formáte a technický preklad so zachovaním formátovania. Zároveň si zopakuješ dve techniky zo sekcie parametrov: predvyplnenie asistenta a sekvencie zastavenia.
Cvičenie 1: Extrakcia JSON z voľného textu
Východiskový scenár: automatizuješ spracovanie faktúr prijatých e-mailom. Text sa líši dodávateľ od dodávateľa, no vždy potrebuješ extrahovať rovnaké polia. Systémový prompt uzamkne všetko možné: čistý JSON bez komentárov, null pre chýbajúce polia (nie „neposkytnuté“ ani prázdne reťazce, keďže tvoj kód bude kontrolovať is None), sumy ako čísla bez menových symbolov, dátumy vo formáte ISO 8601, DPH oddelené od sumy bez dane. Každé z týchto pravidiel predchádza chybe pri následnom parsovaní.
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}"
Očakávaný výsledok:
{
"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"
}
Všimni si kombináciu predvyplnenia asistenta (správa "{") a sekvencie zastavenia: prvá núti model priamo do JSON bez úvodu typu „Tu sú extrahované dáta:“, druhá mu bráni pokračovať po uzatváracej zátvorke. Úplný JSON následne zrekonštruuješ na strane kódu.
Cvičenie 2: Štruktúrovaná sumarizácia dokumentu
Druhý scenár: napájaš interný dashboard monitoringu sumarizáciami dlhých správ. Aby sa zabezpečilo jednotné zobrazenie, každá sumarizácia musí dodržiavať presne rovnaký formát – systémový prompt to vynucuje pole po poli s limitmi dĺžky.
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
)
Tu by si mal dostať toto – faktickú sumarizáciu, ktorá condensuje bez skreslenia, a pole akcie, ktoré mení monitoring na rozhodovanie:
{
"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."
}
Teplota tu stúpa na 0,1 namiesto 0,0: sumarizácia si vyžaduje miernu voľnosť vo formulácii, na rozdiel od čistej extrakcie, kde každá hodnota pochádza priamo zo zdrojového textu.
Cvičenie 3: Technický preklad so zachovaním formátu
Tretí scenár: prekladáš technickú dokumentáciu z francúzštiny do angličtiny pri zachovaní formátovania Markdown a technických termínov presne tak, ako sú. Pasca v technickom preklade spočíva práve tu: príliš horlivý prekladateľ preloží temperature ako „teplota“ v príklade kódu a dokumentácia prestane zodpovedať skutočnému API. Obchádzkou je explicitne vymenovať, čo je nedotknuteľné.
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 )
Na overenie výsledku skontroluj bod po bode: hlavičky Markdown (`##`, `###`) sú zachované, termíny v spätných úvodzovkách (`mistralai`, `temperature`, `top_p`, `max_tokens`) zostávajú v angličtine, bloky kódu sú identické okrem preloženého komentára, tučné písmo (`**Important**`) je zachované a zoznamy si udržujú svoju štruktúru. Akákoľvek odchýlka v jednom z týchto bodov signalizuje pravidlo, ktoré treba v systémovom prompte posilniť.
## Pokročilé techniky extrakcie
Týmto workshopom prechádza jedno zlaté pravidlo: nikdy slepo nedôveruj výstupu modelu. Po extrakcii vždy over JSON na strane kódu:
```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")
A ak model napriek všetkému nevráti platný JSON, postupuj podľa eskalačnej cesty:
- Skús to znova s
temperature=0.0 - Použi predvyplnenie asistenta na vynútenie formátu
- Pridaj príklad (one-shot) očakávaného výstupu
- Ako poslednú možnosť parsuj odpoveď pomocou regexu na extrakciu JSON
Kľúčové poznatky
- Predvyplnenie asistenta a sekvencie zastavenia garantujú platný JSON
- Vždy uveď presnú schému JSON v prompte
- Teplota 0 pre extrakciu, 0,1–0,2 pre sumarizácie
- Systematicky overuj výstup na strane kódu
- Pri technickom preklade explicitne vymenuj, čo sa nemá prekladať