Model AI bawaan pemrosesan faktur
Model AI bawaan pemrosesan faktur mengekstrak data faktur utama untuk membantu mengotomatiskan pemrosesan faktur. Model pemrosesan faktur dioptimalkan untuk mengenali elemen faktur umum seperti ID faktur, tanggal faktur, jumlah jatuh tempo, dan banyak lagi.
Model Faktur memungkinkan Anda menambah perilaku default dengan membuat model Faktur kustom.
Penggunaan di Power Apps
Untuk mempelajari cara menggunakan model bawaan pemrosesan faktur, buka Power AppsMenggunakan model bawaan pemrosesan faktur di Power Apps.
Penggunaan di Power Automate
Untuk mempelajari cara menggunakan model bawaan pemrosesan faktur, buka Menggunakan model Power Automate bawaan pemrosesan faktur di . Power Automate
Bahasa dan file yang didukung
Bahasa berikut didukung: Albania (Albania), Ceko (Republik Ceko), Tionghoa (sederhana) Tiongkok, Tionghoa (tradisional) Hong Kong SAR, Tionghoa (tradisional) Taiwan, Denmark (Denmark), Kroasia (Bosnia dan Herzegovina), Kroasia (Kroasia), Kroasia (Serbia), Belanda (Belanda), Inggris (Australia), Inggris (Kanada), Inggris (India), Inggris (Inggris Raya), Inggris (Amerika Serikat), Estonia (Estonia), Finlandia (Finlandia), Prancis (Prancis), Jerman (Jerman), Hongaria (Hongaria), Islandia (Islandia), Italia (Italia), Jepang (Jepang), Korea (Korea), Lithuania (Lithuania), Latvia (Latvia), Melayu (Malaysia), Norwegia (Norwegia), Polandia (Polandia), Portugis (Portugal), Rumania (Rumania), Slovakia (Slovakia), Slovenia (Slovenia), Serbia (Serbia), Spanyol (Spanyol), Swedia (Swedia).
Untuk mendapatkan hasil terbaik, berikan satu foto atau pindaian yang jelas per faktur.
- Format gambar harus JPEG, PNG, atau PDF.
- Ukuran file tidak boleh melebihi 20 MB.
- Dimensi gambar harus antara 50 x 50 piksel dan 10.000 x 10.000 piksel.
- Dimensi PDF harus paling banyak 17 x 17 inci, yang setara dengan ukuran kertas Legal atau A3 atau lebih kecil.
- Untuk dokumen PDF, hanya 2.000 halaman pertama yang diproses.
Keluaran model
Jika faktur terdeteksi, model pemrosesan faktur menghasilkan informasi berikut:
| Properti | Devinisi |
|---|---|
| Jumlah jatuh tempo (teks) | Jumlah yang harus dibayar seperti yang tertulis pada faktur. |
| Jumlah jatuh tempo (angka) | Jumlah yang harus dibayar dalam format angka standar. Contoh: 1234.98. |
| Keyakinan jumlah jatuh tempo | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat penagihan | Alamat penagihan. |
| Keyakinan alamat penagihan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat penagihan | Penerima alamat penagihan. |
| Keyakinan penerima alamat penagihan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat pelanggan | Alamat pelanggan. |
| Keyakinan alamat pelanggan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat pelanggan | Penerima alamat pelanggan. |
| Keyakinan penerima alamat pelanggan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| ID pelanggan | ID Pelanggan. |
| Keyakinan ID pelanggan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Nama pelanggan | Nama pelanggan. |
| Keyakinan nama pelanggan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| ID pajak pelanggan | Nomor wajib pajak yang terkait dengan pelanggan. |
| Keyakinan ID pajak pelanggan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Tanggal jatuh tempo (teks) | Tanggal jatuh tempo seperti yang tertulis pada faktur. |
| Tanggal jatuh tempo (tanggal) | Tanggal jatuh tempo dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal jatuh tempo | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Tanggal faktur (teks) | Tanggal faktur seperti yang tertulis pada faktur. |
| Tanggal faktur (tanggal) | Tanggal faktur dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal faktur | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| ID Faktur | ID faktur. |
| Keyakinan ID faktur | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Total faktur (teks) | Total faktur seperti yang tertulis pada faktur. |
| Total faktur (angka) | Total faktur dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan total faktur | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Item Baris | Item baris yang diekstrak dari faktur. Skor keyakinan tersedia untuk setiap kolom.
|
| Syarat Pembayaran | Ketentuan pembayaran untuk faktur. |
| Keyakinan ketentuan pembayaran | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Pesanan pembelian | Pesanan pembelian. |
| Keyakinan pesanan pembelian | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Saldo yang belum dibayar sebelumnya (teks) | Saldo terutang sebelumnya seperti yang tertulis di faktur. |
| Saldo yang belum dibayar sebelumnya (angka) | Saldo terutang sebelumnya dalam format nomor standar. Contoh: 1234.98. |
| Keyakinan saldo yang belum dibayar sebelumnya | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat remitansi | Alamat pengiriman uang. |
| Keyakinan alamat remitansi | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat remitansi | Penerima alamat pengiriman uang. |
| Keyakinan penerima alamat pengiriman | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat layanan | Alamat layanan. |
| Keyakinan alamat layanan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat layanan | Penerima alamat layanan. |
| Keyakinan penerima alamat layanan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Tanggal mulai layanan (teks) | Tanggal mulai layanan seperti yang tertulis pada faktur. |
| Tanggal mulai layanan (tanggal) | Tanggal mulai layanan dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal mulai layanan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Tanggal berakhir layanan (teks) | Tanggal berakhir layanan seperti yang tertulis pada faktur. |
| Tanggal berakhir layanan (tanggal) | Tanggal berakhir layanan dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal berakhir layanan | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat pengiriman | Alamat pengiriman. |
| Keyakinan alamat pengiriman | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat pengiriman | Penerima alamat pengiriman. |
| Keyakinan penerima alamat pengiriman | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Subtotal (teks) | Subtotal seperti yang tertulis pada faktur. |
| Subtotal (angka) | Subtotal dalam format angka standar. Contoh: 1234.98. |
| Keyakinan subtotal | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Pajak total (teks) | Total pajak seperti yang tertulis pada faktur. |
| Pajak total (angka) | Total pajak dalam format angka standar. Contoh: 1234.98. |
| Keyakinan pajak total | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Alamat vendor | Alamat vendor. |
| Keyakinan alamat vendor | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Penerima alamat vendor | Penerima alamat vendor. |
| Keyakinan penerima alamat vendor | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Nama vendor | Nama vendor. |
| Keyakinan nama vendor | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| ID pajak vendor | Nomor wajib pajak yang terkait dengan vendor. |
| Keyakinan ID pajak vendor | Seberapa yakin model ini dalam prediksi. Skor antara 0 (kepercayaan diri rendah) dan 1 (kepercayaan diri tinggi). |
| Teks terdeteksi | Baris teks yang dikenali dari menjalankan OCR pada faktur. Dikembalikan sebagai bagian dari daftar teks. |
| Kunci yang terdeteksi | Pasangan nilai kunci adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkait. Anda dapat menggunakan ini untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya. |
| Nilai yang terdeteksi | Pasangan nilai kunci adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkait. Anda dapat menggunakan ini untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya. |
Pasangan kunci-nilai
Pasangan nilai kunci adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkait. Anda dapat menggunakan ini untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya.
Untuk memvisualisasikan semua pasangan kunci-nilai yang terdeteksi oleh model pemrosesan faktur, Anda dapat menambahkan tindakan Buat tabel HTML dalam alur Anda seperti yang diperlihatkan dalam cuplikan layar dan menjalankan alur.
Untuk mengekstrak kunci tertentu yang Anda ketahui nilainya, Anda dapat menggunakan tindakan array Filter seperti yang ditunjukkan pada gambar di bawah ini. Dalam contoh tangkapan layar, kami ingin mengekstrak nilai untuk kunci Telp.:
Batas
Batas berikut berlaku untuk panggilan yang dilakukan per lingkungan di seluruh model pemrosesan dokumen termasuk model bawaan: pemrosesan tanda terima dan pemrosesan faktur.
| Perbuatan | Batas | Periode perpanjangan |
|---|---|---|
| Panggilan (per lingkungan) | 360 | 60 detik |
Membuat solusi pemrosesan faktur kustom
Model AI prebuilt pemrosesan faktur dirancang untuk mengekstrak bidang umum yang ditemukan dalam faktur. Karena setiap bisnis itu unik, Anda mungkin ingin mengekstrak kolom selain yang disertakan dalam model bawaan ini. Ini juga bisa menjadi kasus bahwa beberapa bidang standar tidak diekstraksi dengan baik untuk jenis faktur tertentu yang Anda kerjakan. Untuk mengatasinya, ada dua opsi:
Gunakan model pemrosesan Faktur kustom: Tingkatkan perilaku model pemrosesan faktur bawaan dengan menambahkan bidang baru untuk diekstraksi selain bidang secara default, atau sampel dokumen yang tidak diekstraksi dengan benar. Untuk mempelajari cara menambah model pemrosesan faktur bawaan, buka Memilih tipe dokumen.
Lihat hasil OCR mentah: Setiap kali model AI bawaan pemrosesan faktur memproses file yang Anda berikan, ia juga melakukan operasi OCR untuk mengekstrak setiap kata yang tertulis pada file. Anda dapat mengakses hasil OCR mentah pada output teks terdeteksi yang disediakan oleh model. Pencarian sederhana pada konten yang dikembalikan oleh teks yang terdeteksi mungkin cukup untuk mendapatkan data yang Anda butuhkan.
Gunakan pemrosesan dokumen: Dengan AI Builder, Anda juga dapat membuat model AI kustom Anda sendiri untuk mengekstrak bidang dan tabel tertentu yang Anda butuhkan untuk dokumen yang Anda kerjakan. Cukup buat model pemrosesan dokumen dan latih untuk mengekstrak semua informasi dari faktur yang tidak berfungsi dengan baik dengan model ekstraksi faktur.
Setelah melatih model pemrosesan dokumen kustom, Anda dapat menggabungkannya dengan model bawaan pemrosesan faktur dalam alur Power Automate .
Berikut adalah beberapa contoh:
Menggunakan model pemrosesan dokumen kustom untuk mengekstrak bidang tambahan yang tidak dikembalikan oleh model bawaan pemrosesan faktur
Dalam contoh ini, kami telah melatih model pemrosesan dokumen kustom untuk mengekstrak nomor program loyalitas, hanya ada dalam faktur dari penyedia Adatum dan Contoso.
Alur dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model AI prebuilt pemrosesan faktur untuk mengekstrak datanya. Selanjutnya, kita cek apakah vendor untuk invoice yang sudah diproses adalah dari Adatum atau Contoso. Jika demikian, kami kemudian memanggil model pemrosesan dokumen khusus yang telah kami latih untuk mendapatkan nomor loyalitas itu. Akhirnya, kami menyimpan data yang diekstraksi dari faktur dalam file Excel.
Gunakan model pemrosesan dokumen kustom jika skor keyakinan untuk bidang yang dikembalikan oleh model bawaan pemrosesan faktur rendah
Dalam contoh ini, kami telah melatih model pemrosesan dokumen kustom untuk mengekstrak jumlah total dari faktur di mana kami biasanya mendapatkan skor kepercayaan rendah saat menggunakan model bawaan pemrosesan faktur.
Alur dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model AI prebuilt pemrosesan faktur untuk mengekstrak datanya. Selanjutnya, kami memeriksa apakah skor kepercayaan untuk properti Nilai total faktur kurang dari 0,65. Jika demikian, kami kemudian memanggil model pemrosesan dokumen khusus yang telah kami latih dengan faktur di mana kami biasanya mendapatkan skor kepercayaan rendah untuk bidang total. Akhirnya, kami menyimpan data yang diekstraksi dari faktur ke dalam file Excel.
Gunakan model bawaan pemrosesan faktur untuk menangani faktur yang belum dilatih untuk ditangani oleh model pemrosesan dokumen kustom
Salah satu cara untuk menggunakan model bawaan pemrosesan faktur adalah menggunakannya sebagai model fallback untuk menangani faktur yang belum Anda latih dalam model pemrosesan dokumen kustom Anda. Misalnya, katakanlah Anda membangun model pemrosesan dokumen, dan melatihnya untuk mengekstrak data dari 20 penyedia faktur teratas Anda. Anda kemudian dapat menggunakan model bawaan pemrosesan faktur untuk memproses semua faktur baru atau faktur volume yang lebih rendah. Berikut adalah contoh bagaimana Anda bisa melakukannya:
Alur ini dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model pemrosesan dokumen kustom untuk mengekstrak datanya. Selanjutnya, kami memeriksa apakah skor kepercayaan untuk koleksi yang terdeteksi kurang dari 0, 65. Jika demikian, itu mungkin berarti faktur yang disediakan tidak cocok untuk model kustom. Kami kemudian memanggil model pemrosesan faktur prebuilt. Akhirnya, kami menyimpan data yang diekstraksi dari faktur dalam file Excel.
