Gunakan model bawaan Pemrosesan faktur di Power Automate
Masuk ke Power Automate.
Pilih Alur saya di panel kiri, lalu pilih Alur baru>alur cloud instan.
Beri nama alur Anda, pilih Picu alur secara manual di bawah Pilih cara memicu alur ini, lalu pilih Buat .
Perluas Picu alur secara manual, lalu pilih +Tambahkan File>input sebagai jenis input.
Ganti Konten File dengan Faktur saya (juga dikenal sebagai judul).
Pilih +Langkah>AI Builder baru, lalu pilih Ekstrak informasi dari faktur dalam daftar tindakan.
Tentukan Faktur saya dari pemicu di input file Faktur.
Dalam tindakan berturut-turut, Anda dapat menggunakan salah satu nilai faktur dari output model.
Selamat! Anda telah membuat alur yang menggunakan AI Builder model Pemrosesan faktur. Pilih Simpan di kanan atas, lalu pilih Uji untuk mencoba alur Anda.
Rentang halaman
Untuk dokumen besar, Anda dapat menentukan rentang halaman yang akan diproses.
Anda dapat memasukkan nilai halaman atau rentang halaman di parameter Halaman . Contoh: 1 atau 3-5.
Catatan
Jika Anda memiliki dokumen besar dengan hanya satu faktur, kami sangat menyarankan untuk menggunakan parameter Pages untuk mengarahkan faktur Anda, dan karenanya mengurangi biaya prediksi model dan meningkatkan performa. Namun, rentang halaman harus berisi faktur unik untuk tindakan untuk mengembalikan data yang benar.
Contoh: Dokumen berisi faktur pertama di halaman 2 dan faktur kedua yang mencakup halaman 3 dan 4:
- Jika Anda memasukkan rentang halaman 2, itu akan mengembalikan data faktur pertama.
- Jika Anda memasukkan rentang halaman 3-4, itu hanya akan mengembalikan data faktur kedua.
- Jika Anda memasukkan rentang halaman 2-4, itu akan mengembalikan sebagian data dari faktur pertama dan kedua (harus dihindari).
Parameter
Input
| Nama | Wajib | Tipe | Description |
|---|---|---|---|
| File tanda terima | Ya | file | File faktur yang akan diproses |
| Halaman | No | string | Rentang halaman yang akan diproses |
Output
| Nama | Tipe | Devinisi |
|---|---|---|
| Jumlah jatuh tempo (teks) | string | Jumlah yang harus dibayar seperti yang tertulis di faktur |
| Jumlah jatuh tempo (angka) | mengapung | Jumlah yang jatuh tempo dalam format angka standar. Contoh: 1234,98 |
| Keyakinan jumlah jatuh tempo | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat penagihan | string | Alamat penagihan |
| Keyakinan alamat penagihan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat penagihan | string | Penerima alamat penagihan |
| Keyakinan penerima alamat penagihan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat pelanggan | string | Alamat pelanggan |
| Keyakinan alamat pelanggan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat pelanggan | string | Penerima alamat pelanggan |
| Keyakinan penerima alamat pelanggan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID pelanggan | string | ID pelanggan |
| Keyakinan ID pelanggan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Nama pelanggan | string | Nama pelanggan |
| Keyakinan nama pelanggan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal jatuh tempo (teks) | string | Tanggal jatuh tempo seperti yang tertulis di faktur |
| Tanggal jatuh tempo (tanggal) | Tanggal jatuh tempo dalam format tanggal standar. Contoh: 2019-05-31T00:00:00Z | |
| Keyakinan tanggal jatuh tempo | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal faktur (teks) | string | Tanggal faktur seperti yang tertulis pada faktur |
| Tanggal faktur (tanggal) | date | Tanggal faktur dalam format tanggal standar. Contoh: 2019-05-31T00:00:00Z |
| Keyakinan tanggal faktur | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID Faktur | string | ID Faktur |
| Keyakinan ID faktur | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Total faktur (teks) | string | Total faktur seperti yang tertulis di faktur |
| Total faktur (angka) | mengapung | Total faktur dalam format tanggal standar. Contoh: 2019-05-31T00:00:00Z |
| Keyakinan total faktur | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Pesanan pembelian | string | Pesanan pembelian |
| Keyakinan pesanan pembelian | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat remitansi | string | Alamat remitansi |
| Keyakinan alamat remitansi | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat remitansi | string | Penerima alamat remitansi |
| Keyakinan penerima alamat pengiriman | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat layanan | string | Alamat layanan |
| Keyakinan alamat layanan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat layanan | string | Penerima alamat layanan |
| Keyakinan penerima alamat layanan | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat pengiriman | string | Alamat pengiriman |
| Keyakinan alamat pengiriman | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat pengiriman | string | Penerima alamat pengiriman |
| Keyakinan penerima alamat pengiriman | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Subtotal (teks) | string | Subtotal seperti yang tertulis di faktur |
| Subtotal (angka) | mengapung | Subtotal dalam format angka standar. Contoh: 1234,98 |
| Keyakinan subtotal | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Pajak total (teks) | string | Total pajak seperti yang tertulis di faktur |
| Pajak total (angka) | mengapung | Total pajak dalam format angka standar. Contoh: 1234,98 |
| Keyakinan pajak total | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat vendor | string | Alamat vendor |
| Keyakinan alamat vendor | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat vendor | string | Penerima alamat vendor |
| Keyakinan penerima alamat vendor | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Nama vendor | string | Nama vendor |
| Keyakinan nama vendor | mengapung | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Teks terdeteksi | string | Baris teks yang dikenali dari menjalankan OCR pada faktur. Dikembalikan sebagai bagian dari daftar teks. |
| Nomor halaman teks yang terdeteksi | integer | Di halaman mana baris teks yang dikenali ditemukan. Dikembalikan sebagai bagian dari daftar teks. |