Προκατασκευασμένο μοντέλο AI επεξεργασίας τιμολογίων
Το προκατασκευασμένο μοντέλο AI επεξεργασίας τιμολογίων εξάγει βασικά δεδομένα τιμολογίου για να βοηθήσει στην αυτοματοποίηση της επεξεργασίας των τιμολογίων. Το μοντέλο επεξεργασίας τιμολογίων έχει βελτιστοποιηθεί για να αναγνωρίζει κοινά στοιχεία τιμολογίων, όπως αναγνωριστικό τιμολογίου, ημερομηνία τιμολογίου, οφειλόμενο ποσό και πολλά άλλα.
Το μοντέλο Τιμολόγια σάς επιτρέπει να προσαρμόσετε την προεπιλεγμένη συμπεριφορά χτίζοντας ένα προσαρμοσμένο μοντέλο τιμολογίων.
Χρήση σε Power Apps
Για να μάθετε τον τρόπο χρήσης του μοντέλου επεξεργασίας τιμολογίου στο Power Apps, μεταβείτε στο Χρήση του μοντέλου επεξεργασίας τιμολογίου στο Power Apps.
Χρήση σε Power Automate
Για να μάθετε τον τρόπο χρήσης του μοντέλου επεξεργασίας τιμολογίου στο Power Automate, μεταβείτε στο Χρήση του μοντέλου επεξεργασίας τιμολογίου στο Power Automate.
Υποστηριζόμενες γλώσσες και αρχεία
Υποστηρίζονται οι ακόλουθες γλώσσες: Αλβανικά (Αλβανία), Τσεχικά (Τσεχία), Κινέζικα (απλοποιημένα) Κίνα, Κινεζικά (παραδοσιακά) Χονγκ Κονγκ SAR, Κινέζικα (παραδοσιακά) Ταϊβάν, Δανικά (Δανία), Κροατικά (Βοσνία και Ερζεγοβίνη), Κροατικά (Κροατία), Κροατικά (Σερβία), Ολλανδικά (Ολλανδία), Αγγλικά (Αυστραλία), Αγγλικά (Καναδάς), Αγγλικά (Ινδία), Αγγλικά (Ηνωμένο Βασίλειο), Αγγλικά (Ηνωμένες Πολιτείες), Εσθονικά (Εσθονία), Φινλανδικά (Φινλανδία), Γαλλικά (Γαλλία), Γερμανικά (Γερμανία), Ουγγρικά (Ουγγαρία), Ισλανδικά (Ισλανδία), Ιταλικά (Ιταλία), Ιαπωνικά (Ιαπωνία), Κορεάτικα (Κορέα), Λιθουανικά (Λιθουανία), Λετονικά (Λετονία), Μαλαισιανά (Μαλαισία), Νορβηγικά (Νορβηγία), Πολωνικά (Πολωνία), Πορτογαλικά (Πορτογαλία), Ρουμάνικα (Ρουμανία), Σλοβακικά (Σλοβακία), Σλοβενικά (Σλοβενία), Σερβικά (Σερβία), Ισπανικά (Ισπανία), Σουηδικά (Σουηδία).
Για να λάβετε τα καλύτερα αποτελέσματα, δώστε μία σαφή φωτογραφία ή σάρωση ανά τιμολόγιο.
- Η μορφή της εικόνας πρέπει να είναι JPEG, PNG ή PDF.
- Το μέγεθος αρχείου δεν θα πρέπει να υπερβαίνει τα 20 MB.
- Οι διαστάσεις εικόνας πρέπει να είναι μεταξύ 50 x 50 pixel και 10000 x 10000 pixel.
- Οι διαστάσεις PDF πρέπει να είναι το πολύ 17 x 17 ίντσες, δηλαδή το ισοδύναμο του μεγέθους χαρτιού Legal ή A3 ή μικρότερων.
- Για έγγραφα PDF, γίνεται επεξεργασία μόνο των πρώτων 2,000 σελίδων.
Αποτέλεσμα μοντέλου
Εάν εντοπιστεί ένα τιμολόγιο, το μοντέλο επεξεργασίας τιμολογίων εξαγάγει τις ακόλουθες πληροφορίες:
| Ιδιότητα | Ορισμός |
|---|---|
| Οφειλόμενο ποσό (κείμενο) | Οφειλόμενο ποσό όπως έχει γραφτεί στο τιμολόγιο. |
| Οφειλόμενο ποσό (αριθμός) | Ποσό που οφείλεται σε τυποποιημένη μορφή αριθμού. Παράδειγμα: 1234,98. |
| Εμπιστοσύνη οφειλόμενου ποσού | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση χρέωσης | Διεύθυνση χρέωσης. |
| Εμπιστοσύνη διεύθυνσης χρέωσης | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης χρέωσης | Παραλήπτης διεύθυνσης χρέωσης. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης χρέωσης | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση πελάτη | Διεύθυνση πελάτη. |
| Εμπιστοσύνη διεύθυνσης πελάτη | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης πελάτη | Παραλήπτης διεύθυνσης πελάτη. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης πελάτη | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Αναγνωριστικό πελάτη | Αναγνωριστικό πελάτη. |
| Εμπιστοσύνη του αναγνωριστικού πελάτη | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Όνομα πελάτη | Όνομα πελάτη. |
| Εμπιστοσύνη ονόματος πελάτη | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Φορολογικό αναγνωριστικό πελάτη | Ο αριθμός φορολογουμένου που σχετίζεται με τον πελάτη. |
| Εμπιστοσύνη του φορολογικού αναγνωριστικού πελάτη | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Προθεσμία (κείμενο) | Προθεσμία όπως έχει γραφτεί στο τιμολόγιο. |
| Προθεσμία (ημερομηνία) | Προθεσμία σε τυποποιημένη μορφή ημερομηνίας. Παράδειγμα: 2019-05-31. |
| Εμπιστοσύνη προθεσμίας | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Ημερομηνία τιμολογίου (κείμενο) | Ημερομηνία τιμολογίου όπως έχει γραφτεί στο τιμολόγιο. |
| Ημερομηνία τιμολογίου (ημερομηνία) | Ημερομηνία τιμολογίου σε τυποποιημένη μορφή ημερομηνίας. Παράδειγμα: 2019-05-31. |
| Εμπιστοσύνη ημερομηνίας τιμολογίου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Αναγνωριστικό τιμολογίου | Αναγνωριστικό τιμολογίου. |
| Εμπιστευτικότητα αναγνωριστικού τιμολογίου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Σύνολο τιμολογίου (κείμενο) | Σύνολο τιμολογίου όπως έχει γραφτεί στο τιμολόγιο. |
| Σύνολο τιμολογίου (αριθμός) | Σύνολο τιμολογίου σε τυποποιημένη μορφή ημερομηνίας. Παράδειγμα: 2019-05-31. |
| Εμπιστοσύνη συνόλου τιμολογίου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Στοιχεία γραμμής | Τα στοιχεία γραμμής που έχουν εξαχθεί από το τιμολόγιο. Για κάθε στήλη είναι διαθέσιμες βαθμολογίες εμπιστοσύνης.
|
| Όροι πληρωμής | Οι όροι πληρωμής για το τιμολόγιο. |
| Εμπιστοσύνη των όρων πληρωμής | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραγγελία αγοράς | Παραγγελία αγοράς. |
| Εμπιστοσύνη παραγγελίας αγοράς | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Προηγούμενο μη πληρωμένο υπόλοιπο (κείμενο) | Προηγούμενο υπόλοιπο που δεν έχει εξοφληθεί ως γραμμένο στο τιμολόγιο. |
| Προηγούμενο μη πληρωμένο υπόλοιπο (αριθμός) | Προηγούμενο ανεξόφλητο υπόλοιπο σε τυποποιημένη μορφή αριθμού. Παράδειγμα: 1234,98. |
| Εμπιστοσύνη προηγούμενου απλήρωτου υπολοίπου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση εμβάσματος | Διεύθυνση εμβάσματος. |
| Εμπιστοσύνη διεύθυνσης εμβάσματος | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης εμβάσματος | Παραλήπτης διεύθυνσης εμβάσματος. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης εμβάσματος | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση υπηρεσίας | Διεύθυνση υπηρεσίας. |
| Εμπιστοσύνη διεύθυνσης υπηρεσίας | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης υπηρεσίας | Παραλήπτης διεύθυνσης υπηρεσίας. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης υπηρεσίας | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Ημερομηνία έναρξης υπηρεσίας (κείμενο) | Ημερομηνία έναρξης υπηρεσίας όπως έχει γραφτεί στο τιμολόγιο. |
| Ημερομηνία έναρξης υπηρεσίας (ημερομηνία) | Ημερομηνία έναρξης υπηρεσίας σε τυποποιημένη μορφή ημερομηνίας. Παράδειγμα: 2019-05-31. |
| Εμπιστοσύνη ημερομηνίας έναρξης υπηρεσίας | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Ημερομηνία λήξης υπηρεσίας (κείμενο) | Ημερομηνία λήξης υπηρεσίας όπως έχει γραφτεί στο τιμολόγιο. |
| Ημερομηνία λήξης υπηρεσίας (ημερομηνία) | Ημερομηνία λήξης υπηρεσίας σε τυποποιημένη μορφή ημερομηνίας. Παράδειγμα: 2019-05-31. |
| Εμπιστοσύνη ημερομηνίας λήξης υπηρεσίας | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση αποστολής | Διεύθυνση αποστολής. |
| Εμπιστοσύνη διεύθυνσης αποστολής | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης αποστολής | Παραλήπτης διεύθυνσης αποστολής. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης αποστολής | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Υποσύνολο (κείμενο) | Υποσύνολο όπως έχει γραφτεί στο τιμολόγιο. |
| Υποσύνολο (αριθμός) | Υποσύνολο σε τυποποιημένη μορφή αριθμού. Παράδειγμα: 1234,98. |
| Εμπιστοσύνη υποσυνόλου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Συνολικός φόρος (κείμενο) | Συνολικός φόρο όπως έχει γραφτεί στο τιμολόγιο. |
| Συνολικός φόρος (αριθμός) | Συνολικός φόρας σε τυποποιημένη μορφή αριθμού. Παράδειγμα: 1234,98. |
| Εμπιστοσύνη συνολικού φόρου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Διεύθυνση προμηθευτή | Διεύθυνση προμηθευτή. |
| Εμπιστοσύνη διεύθυνσης προμηθευτή | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Παραλήπτης διεύθυνσης προμηθευτή | Παραλήπτης διεύθυνσης προμηθευτή. |
| Εμπιστοσύνη παραλήπτη διεύθυνσης προμηθευτή | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Όνομα προμηθευτή | Όνομα προμηθευτή. |
| Εμπιστοσύνη ονόματος εμπόρου | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Φορολογικό αναγνωριστικό προμηθευτή | Ο αριθμός φορολογουμένου που σχετίζεται με τον πωλητή. |
| Εμπιστοσύνη στο φορολογικό αναγνωριστικό πωλητή | Πόσο βέβαιο είναι το μοντέλο στην πρόβλεψή του. Βαθμολογία μεταξύ 0 (χαμηλή εμπιστοσύνη) και 1 (υψηλή εμπιστοσύνη). |
| Εντοπίστηκε κείμενο | Γραμμή αναγνωρισμένου κειμένου από την εκτέλεση οπτικής αναγνώρισης χαρακτήρων (OCR) σε ένα τιμολόγιο. Επιστρέφεται ως μέρος μιας λίστας κειμένου. |
| Εντοπίστηκε κλειδί | Τα ζεύγος κλειδιών-τιμών είναι όλες οι ετικέτες ή τα κλειδιά που έχουν αναγνωριστεί και οι συσχετισμένες αποκρίσεις ή τιμές τους. Μπορείτε να τις χρησιμοποιήσετε για να εξαγάγετε πρόσθετες τιμές που δεν αποτελούν μέρος της προκαθορισμένης λίστας πεδίων. |
| Εντοπίστηκε τιμή | Τα ζεύγος κλειδιών-τιμών είναι όλες οι ετικέτες ή τα κλειδιά που έχουν αναγνωριστεί και οι συσχετισμένες αποκρίσεις ή τιμές τους. Μπορείτε να τις χρησιμοποιήσετε για να εξαγάγετε πρόσθετες τιμές που δεν αποτελούν μέρος της προκαθορισμένης λίστας πεδίων. |
Ζεύγη τιμών-κλειδιών
Τα ζεύγος κλειδιών-τιμών είναι όλες οι ετικέτες ή τα κλειδιά που έχουν αναγνωριστεί και οι συσχετισμένες αποκρίσεις ή τιμές τους. Μπορείτε να τις χρησιμοποιήσετε για να εξαγάγετε πρόσθετες τιμές που δεν αποτελούν μέρος της προκαθορισμένης λίστας πεδίων.
Για να απεικονίσετε όλα τα ζεύγη τιμών-κλειδιών που εντοπίζονται από το μοντέλο επεξεργασίας τιμολογίου, μπορείτε να προσθέσετε μια ενέργεια Δημιουργία πίνακα HTML στη ροή σας όπως φαίνεται στο στιγμιότυπο και να εκτελέσετε τη ροή.
Για να εξαγάγετε ένα συγκεκριμένο κλειδί για το οποίο γνωρίζετε την τιμή του, μπορείτε να χρησιμοποιήσετε την ενέργεια Πίνακας φίλτρου όπως φαίνεται στο παρακάτω στιγμιότυπο. Στο παράδειγμα του στιγμιότυπου οθόνης, θα θέλαμε να εξαγάγουμε την τιμή για το κλειδί Τηλ.:
Όρια
Τα παρακάτω όριο ισχύει για κλήσεις που πραγματοποιούνται ανά περιβάλλον σε όλα τα μοντέλα επεξεργασίας εγγράφων στα οποία περιλαμβάνονται προκατασκευασμένα μοντέλα: επεξεργασία αποδείξεων και επεξεργασία τιμολογίων.
| Ενέργεια | Όριο | Περίοδος ανανέωσης |
|---|---|---|
| Κλήσεις (ανά περιβάλλον) | 360 | 60 δευτερόλεπτα |
Δημιουρίγα προσαρμοσμένης λύσης επεξεργασίας τιμολογίων
Το προκατασκευασμένο μοντέλο AI επεξεργασίας τιμολογίων έχει σχεδιαστεί για την εξαγωγή κοινών πεδίων που βρίσκονται στα τιμολόγια. Επειδή κάθε επιχείρηση είναι μοναδική, ίσως θέλετε να εξαγάγετε πεδία άλλα από αυτά που περιλαμβάνονται σε αυτό το προκατασκευασμένο μοντέλο. Επίσης, μπορεί να συμβαίνει ότι ορισμένα τυπικά πεδία δεν εξάγονται καλά για ένα συγκεκριμένο τύπο τιμολογίου με τον οποίο εργάζεστε. Για να το αντιμετωπίσετε αυτό, υπάρχουν δύο επιλογές:
Χρησιμοποιήστε το προσαρμοσμένο μοντέλο επεξεργασίας τιμολογίων: Προσαρμόστε τις συμπεριφορές του προκατασκευασμένου μοντέλου επεξεργασίας τιμολογίου με την προσθήκη νέων πεδίων προς εξαγωγή επιπλέον αυτών από προεπιλογή ή δείγματα εγγράφων που δεν έχουν εξαχθεί σωστά. Για να μάθετε πώς μπορείτε να επιλέξετε το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίων, μεταβείτε στην επιλογή Επιλέξτε τον τύπο εγγράφου.
Προβολή πρώτων αποτελεσμάτων OCR: κάθε φορά που το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίων Al επεξεργάζεται ένα αρχείο που παρέχετε, εκτελεί επίσης μια λειτουργία OCR για την εξαγωγή κάθε λέξης που έχει εγγραφεί στο αρχείο. Μπορείτε να αποκτήσετε πρόσβαση στα μη επεξεργασμένα αποτελέσματα OCR στην έξοδο κειμένου που εντοπίστηκε και παρέχεται από το μοντέλο. Μια απλή αναζήτηση στο περιεχόμενο που επιστρέφεται από το κείμενο που εντοπίστηκε μπορεί να είναι αρκετή για να λάβετε τα δεδομένα που χρειάζεστε.
Χρήση επεξεργασίας εγγράφων: Με το AI Builder, μπορείτε επίσης να δημιουργήσετε το δικό σας προσαρμοσμένο μοντέλο AI για να εξαγάγετε συγκεκριμένα πεδία και πίνακες που χρειάζεστε για τα έγγραφα με τα οποία εργάζεστε. Απλώς δημιουργήστε ένα μοντέλο επεξεργασίας εγγράφων και εκπαιδεύστε το να εξαγάγει όλες τις πληροφορίες από ένα τιμολόγιο που δεν λειτουργεί καλά με το μοντέλο εξαγωγής τιμολογίου.
Αφού εκπαιδεύσετε το προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων, μπορείτε να το συνδυάσετε με το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίου σε μια ροή Power Automate.
Ακολουθούν μερικά παραδείγματα:
Χρησιμοποιήστε ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων για να εξαγάγετε πρόσθετα πεδία που δεν επιστρέφονται από το προδομημένο μοντέλο επεξεργασίας τιμολογίων
Σε αυτό το παράδειγμα, έχουμε εκπαιδεύσει ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων για την εξαγωγή ενός αριθμού προγράμματος επιβράβευσης, που υπάρχει μόνο στα τιμολόγια από τους παρόχους Adatum και Contoso.
Η ροή ενεργοποιείται όταν ένα νέο τιμολόγιο προστίθεται σε έναν φάκελο του SharePoint. Στη συνέχεια καλεί το προκατασκευασμένο μοντέλο AI επεξεργασίας τιμολογίων για να εξαγάγει τα δεδομένα του. Στη συνέχεια, ελέγχουμε αν ο προμηθευτής για το τιμολόγιο που έχει υποβληθεί σε επεξεργασία είναι είτε από Adatum είτε από Contoso. Σε αυτήν την περίπτωση, θα πρέπει να ονομάσουμε ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων το οποίο έχουμε εκπαιδεύσει για να έχουμε αυτόν τον αριθμό αφοσίωσης. Τέλος, αποθηκεύουμε τα δεδομένα που έχουν εξαχθεί από το τιμολόγιο σε ένα αρχείο του Excel.
Χρησιμοποιήστε ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων εάν η βαθμολογία εμπιστοσύνης για ένα πεδίο που επιστρέφεται από το προδομημένο μοντέλο επεξεργασίας τιμολογίων είναι χαμηλή
Σε αυτό το παράδειγμα, έχουμε εκπαιδεύσει ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων για την εξαγωγή του συνολικού ποσού από τα τιμολόγια, όπου συνήθως έχουμε χαμηλή βαθμολογία εμπιστοσύνης κατά τη χρήση του προδομημένου μοντέλου επεξεργασίας τιμολογίων.
Η ροή ενεργοποιείται όταν ένα νέο τιμολόγιο προστίθεται σε έναν φάκελο του SharePoint. Στη συνέχεια καλεί το προκατασκευασμένο μοντέλο AI επεξεργασίας τιμολογίων για να εξαγάγει τα δεδομένα του. Στη συνέχεια, ελέγχουμε αν η βαθμολογία εμπιστοσύνης για την ιδιότητα Συνολική αξία τιμολογίου είναι μικρότερη από 0,65. Σε αυτήν την περίπτωση, καλούμε ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων το οποίο έχουμε εκπαιδεύσει με τιμολόγια, όπου συνήθως έχουμε μια χαμηλή βαθμολογία εμπιστοσύνης για το συνολικό πεδίο. Τέλος, αποθηκεύουμε τα δεδομένα που έχουν εξαχθεί από το τιμολόγιο σε ένα αρχείο του Excel.
Χρησιμοποιήστε το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίων για να χειριστείτε τιμολόγια που ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων έχει εκπαιδευτεί να χειρίζεται
Ένας τρόπος για να χρησιμοποιήσετε το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίου είναι να το χρησιμοποιήσετε ως εναλλακτικό μοντέλο για το χειρισμό τιμολογίων που δεν έχετε εκπαιδεύσει στο προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων σας. Για παράδειγμα, ας πούμε ότι έχετε δημιουργήσει ένα μοντέλο επεξεργασίας εγγράφων και το έχετε εκπαιδεύσει για να εξαγάγετε δεδομένα από τις 20 κορυφαίες υπηρεσίες παροχής τιμολογίων. Στη συνέχεια, μπορείτε να χρησιμοποιήσετε το προκατασκευασμένο μοντέλο επεξεργασίας τιμολογίων για να επεξεργαστείτε όλα τα νέα τιμολόγια ή τιμολόγια χαμηλότερου όγκου. Ακολουθεί ένα παράδειγμα για το πώς θα μπορούσατε να το κάνετε:
Αυτή η ροή ενεργοποιείται όταν ένα νέο τιμολόγιο προστίθεται σε έναν φάκελο του SharePoint. Έπειτα, καλεί ένα προσαρμοσμένο μοντέλο επεξεργασίας εγγράφων για την εξαγωγή των δεδομένων του. Στη συνέχεια, ελέγχουμε αν η βαθμολογία εμπιστοσύνης για την εντοπισμένη συλλογή είναι μικρότερη από 0,65. Σε αυτήν την περίπτωση, πιθανώς να σημαίνει ότι το παρεχόμενο τιμολόγιο δεν ταιριάζει καλά με το προσαρμοσμένο μοντέλο. Στη συνέχεια, καλούμε το προδομημένο μοντέλο επεξεργασίας τιμολογίων. Τέλος, αποθηκεύουμε τα δεδομένα που έχουν εξαχθεί από το τιμολόγιο σε ένα αρχείο του Excel.
