Mistral OCR 4: dokumentų DI gauna akis ir liniuotę
Mistral OCR 4 ištraukia ne tik tekstą. Jis mato langelius, lenteles, blokus ir pasitikėjimo balus. Verslui tai labai praktiška.
Šiame straipsnyje · 5 dalys
- Kas yra DI agentas? DI agentas yra sistema, kuri ne tik atsako į klausimą, bet gali planuoti veiksmus, naudoti įrankius ir atlikti užduotis pagal nustatytas taisykles.
- Kodėl DI projektams reikia žmogaus kontrolės? Nes DI gali suklysti, neteisingai suprasti kontekstą arba atlikti veiksmą, kurio pasekmės verslui per didelės automatiniam sprendimui.
- Nuo ko pradėti įmonėje? Pradėkite nuo vieno aiškaus proceso, ribotos rizikos, gerai aprašytų duomenų ir testų, kurie parodo ne tik rezultatą, bet ir agento elgesį.
Mistral OCR 4 yra viena iš tų naujienų, kurios iš pirmo žvilgsnio atrodo labai techninės. OCR. Bounding boxes. Confidence scores. Skamba kaip IT skyriaus pietų tema.
Bet jei jūsų įmonėje yra sąskaitos, sutartys, PDF ataskaitos, skenuoti dokumentai ar seni archyvai, čia jau nebe teorija. Čia tas pats stalčius, kuris metų metus stovėjo kampe ir erzino visus.
Ką pristatė mistral
Mistral paskelbė OCR 4 – dokumentų atpažinimo modelį, kuris palaiko 170 kalbų ir gali veikti ne tik per API, bet ir savame serveryje. Tai svarbu įmonėms, kurios negali siųsti jautrių dokumentų bet kur.
Didžiausias pokytis nėra vien teksto ištraukimas. Senas OCR dažnai padarydavo vieną ilgą teksto košę. Naujas modelis grąžina struktūrą: kur yra antraštė, kur lentelė, kur parašas, kur paveikslas, kur kiekvienas blokas puslapyje.
Čia kaip skirtumas tarp „nufotografavau sandėlį“ ir „turiu tvarkingą sandėlio planą su lentynomis“. Abu variantai kažką parodo. Tik vienu galima dirbti.
Kodėl tai svarbu agentams
DI agentai labai priklauso nuo konteksto. Jei agentui paduodame blogai nuskaitytą sutartį, jis labai užtikrintai gali padaryti blogą išvadą. Ir tada turime ne pagalbininką, o gražiai kalbantį rizikos generatorių.
Mistral OCR 4 duoda daugiau atramos: blokų vietas, tipą, pasitikėjimo balus. Tai leidžia kurti sistemas, kurios ne tik atsako, bet ir parodo, iš kur paėmė informaciją. Juristams, finansams, pirkimams ar draudimui tai nėra smulkmena.
Man patinka viena paprasta taisyklė: jei DI atsakymas negali parodyti piršto į šaltinį, jis dar nėra darbo įrankis. Jis yra spėjimas su kostiumu.
Praktiniai pavyzdžiai
Pirmas panaudojimas – sąskaitų apdorojimas. Ne tik ištraukti sumą, bet ir suprasti, kur ji buvo dokumente, ar šalia yra PVM, ar dokumente matosi įmonės kodas. Kai atsiranda abejonė, žmogus mato konkrečią vietą.
Antras – sutarčių peržiūra. Agentas gali ieškoti terminų, baudų, atnaujinimo sąlygų, bet kartu išlaikyti nuorodas į dokumento vietas. Tai ypač aktualu, kai dokumentų daug, o laiko mažai.
Trečias – vidinės žinių bazės. Daug įmonių turi PDF instrukcijas, senus pristatymus ir skenuotus dokumentus. Jie formaliai egzistuoja, bet praktiškai niekas jų neranda. Geras OCR yra pirmas žingsnis, kad DI paieška nebūtų akla.
Ką pasitikrinti prieš diegiant
Nereikia bėgti ir „diegti DI dokumentams“ vien dėl naujienos. Pirmiausia verta pasiimti 50 realių dokumentų. Su kreivais skenais, lietuviškomis raidėmis, lentelėmis, parašais, visais tais gyvenimo malonumais.
Tada matuoti ne tik ar tekstas ištrauktas. Matuoti ar galima priimti sprendimą. Ar buhalterė pasitiki rezultatu? Ar juristas randa citatą? Ar sistema pažymi neaiškias vietas, o ne apsimeta, kad viskas aišku?
Štai čia prasideda tikras darbas. Ne demo salėje, o tame PDF faile, kurį kažkas prieš trejus metus nuskenavo telefonu per pietų pertrauką.
Pirminis šaltinis: Mistral AI. Norintiems susitvarkyti dokumentų procesus su DI, verta pradėti nuo mažo pilotinio rinkinio ir aiškaus vertinimo kriterijaus.
Rašome apie dirbtinį intelektą lietuviškai. Kiekvienas straipsnis parengtas pagal nurodytą šaltinį, o nuorodą į originalą rasite kortelėje „Šaltinis“.
