Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Introduction till Document AI

Lektion 1 av 16 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Varför Document AI förändrar spelreglerna
  2. De tre Document AI-tjänsterna
  3. Traditionell OCR kontra Document AI
  4. Strukturerad Markdown-utdata
  5. Vad du kommer att lära dig
  6. Viktiga punkter

Uppdaterad 2 november 2026 — OCR. OCR 4.0 (mistral-ocr-4-0) togs ur bruk den 30 september 2026. Använd OCR 4.1 (mistral-ocr-4-1), som har varit allmänt tillgänglig sedan 31 augusti till samma pris, eller aliaset mistral-ocr-latest, som har pekat på den sedan 16 juli. OCR 4.1 lägger till konfidenspoäng på blocknivå.

Varför Document AI förändrar spelreglerna

Varje morgon får ett försäkringsbolag hundratals skadeanmälningsformulär: inskannade dokument vridna i konstiga vinklar, handskrivna rapporter ifyllda med penna och foton på fakturor tagna med en mobiltelefon. Banker brottas med samma problem med kontoutdrag, sjukhus med patientjournaler och myndigheter med blanketter. I decennier har traditionell optisk teckenigenkänning (OCR) försökt lösa detta problem, ofta med nedslående resultat så snart layouterna blir komplexa, handskrift är inblandad eller dokument blandar flera språk.

Mistral AI byggde Document AI för att hantera just denna typ av arbetsflöde. Det är inte bara ytterligare en OCR-motor: lösningen kombinerar en specialiserad språkmodell för vision (VLM) med strukturerad extrahering och dokumentintelligens. Med andra ord läser den inte bara tecken; den rekonstruerar dokumentet så som det är organiserat och låter dig ställa frågor om det i efterhand.

2,000
Sidor/min per GPU
3
Integrerade tjänster
50+
Språk som stöds
6
Format som stöds

De tre Document AI-tjänsterna

Document AI förlitar sig på tre komplementära tjänster, alla tillgängliga via Mistral API. Det hjälper att förstå hur de kedjas ihop redan från början.

Den första, OCR Processor, är systemets kärna. Modellen mistral-ocr-latest (OCR 4) extraherar text från inskannade dokument, PDF-filer, bilder och presentationer. Där en klassisk OCR som Tesseract ger dig en röra av rader, bevarar denna modell strukturen: rubriker, stycken, tabeller, listor och hyperlänkar. Ta det där försäkringsformuläret igen: du får tillbaka formuläret med sina sektioner identifierade, inte ett textblock du måste reda ut.

Den andra tjänsten, Document Annotations, tar över för att extrahera användbar data. Du definierar ett Pydantic-schema — patientnamn, fakturabelopp, avtalsklausuler — och modellen fyller i dessa fält automatiskt. Du går från läsbar text till typade värden som ett informationssystem kan ta emot.

Den tredje, Document QnA, kombinerar OCR med en Mistral LLM för att låta dig ställa frågor på naturligt språk om innehållet. Det är detta som låter en jurist fråga: “Vad är uppsägningstiden?” istället för att läsa om fyrtio sidor. Det är också det naturliga sättet att komma åt stora arkiv eller jämföra rapporter.

Traditionell OCR kontra Document AI

Traditionell OCR, oavsett om det är Tesseract eller Adobe Acrobat, fungerar genom att känna igen mönster pixel för pixel. Den principen fungerar bra på en skarp tryckt sida, men faller sönder så snart du lämnar det ideala fallet. En tidning med flera kolumner, nästlade rubriker och illustrerade sidopaneler producerar text där läsföljden inte längre ger mening. Handskrivna läkaranteckningar eller manuellt ifyllda formulär förblir oläsliga för den. Tabeller med sammanslagna celler, saknade ramar eller oregelbundna justeringar förlorar allt samband mellan kolumner och rader. Lägg till ett dokument som blandar latinska, arabiska och asiatiska skriftspråk, eller en brusig, vriden, suddig inskanning, och felfrekvensen blir oacceptabel.

Document AI bygger på en finjusterad visionsmodell (VLM) som förstår dokumentsemantik. Den känner inte bara igen tecken: den fattar struktur, kontext och relationer mellan element. Denna fundamentala skillnad i karaktär, inte bara en enkel vinst i noggrannhet, förklarar dess resultat i svåra fall.

Strukturerad Markdown-utdata

En annan nyckelskillnad: Document AI producerar strukturerad Markdown, inte vanlig text. Varje sida returneras med sitt textinnehåll taggat — rubriker, listor, stycken — dess tabeller formaterade i Markdown eller HTML, extraherade bilder åtföljda av sin position, bevarade hyperlänkar och, om du vill, sidhuvuden och sidfötter isolerade från brödtexten. Denna utdata är redo att användas: du kan indexera den i en vektordatabas för RAG, arkivera den eller visa den som den är, utan ett mellanliggande reningssteg.

På inmatningssidan täcker tjänsten PDF-filer (inskannade och nativa), PNG-, JPEG- och AVIF-bilder, PPTX-presentationer och DOCX-dokument. Den maximala filstorleken är 50 MB, med ett tak på 1 000 sidor — två gränser att hålla i åtanke när du delar upp dina batchar.

Vad du kommer att lära dig

Kursen följer ordningen för de tre tjänsterna. Lektion 1 till 3 täcker översikten, OCR 4-modellen och användningsfall. Lektion 4 till 8 går djupare in på OCR: API:t, Python-kod, tabeller, sidhuvuden och sidfötter samt optimering av noggrannheten. Lektion 9 till 12 hanterar annoteringar, från metadataextrahering till batchbearbetning. Lektion 13 till 16 tar sig an dokument-QnA, från enskilda dokument till flerdokumentsmiljöer, ända fram till RAG-integration och produktionspipelines.

Viktiga punkter

  • Document AI kombinerar OCR, strukturerade annoteringar och QnA i en enda lösning
  • OCR 4-modellen överträffar traditionella OCR-lösningar vida i noggrannhet och flexibilitet
  • Strukturerad Markdown-utdata gör integration i dina befintliga pipelines enkel
  • Tre komplementära tjänster täcker hela dokumentets livscykel