Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Analyser des diagrammes avec l'API Vision

Lektion 7 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Lis les diagrammes comme un analyste
  2. Principes de l’analyse de diagrammes
  3. Analyser un diagramme en barres
  4. Extraire des données numériques
  5. Analyser un diagramme en courbes (tendances)
  6. Analyser un camembert (répartition)
  7. Pipeline d’analyse de rapports
  8. Limites de l’analyse de diagrammes
  9. Viktiga punkter

Lis les diagrammes comme un analyste

Les diagrammes — barres, courbes, camemberts, aires — sont omniprésents dans les rapports d’entreprise, les tableaux de bord et les publications scientifiques. Ils posent un problème spécifique : l’information est enfermée dans une image, souvent sans les données sources jointes. Un rapport annuel au format PDF peut contenir trente courbes, et personne ne possède plus le fichier Excel d’origine.

L’API Vision de Mistral peut lire ces diagrammes, interpréter les tendances et extraire les données numériques. Cette leçon t’apprend à rédiger des prompts qui produisent des résultats actionnables plutôt que des commentaires vagues, et à structurer la sortie.

Principes de l’analyse de diagrammes

Laissé à lui-même, le modèle produit une phrase générique du type « ce graphique montre l’évolution des ventes ». Un prompt efficace impose invece un processus ordonné : identifier le type de diagramme (barres, courbes, camembert, nuage de points), lire les axes et les légendes avec leurs unités et échelles, extraire les valeurs en approximant leur position visuelle, et seulement ensuite interpréter les tendances — hausse, baisse, saisonnalité, anomalies. L’ordre compte : une interprétation formulée avant la lecture des axes est une interprétation inventée.

Analyser un diagramme en barres

Le message système est l’endroit idéal pour encoder cette méthode une fois pour toutes, quel que soit le diagramme analysé :

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": """You are an expert data analyst. When analyzing a chart:
1. Identify the chart type and its title
2. Describe the axes (labels, units, scale)
3. List the main values you can read
4. Identify trends, highs/lows, and anomalies
5. Write a 2-3 sentence conclusion"""
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Analyze this bar chart of quarterly revenue."},
                {"type": "image_url", "image_url": "https://exemple.com/ca-trimestriel.png"}
            ]
        }
    ]
)

print(response.choices[0].message.content)

Le prompt système structure la réponse du modèle en étapes logiques, améliorant à la fois la précision et la lisibilité. Tu obtiens un rapport cohérent d’un diagramme à l’autre, ce qui est essentiel si ces réponses doivent être traitées automatiquement par la suite.

Extraire des données numériques

Pour obtenir des données utilisables plutôt qu’une description, l’instruction doit être explicitement restrictive. Le modèle a une tendance naturelle à commenter ; tu dois le lui interdire :

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "You are a data extractor. Analyze the chart and return the data as a markdown table. Do not comment, do not describe—only extract the data."
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Extract the data from this bar chart into a table."},
                {"type": "image_url", "image_url": "https://exemple.com/ventes-mensuelles.png"}
            ]
        }
    ]
)

Le modèle renverra quelque chose comme :

| Month    | Sales (k€) |
|----------|------------|
| January  | 120        |
| February | 135        |
| March    | 148        |

Ce format se parse en quelques lignes de code et s’importe directement dans un tableur ou un DataFrame.

Analyser un diagramme en courbes (tendances)

Les diagrammes en courbes sont particulièrement adaptés à l’analyse des tendances, et la question peut alors devenir un questionnaire complet posé dans le message utilisateur :

prompt_tendance = """Analyze this line chart and answer:
1. What is the general trend (rising, falling, stable)?
2. Are there any inflection points? If so, on what dates?
3. Do you observe seasonality?
4. What is the approximate value at the start and end of the period?
5. What projection do you make for the next quarter?"""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_tendance},
                {"type": "image_url", "image_url": "https://exemple.com/evolution-prix.png"}
            ]
        }
    ]
)

La cinquième question est de nature différente des quatre premières : elle demande une extrapolation, non une lecture. Traite sa réponse comme une hypothèse à valider, jamais comme un fait.

Analyser un camembert (répartition)

Pour les camemberts, la question se concentre sur les proportions et la concentration plutôt que sur l’évolution :

prompt_camembert = """Analyze this pie chart:
- List each segment with its approximate percentage
- Identify the dominant segment
- Indicate whether the distribution is concentrated or dispersed
Return the data in a markdown table."""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_camembert},
                {"type": "image_url", "image_url": "https://exemple.com/repartition-marche.png"}
            ]
        }
    ]
)

Vérifie toujours que la somme des pourcentages renvoyés est proche de 100 : un total de 87 % signale une lecture incomplète, un segment oublié ou l’un caché par la légende.

Pipeline d’analyse de rapports

Ces appels isolés deviennent utiles à l’échelle d’un rapport entier. Le script suivant parcourt un dossier de diagrammes exportés, demande une sortie JSON standardisée à chaque fois, et journalise le tout dans un seul fichier :

import base64
from pathlib import Path
from mistralai.client import Mistral
import json

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def encoder_image(chemin):
    with open(chemin, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    return f"data:image/png;base64,{b64}"

def analyser_graphique(chemin_image, question=None):
    """Analyze a chart and return structured data."""
    if question is None:
        question = "Analyze this chart. Return a JSON with: type (bar/line/pie/other), title, data (array of {label, value}), trend, and summary."

    response = client.chat.complete(
        model="mistral-large-latest",
        messages=[
            {
                "role": "system",
                "content": "Return only valid JSON, no markdown code blocks."
            },
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": question},
                    {"type": "image_url", "image_url": encoder_image(chemin_image)}
                ]
            }
        ]
    )

    return response.choices[0].message.content

# Analyze all charts in a folder
dossier = Path("rapport/graphiques/")
resultats = {}

for fichier in sorted(dossier.glob("*.png")):
    print(f"Analyse de {fichier.name}...")
    resultats[fichier.name] = analyser_graphique(fichier)

# Save results
with open("rapport/analyse_graphiques.json", "w", encoding="utf-8") as f:
    json.dump(resultats, f, ensure_ascii=False, indent=2)

L’instruction « no markdown code blocks » évite l’agacement classique du JSON enveloppé dans des triples backticks, ce qui brise le parsing.

Limites de l’analyse de diagrammes

Quatre situations mettent le modèle à l’épreuve, et tu dois les connaître avant de construire un processus autour de lui. Premièrement, les valeurs précises : elles sont estimées à partir de la position visuelle des barres ou des points, avec une marge d’erreur de 5 à 10 %. Deuxièmement, les diagrammes encombrés, où de multiples séries, légendes et petits textes brouillent la lisibilité. Troisièmement, la faible résolution, qui rend les étiquettes floues ou pixellisées et illisibles — souviens-toi du redimensionnement interne décrit dans la leçon 2. Enfin, les diagrammes en 3D, où la perspective déforme mécaniquement la lecture des hauteurs.

La conclusion pratique est claire : pour une extraction précise, privilégie l’export des données sources en CSV lorsque c’est possible. L’API Vision est idéale pour l’analyse rapide et la synthèse, pas pour remplacer un tableur. Elle excelle quand les données sources ont disparu ; c’est un mauvais choix quand les données sont à portée de main.

Viktiga punkter

  • Utilise Mistral Large 3 pour l’analyse de diagrammes — la précision est cruciale
  • Structure ton prompt en étapes : type, axes, valeurs, tendances, conclusion
  • Demande explicitement un format de sortie (tableau markdown, JSON) pour des données utilisables
  • Le modèle estime les valeurs avec une marge de 5–10 % — ne l’utilise pas pour des chiffres exacts
  • Combine l’API Vision avec un export CSV pour obtenir le meilleur des deux mondes