Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Primeri uporabe storitve Document AI

Lekcija 3 od 16 Posodobljeno 2. november 2026 Razvijalec
Na tej strani
  1. Uporaba v praksi po panogah
  2. Finance in bančništvo: Avtomatizirani postopki KYC
  3. Zdravstvo: Zdravstveni kartoni in recepti
  4. Pravo: Analiza pogodb v velikem obsegu
  5. Računovodstvo: Obdelava računov
  6. Logistika, arhivi in javni sektor
  7. Standardni delovni tok v proizvodnem okolju
  8. Ključne ugotovitve

Posodobitev 2. novembra 2026 — OCR. Različica OCR 4.0 (mistral-ocr-4-0) je bila ukinjena 30. septembra 2026. Uporabljaj OCR 4.1 (mistral-ocr-4-1), ki je splošno dostopen od 31. avgusta po enaki ceni, ali vzdevek mistral-ocr-latest, ki kaže nanj od 16. julija. Različica OCR 4.1 dodaja ocene zanesljivosti na ravni blokov.

Uporaba v praksi po panogah

Document AI počne več kot le izvleček besedila. Kombinacija OCR + anotacij + vprašanj in odgovorov (QnA) naredi storitev dragoceno, saj pokriva celoten življenjski cikel dokumenta, od prejema do uporabe. V tej lekciji bomo prešli najpogostejše primere uporabe po sektorjih in označili, katere storitve so vključene v vsakem koraku. Ta razlika je pomembna že na začetku, saj vsaka dodana storitev prinaša dodatne stroške in zakasnitev.

Panoga Primer uporabe Uporabljene storitve
Finance in bančništvo Avtomatizirani postopki KYC, izvleček izpiskov, skladnost OCR + anotacije
Zdravstvo Zdravstveni kartoni, ročno pisani recepti, zdravniška poročila OCR + anotacije + QnA
Pravo Analiza pogodb, izvleček klavzul, skrbni pregled (due diligence) OCR + QnA
Zavarovalništvo Obdelava zahtevkov, obrazci za prijavo škode OCR + anotacije
Logistika Dostavnice, carinski dokumenti, skladiščni kontrolni seznami OCR + anotacije
Računovodstvo Računi dobaviteljev, poročila o stroških, usklajevanje bančnih stanj OCR + anotacije
Javni sektor Digitalizacija arhivov, upravni obrazci OCR
Proizvodnja Tehnični podatkovni listi, certifikati kakovosti, poročila o inšpekcijah OCR + QnA

Finance in bančništvo: Avtomatizirani postopki KYC

Vključevanje strank je najbolj zahtevan primer uporabe, saj je ponavljajoč se, reguliran in časovno zahteven. Postopek „Spoznaj svojo stranko” (KYC) vedno sledi istemu zaporedju:

  1. Skeniranje osebnih dokumentov: potni list, osebna izkaznica, vozniško dovoljenje
  2. Izvleček z OCR: ime, priimek, datum rojstva, številka dokumenta
  3. Strukturirane anotacije: preverjanje polj prek sheme Pydantic
  4. Navzkrižno preverjanje: samodejna primerjava z internimi bazami podatkov
  5. Bogatejša arhivacija: dokument je indeksiran in poizvedben prek QnA

Kar je nekoč trajalo več ur uslužbenca za skladnost, zdaj traja nekaj sekund na datoteko. Agent posreduje le v primerih, ki so označeni kot sumljivi.

Zdravstvo: Zdravstveni kartoni in recepti

Zdravstveni sektor ustvari ogromne količine dokumentov, od katerih je velik del še vedno ročno napisanih. Ročno napisan recept, ki se ga pogosto šteje za neberljivega, je pravilno prepisan, tudi ko zdravnik meša latinske izraze z lokalnim jezikom. Obrazci s potrditvenimi polji, ki so dolgo predstavljali glavobol tradicionalnim pogonom OCR, imajo svoje boolove odgovore izvlečene z izjemno natančnostjo. Pri zdravniških poročilih model prepozna identiteto pacienta, diagnozo in predpisana zdravila.

Eno vedenje si zasluži poudarek, saj določa, koliko zaupanja lahko nameniš sistemu: ko polje manjka v dokumentu – na primer nenavedena telefonska številka – model poroča o tej odsotnosti namesto da bi izumil verjetno vrednost. To je popolno nasprotje refleksu splošnega modela in prav to omogoča, da je izvleček uporaben brez sistematičnega človeškega pregleda.

Pravo: Analiza pogodb v velikem obsegu

Odvjetniške pisarne in pravni oddelki primarno uporabljajo izvleček klavzul in QnA. Prvi primer uporabe vključuje samodejno prepoznavanje klavzul o odpovedi, prepovedi konkurence ali zaupnosti znotraj korpusa, s čimer se ročni pregled spremeni v asistirano triažo. Drugi primer izstopa med skrbnim pregledom (due diligence): ko prevzem vključuje na stotine pogodb, korpus poizveduješ v naravnem jeziku namesto da bi vse prebral od začetka do konca, podrobno pa pregledaš le dokumente, ki jih je iskanje izpostavilo.

Računovodstvo: Obdelava računov

To je najbolj zrel primer uporabe in pogosto prvi, ki ga uvedejo. Vse se свede na shemo Pydantic, ki natančno opiše, kaj želiš pridobiti:

from pydantic import BaseModel, Field

class Invoice(BaseModel):
    vendor: str = Field(..., description="Vendor name")
    invoice_number: str = Field(..., description="Invoice number")
    date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
    amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
    amount_incl_tax: float = Field(..., description="Amount including tax in euros")
    vat_amount: float = Field(..., description="VAT amount in euros")

Ko to shemo posreduješ API-ju za anotacije, ta izvleče polja iz vsakega skeniranega računa, ne da bi bila potrebna kakršna koli predhodna konfiguracija predlog računov dobaviteljev. Upoštevaj skrb, namenjeno opisom in tipizaciji: to modelu pove, da mora biti znesek vrnjen kot število, datum pa v obliki YYYY-MM-DD in ne v obliki, kot je zapisan na papirju.

Logistika, arhivi in javni sektor

V logistiki se tisoči dnevno obdelanih dostavnic, tovornih listov in carinskih dokumentov posredujejo za samodejni izvleček podatkov o pošiljatelju in prejemniku, branje črtnih kod in sledilnih številk, prisotnih na slikah, ter digitalizacijo skladiščnih kontrolnih seznamov, ki so ročno izpolnjeni na pogosto zmečkanih medijih.

Digitalizacija arhivov je poseben primer. Dokumenti so tu stari, včasih v slabem stanju, napisani z rokopisom iz 19. ali 20. stoletja, s tipografijo in frazeologijo, ki se ne uporabljata več. OCR 4 se s temi spopada bolje kot tradicionalni pogoni OCR zaradi svojega vizualnega razumevanja, vendar bodi realen glede omejitev: natančnost pade pri močno poškodovanih predmetih in vsak resen arhivski projekt vedno vključuje fazo človeškega pregleda.

Standardni delovni tok v proizvodnem okolju

Ne glede na sektor je cevovod podoben: vnos dokumenta prek skeniranja, nalaganja ali e-pošte; OCR za izvleček besedila in strukture prek mistral-ocr-latest; anotacije za pridobitev strukturiranih podatkov glede na tvojo poslovno shemo; indeksiranje obogatenega Markdowna v vektorsko ali SQL bazo podatkov; nato uporaba prek iskanja, QnA, poročanja ali avtomatizacije delovnega toka. Če načrtuješ projekt, si najprej zacrtaj teh pet korakov, preden napišeš vrstico kode: ti določajo, kam shranjuješ podatke, kaj ponovno zaženeš v primeru napake in za kaj zaračunavaš.

Ključne ugotovitve

  • Document AI se uporablja v vsakem sektorju, ki upravlja z dokumenti
  • Standardni delovni tok je: vnos, OCR, anotacije, indeksiranje, uporaba
  • Anotacije Pydantic ti omogočajo izvleček točno tistih podatkov, ki jih potrebuješ
  • QnA ti omogoča poizvedovanje po dokumentih v naravnem jeziku po indeksiranju
  • Kombinacija vseh treh storitev ustvari celovito rešitev za dokumente od začetka do konca