Úvod do Document AI a inteligentného OCR
Na tejto strane
Aktualizácia 2. novembra 2026 — Le Chat sa stáva Vibe. Od 28. mája 2026 bol Le Chat premenovaný na Vibe (stále na adrese 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 bázu a hĺbkové vyhľadávanie je teraz zručnosť Deep Research. Plány sa teraz nazývajú Mistral Free, Pro, Team a Enterprise. Táto lekcia používa názov Vibe; niektoré tu opísané ponuky mohli zmeniť názov alebo umiestnenie.
Omnoho viac než jednoduchá čítačka dokumentov
V časti Vision si videl, že Vibe dokáže čítať text na obrázkoch. Keď však príde na spracovanie zložitých dokumentov – viacstranových PDF, naskenovaných formulárov alebo finančných správ plných vnorených tabuliek – potrebuješ špecializovaný nástroj. Presne to ponúka Document AI od Mistralu, poháňaný engineom OCR 3. Táto lekcia laying základ pre celú sekciu: pochopíš, čo je OCR, ako sa prístup Mistralu líši od klasických riešení a čo je najdôležitejšie, kedy ho použiť namiesto Vision.
OCR znamená optické rozpoznávanie znakov (Optical Character Recognition). Je to technológia, ktorá prevádza obrázok obsahujúci text – či už sken, fotografiu alebo PDF založené na obrázkoch – na použiteľný digitálny text: text, ktorý môžeš kopírovať, vyhľadávať v ňom alebo analyzovať ako ktorýkoľvek iný pôvodne digitálny dokument. Stávky sú každodenné: pomysli na tú faktúru, ktorú ti kolega poslal ako fotku, alebo na zmluvu naskenovanú pred desiatimi rokmi, kde potrebuješ nájsť konkrétnu klauzulu. Bez OCR sú tieto dokumenty len nemé obrázky.
Prečo klasické OCR nestačilo
OCR existuje už desaťročia, ale tradičné riešenia – Tesseract je najznámejším príkladom – trpeli významnými obmedzeniami, ktoré pozná každý, kto niekedy skenoval dokument. Rozloženie sa stratilo: text vychádzal zmiešaný, ignorujúc štruktúru dokumentu, a meniaci starostlivo usporiadanú správu na kašu odsekov. Tabuľky boli ignorované, stĺpce a riadky pomiešané až do bodu, keď sa údaje stali nepoužiteľnými. Čítanie rukopisu zostalo takmer nemožné. Viacjazyčné dokumenty prinášali slabé výsledky hneď, ako si vykročil mimo angličtinu. A obrázky vložené v texte – grafy, diagramy – boli jednoducho ignorované.
Engine OCR 3 od Mistralu úplne mení pravidlá hry a dôvod spočíva v jeho architektúre. Namiesto použitia klasických techník rozpoznávania znakov sa spolieha na multimodálny jazykový model (VLM), ktorý bol špeciálne vycvičený na pochopenie dokumentov. Rozdiel je zásadný: klasické OCR rozpoznáva jednotlivé znaky a snaží sa ich poskladať do slov, akoby niekto lúštil písmeno po písmene bez pochopenia vety. Naproti tomu OCR poháňaný AI od Mistralu chápe dokument ako celok – jeho štruktúru, obsah a kontext. Ak narazí na čiastočne vymazané slovo, dokáže ho odvodiť z kontextu, presne ako ľudský čitateľ.
V praxi Document AI extrahuje text z PDF, obrázkov a naskenovaných dokumentov pri zachovaní pôvodného rozloženia. Rekonštruuje tabuľky s ich hlavičkami, stĺpcami a údajmi a výstupom je čistý Markdown. Číta rukopis – poznámky lekára, ručne vyplnené formuláre, marginálne anotácie. Spracováva viacjazyčné dokumenty s vysokou presnosťou v mnohých jazykoch, opisuje obrázky a grafy obsiahnuté v dokumente generovaním textových popiskov a dostatočne dobre chápe kontext na to, aby odpovedal na otázky týkajúce sa obsahu.
OCR 3 v číslach
Pokiaľ ide o výkon, engine dosahuje špičkovú presnosť v benchmarkoch pre rozpoznávanie textu, rukopisu a tabuliek. Spracuje až 2 000 strán za minútu na jednom GPU – čo stačí na ingestovanie celých archívov. Prijíma viacero formátov: PDF, Word, naskenované obrázky a fotografie rôznej kvality. A jeho výstup je štruktúrovaný: výsledkom je čistý Markdown s odkazmi na obrázky, nie surový text, ktorý treba znovu upravovať.
Ako sa líši od Vision vo Vibe?
Možno sa pýtaš: „Prečo jednoducho nenahrať svoje PDF do Vibe a nepoužiť Vision?“ To je oprávnená otázka a odpoveď štruktúruje celý tvoj pracovný postup. Vision vo Vibe, ktoré sme prebrali v prvej časti tohto kurzu, je ideálne na analýzu jedného izolovaného obrázka – fotografie, grafu, snímky obrazovky. Pre viacstranové dokumenty so zložitým rozložením však Document AI ponúka rozhodujúce výhody: spracovanie strana po strane s rekonštrukciou celkovej štruktúry dokumentu, extrakcia tabuliek verná originálu namiesto aproximácie, anotácie a metadáta, ktoré môžeš explicitne vyžiadať – autor, dátum, sumy – a skutočné kladenie otázok týkajúcich sa obsahu dokumentu pri dlhých textoch.
Zapamätaj si toto pravidlo: pre jeden obrázok s textom stačí Vision; pre viacstranový dokument, ktorý chceš hĺbkovo analyzovať, nasadiť Document AI. Advokát, ktorý odfotí klauzulu, aby mu ju niekto vysvetlil, použije Vision; ten istý advokát, ktorý nahraje celú 40-stranovú zmluvu na auditovanie jej záväzkov, použije Document AI.
V nasledujúcich lekciách tejto sekcie sa naučíš, ako nahrať PDF do Vibe a získať automatickú extrakciu, ako extrahovať štruktúrované údaje – tabuľky, hlavičky, číselné údaje – z akéhokoľvek dokumentu a následne klásť otázky týkajúce sa obsahu dokumentu, aby si získal presné odpovede.
Kľúčové poznatky
- Document AI je riešenie Mistralu pre inteligentné spracovanie dokumentov, poháňané OCR 3
- Na rozdiel od klasického OCR, OCR 3 chápe štruktúru a kontext dokumentu
- Zvláda tabuľky, rukopis, viacjazyčné dokumenty a vložené obrázky
- Pre jednoduchý obrázok použi Vision; pre zložitý dokument použi Document AI
- Spracovanie je rýchle: až 2 000 strán za minútu