Strukturirano pridobivanje: tabele, glave in številski podatki
Na tej strani
Posodobitev 2. novembra 2026 — Le Chat postane Vibe. Od 28. maja 2026 dalje je Le Chat zdaj Vibe (še vedno na chat.mistral.ai): en sam agent za delo in kodo, ki ohranja tvoja pogovorna okna, nastavitve in naročnine. Stara izkušnja Le Chat je še vedno dostopna v načinu Chat; v načinu Work so agenti postali veščine (priklicane z
@), spomini tvorijo zbirko znanja, globoko iskanje pa je veščina Deep Research. Načrti se zdaj imenujejo Mistral Free, Pro, Team in Enterprise. Ta lekcija uporablja ime Vibe; nekateri meniji, opisani tukaj, so morda spremenili imena ali lokacije.
Od surovih dokumentov do organiziranih podatkov
Pridobivanje besedila iz dokumenta je dobro. Toda prava vrednost se pokaže, ko dobiš strukturirane podatke: čiste tabele, identificirane številke in razvrščene naslove. To je razlika med prejemanjem fotokopije finančnega izkaza in prejemanjem istega izkaza v uporabni preglednici. Mistralov Document AI odlično opravi prav to nalogo: ne bere le besedila, temveč razume strukturo dokumenta in vrne informacije v neposredno uporabni obliki.
Tabele: idealno področje
Tabele so povsod v poslovnih dokumentih – finančni izkazi, ceniki, razporedi, rezultati študij – in to je zgodovinsko področje, kjer je klasični OCR najbolj katastrofalno odpovedal, saj je stolpce in vrstice zmešal v kašo. Pogon OCR 3 jih nasprotno obdeluje z izjemno natančnostjo. Ko v Vibe naložiš dokument s tabelo, model najprej identificira meje tabele, tudi če so subtilne ali obarvane. Nato prepozna glave in jih loči od podatkov, pri čemer vsako celico poveže z njenim stolpcem in vrstico. Obvlada tudi težke primere: združene celice, vmesne vsote, opombe – vse klasične pasti, ki jih slabo pretvorjena preglednica spremeni v tihe napake.
Da dobiš uporaben rezultat, si navadi, da v pozivu navedeš želeno obliko. „Izloči tabelo s strani 3 v obliki Markdown” ti da tabelo, berljivo neposredno v Vibeu; „Pretvori to tabelo v CSV, da jo lahko prilepiš v Excel” jo pripravi za uvoz v preglednico; „Izloči le stolpca ‘Znesek’ in ‘Datum’” filtrira tisto, kar potrebuješ, že pri viru. Markdown je pogosto najbolj praktična oblika za vsakodnevno uporabo: takoj berljiva in enostavna za kopiranje v druga orodja.
Naslovi, hierarhija in struktura
Poleg tabel lahko Document AI rekonstruira hierarhijo dokumenta: naslovi in podnaslovi so identificirani in razvrščeni po ravneh (h1, h2, h3), odstavki so ločeni drug od drugega tudi brez vidnih prelomov vrstic, označeni ali oštevilčeni seznami so pravilno rekonstruirani, opombe pa so povezane s svojimi referencami. Ta zmogljivost je neprecenljiva pri delu z dolgimi poročili ali pravnimi dokumenti, kjer struktura nosi enak pomen kot besedilo: vedeti, da se klavzula nahaja v razdelku „Jamstva” in ne v „Razno”, spremeni njeno razlago.
Zato lahko postavljaš strukturna vprašanja: „Daj mi kazalo tega dokumenta”, „Naštej vse naslove razdelkov z njihovimi številkami strani” ali celo „Izloči le odstavke, ki obravnavajo jamstva” – slednje združuje strukturo in pomen.
Številski podatki s kontekstom
Finančni dokumenti, ponudbe, računi in poročila o dejavnosti so polni številk: finančni zneski (prihodki, vsote, DDV, popusti), datumi podpisa ali zapadlosti, odstotki tržnega deleža ali marže ter identifikatorji, kot so številke računov, reference strank ali kode SIRET. Kar ločuje Document AI, je, da ne izloča le številk – razume njihov kontekst. Če vprašaš: „Kolikšen je letni prihodek?”, model specifično poište številko, povezano s tem konceptom, tudi če je zakopana v tabeli s 50 vrsticami. Klasični OCR bi ti izročil petdeset neoznačenih številk; tukaj dobiš pravo.
To razumevanje ti omogoča, da greš dlje od samega izločanja: zahtevaš lahko izračune in preverjanja. „Ali je vsota stolpca ‘Znesek brez DDV’ pravilna?” prisili model k ponovnemu štetju; „Kakšna je razlika med načrtovanimi in dejanskimi številkami?” navzkrižno preveri dva stolpca; „Kateri postavka stroškov predstavlja največji delež?” pretvori tabelo v analizo.
Za napredne uporabnike izvoz v JSON strukturira izhod za tvoja orodja: „Iz tega računa v obliki JSON izloči naslednje informacije: številka, datum, znesek brez DDV, DDV, znesek z DDV, dobavitelj” ali „Ustvari objekt JSON s podatki iz vsake vrstice tabele.” Ta oblika je idealna, če morajo podatki kasneje napajati preglednico, zbirko podatkov ali drugo programsko opremo.
V praksi
Oglej si, kako se te zmogljivosti združijo v treh pogostih scenarijih. Prejmeš kup PDF računov: za vsakega vprašaj „Izloči iz tega računa: ime dobavitelja, datum, številko računa, znesek brez DDV, DDV in znesek z DDV. Predstavi kot tabelo” – in tvoja knjigovodska vknjižba je pripravljena. Soočen s 50-stranskim letnim poročilom: „Izloči vse finančne tabele iz tega poročila in jih predstavi v Markdownu. Identificiraj prihodke, čisti dobiček in operativno maržo.” Za odločitev med dvema ponudbama naloži obe in vprašaj: „Primerjaj cene v teh dveh ponudbah za iste storitve. Identificiraj razlike v tarifah.”
Zaključimo z nekaj metodološkimi pravili. Bodite specifični glede tega, kaj iščete – določena tabela, stolpec, vrsta podatkov – in vedno navedite želeno izhodno obliko (Markdown, CSV, JSON, seznam). Za optično prebrane dokumente je za zanesljivo izločanje priporočljiva ločljivost vsaj 150 DPI. Če je dokument zelo gost, ga obdeluj stran za stranjo: „Izloči tabelo s strani 7” bo dalo boljše rezultate kot globalno „Izloči vse tabele.” In za vsako kritično uporabo navzkrižno preveri izločene podatke z izvirnim dokumentom – izločanje je pospeševalec, ne odpoved odgovornosti.
Ključne ugotovitve
- Document AI zvesto rekonstruira tabele z glavami, stolpci in združenimi celicami
- Zahtevaš lahko izločanje v obliki Markdown, CSV ali JSON, odvisno od tvojih potreb
- Model razume kontekst številskih podatkov in lahko odgovori na specifična vprašanja
- Hierarhična struktura dokumenta (naslovi, podnaslovi, seznami) je ohranjena
- Pri kritičnih uporabah vedno preveri izločene podatke