Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Štruktúrovaná extrakcia: Tabuľky, hlavičky a číselné údaje

Lekcia 11 z 14 Aktualizované 2. novembra 2026 Začiatočník
Na tejto strane
  1. Od surových dokumentov k organizovaným dátam
  2. Tabuľky: Ideálny prípad použitia
  3. Hlavičky, hierarchia a štruktúra
  4. Číselné údaje v kontexte
  5. V praxi
  6. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — Le Chat sa stáva Vibe. Od 28. mája 2026 je Le Chat teraz Vibe (stále na chat.mistral.ai): jediný agent pre prácu a kód, ktorý si zachováva tvoje konverzácie, nastavenia a predplatné. Pôvodné prostredie Le Chat zostáva dostupné v režime Chat; v režime Work sa agenti stali zručnosťami (vyvolávajú sa pomocou @), spomienky tvoria znalostnú databázu a hĺbkové vyhľadávanie je zručnosťou Deep Research. Plány sa teraz nazývajú Mistral Free, Pro, Team a Enterprise. Táto lekcia používa názov Vibe; niektoré tu opísané ponuky mohli zmeniť názvy alebo umiestnenie.

Od surových dokumentov k organizovaným dátam

Extrakcia textu z dokumentu je fajn. Skutočná hodnota sa však objaví až vtedy, keď získaš štruktúrované dáta: čisté tabuľky, identifikované čísla a klasifikované hlavičky. To je rozdiel medzi tým, či dostaneš fotokópiu finančného výkazu, alebo ten istý výkaz vo forme použiteľného tabuľkového zošita. Document AI od Mistralu exceluje práve v tejto úlohe: nielen číta text, ale chápe štruktúru dokumentu a vráti informácie v priamo použiteľnom formáte.

Tabuľky: Ideálny prípad použitia

Tabuľky sú všadeprítomné v obchodných dokumentoch – finančné výkazy, cenníky, harmonogramy, výsledky štúdií – a toto je historicky oblasť, kde klasické OCR zlyhávalo najviac, keď zmiešalo stĺpce a riadky do neprehľadnej masy. Engine OCR 3 ich naopak spracováva s pozoruhodnou presnosťou. Keď nahraješ dokument obsahujúci tabuľku do Vibe, model najprv identifikuje hranice tabuľky, aj keď sú jemné alebo farebné. Následne rozpozná hlavičky a odlíši ich od dát, pričom každú bunku priradí k jej stĺpcu a riadku. Zvláda aj náročné prípady: zlúčené bunky, medzisúčty, poznámky pod čiarou – všetky klasické pasce, ktoré sa pri zlej konverzii do tabuľky zmenia na tiché chyby.

Aby si dosiahol použiteľný výsledok, urob si zvykom špecifikovať požadovaný formát vo svojom prompte. „Extrahuj tabuľku zo strany 3 vo formáte Markdown“ ti dá tabuľku čitateľnú priamo vo Vibe; „Preveď túto tabuľku do CSV, aby som ju mohol vložiť do Excelu“ ju pripraví na import do tabuľkového procesora; „Extrahuj iba stĺpec ‘Suma’ a stĺpec ‘Dátum’“ odfiltruje to, čo potrebuješ, už pri zdroji. Markdown je často najpraktickejším formátom pre každodenné použitie: je okamžite čitateľný a ľahko ho skopíruješ do iných nástrojov.

Hlavičky, hierarchia a štruktúra

Okrem tabuliek dokáže Document AI rekonštruovať hierarchiu dokumentu: nadpisy a podnadpisy sú identifikované a klasifikované podľa úrovne (h1, h2, h3), odseky sú od seba odlíšené aj bez viditeľných zalomení riadkov, odrážkové alebo číslované zoznamy sú správne rekonštruované a poznámky pod čiarou sú prepojené so svojimi odkazmi. Táto schopnosť je neoceniteľná pri práci s dlhými správami alebo právnymi dokumentmi, kde štruktúra nesie rovnaký význam ako samotný text: vedieť, že klauzula sa nachádza v sekcii „Záruky“ a nie v „Rôznom“, mení jej interpretáciu.

Môžeš preto zadávať štrukturálne požiadavky: „Daj mi obsah tohto dokumentu“, „Vymenuj všetky názvy sekcií s ich číslami strán“ alebo dokonca „Extrahuj iba odseky diskutujúce o zárukách“ – čo kombinuje štruktúru aj význam.

Číselné údaje v kontexte

Finančné dokumenty, ponuky, faktúry a správy o činnosti sú plné čísel: finančné sumy (tržby, súčty, DPH, zľavy), dátumy podpisu alebo splatnosti, percentá podielu na trhu alebo marže a identifikátory ako čísla faktúr, referencie zákazníkov alebo kódy SIRET. Čo odlišuje Document AI, je fakt, že nielen extrahuje čísla, ale chápe ich kontext. Ak sa opýtaš: „Aká je ročná tržba?“, model špecificky vyhľadá číslo spojené s týmto konceptom, aj keď je ukryté v tabuľke s 50 riadkami. Klasické OCR by ti odovzdalo päťdesiat neoznačených čísel; tu dostaneš to správne.

Toto pochopenie ti umožňuje ísť nad rámec extrakcie: môžeš požadovať výpočty a overenia. „Je súčet stĺpca ‘Suma bez DPH’ správny?“ prinúti model prepočítať údaje; „Aký je rozdiel medzi rozpočtovanými a skutočnými hodnotami?“ skríži dva stĺpce; „Ktorá položka výdavkov predstavuje najväčší podiel?“ zmení tabuľku na analýzu.

Pre pokročilých používateľov export do JSON štruktúruje výstup pre tvoje nástroje: „Extrahuj nasledujúce informácie z tejto faktúry vo formáte JSON: číslo, dátum, suma bez DPH, DPH, suma s DPH, dodávateľ“ alebo „Vytvor JSON objekt s dátami z každého riadku tabuľky.“ Tento formát je ideálny, ak majú dáta neskôr napájať tabuľkový procesor, databázu alebo iný softvér.

V praxi

Pozri sa, ako sa tieto schopnosti spájajú v troch bežných scenároch. Dostaneš balík faktúr vo formáte PDF: pre každú jednu sa opýtaj: „Extrahuj z tejto faktúry: názov dodávateľa, dátum, číslo faktúry, suma bez DPH, DPH a suma s DPH. Prezentuj ako tabuľku“ – a tvoje účtovné zaúčtovanie je pripravené. Stojíš pred 50-stranovou výročnou správou: „Extrahuj všetky finančné tabuľky z tejto správy a prezentuj ich v Markdowne. Identifikuj tržby, čistý zisk a prevádzkovú maržu.“ Ak sa máš rozhodnúť medzi dvoma ponukami, nahraj obe a opýtaj sa: „Porovnaj ceny v týchto dvoch ponukách za rovnaké služby. Identifikuj rozdiely v sadzbách.“

Na záver niekoľko metodických pravidiel. Buď konkrétny v tom, čo hľadáš – konkrétna tabuľka, stĺpec, typ dát – a vždy špecifikuj požadovaný výstupný formát (Markdown, CSV, JSON, zoznam). Pre skenované dokumenty sa na spoľahlivú extrakciu odporúča rozlíšenie aspoň 150 DPI. Ak je dokument veľmi hustý, spracuj ho stránku po stránke: „Extrahuj tabuľku zo strany 7“ prinesie lepšie výsledky než globálne „Extrahuj všetky tabuľky“. A pri akomkoľvek kritickom použití skontroluj extrahované dáta proti pôvodnému dokumentu – extrakcia je urýchľovač, nie oslobodenie od zodpovednosti.

Kľúčové poznatky

  • Document AI verne rekonštruuje tabuľky s hlavičkami, stĺpcami a zlúčenými bunkami
  • Môžeš požadovať extrakciu vo formáte Markdown, CSV alebo JSON podľa svojich potrieb
  • Model chápe kontext číselných údajov a dokáže odpovedať na konkrétne otázky
  • Hierarchická štruktúra dokumentu (nadpisy, podnadpisy, zoznamy) sa zachováva
  • Pri kritickom použití vždy over extrahované údaje