사전 제작된 송장 처리 AI 모델
사전 제작된 송장 처리 AI 모델은 주요 송장 데이터를 추출하여 송장 처리를 자동화합니다. 송장 처리 모델은 송장 ID, 송장 날짜, 미결제 금액 등과 같은 일반적인 송장 요소를 인식하는 데 최적화되어 있습니다.
송장 모델을 사용하면 사용자 지정 송장 모델을 제작하여 기본 동작을 확장할 수 있습니다.
Power Apps에서 사용
Power Apps에서 사전 제작된 송장 처리 모델을 사용하는 방법을 알아보려면 Power Apps에서 사전 제작된 송장 처리 모델 사용으로 이동하세요.
Power Automate에서 사용
Power Automate에서 사전 제작된 송장 처리 모델을 사용하는 방법을 알아보려면 Power Automate에서 사전 제작된 송장 처리 모델 사용으로 이동하세요.
지원되는 언어 및 파일
다음은 지원되는 언어입니다. 알바니아어(알바니아), 체코어(체코), 중국어(간체) 중국, 중국어(번체) 홍콩 특별행정구, 중국어(번체) 대만, 덴마크어(덴마크), 크로아티아어(보스니아 헤르체고비나), 크로아티아어(크로아티아), 크로아티아어(세르비아), 네덜란드어(네덜란드), 영어(호주), 영어(캐나다), 영어(인도), 영어(영국), 영어(미국), 에스토니아어(에스토니아), 핀란드어(핀란드), 프랑스어(프랑스), 독일어(독일), 헝가리어(헝가리), 아이슬란드어(아이슬란드), 이탈리아어(이탈리아), 일본어(일본), 한국어(한국), 리투아니아어(리투아니아), 라트비아어(라트비아), 말레이어(말레이시아), 노르웨이어(노르웨이), 폴란드어(폴란드), 포르투갈어(포르투갈), 루마니아어(루마니아), 슬로바키아어(슬로베니아어), 세르비아어(세르비아), 스페인어(스페인), 스웨덴어(스웨덴).
최상의 결과를 얻으려면 송장당 한 장의 선명한 사진 또는 스캔을 제공하십시오.
- 이미지 형식은 JPEG, PNG 또는 PDF여야 합니다.
- 파일 크기는 20MB를 초과할 수 없습니다.
- 이미지는 크기가 50 x 50픽셀에서 10,000 x 10,000픽셀 사이여야 합니다.
- PDF 크기는 최대 17 x 17인치 여야 하며 이는 Legal 또는 A3 용지 크기와 같거나 더 작습니다.
- PDF 문서의 경우 처음 2,000페이지만 처리됩니다.
모델 출력
송장이 감지되면 송장 처리 모델이 다음 정보를 출력합니다.
| Property | 정의 |
|---|---|
| 미결제 금액(텍스트) | 송장에 기록된 미결제 금액 |
| 미결제 금액(숫자) | 표준 숫자 형식의 미결제 금액. 예: 1234.98 |
| 미결제 금액에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 청구 주소 | 청구 주소 |
| 청구 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 청구 주소의 받는 사람 | 청구 주소의 받는 사람 |
| 청구 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 고객 주소 | 고객 주소 |
| 고객 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 고객 주소의 받는 사람 | 고객 주소의 받는 사람 |
| 고객 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 고객 ID | 고객 ID |
| 고객 ID에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 고객 이름 | 고객 이름 |
| 고객 이름에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 고객 세금 ID | 고객과 연결된 납세자 번호입니다. |
| 고객 세금 ID에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 기한(텍스트) | 송장에 기록된 기한 |
| 기한(날짜) | 표준 날짜 형식의 기한. 예: 2019-05-31. |
| 기한에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 송장 날짜(텍스트) | 송장에 기록된 송장 날짜 |
| 송장 날짜(날짜) | 표준 날짜 형식의 송장 날짜. 예: 2019-05-31. |
| 송장 날짜에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 송장 ID | 송장 ID |
| 송장 ID에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 송장 합계(텍스트) | 송장에 기록된 송장 합계 |
| 송장 합계(숫자) | 표준 날짜 형식의 송장 합계. 예: 2019-05-31. |
| 송장 합계에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 품목 | 송장에서 추출된 개별 항목입니다. 각 열에 대한 신뢰도 점수를 사용할 수 있습니다.
|
| 지불 조건 | 송장에 대한 지불 조건입니다. |
| 지불 조건 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 구매 주문 | 구매 주문 |
| 구매 주문에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 이전 미결제 잔액(텍스트) | 송장에 기재된 이전 미결제 잔액 |
| 이전 미결제 잔액(숫자) | 표준화된 숫자 형식의 이전 미지급 잔액입니다. 예: 1234.98 |
| 이전 미결제 잔액의 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 송금 주소 | 송금 주소 |
| 송금 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 송금 주소의 받는 사람 | 송금 주소의 받는 사람 |
| 송금 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 서비스 주소 | 서비스 주소 |
| 서비스 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 서비스 주소의 받는 사람 | 서비스 주소의 받는 사람 |
| 서비스 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 서비스 시작 날짜(텍스트) | 송장에 기재된 서비스 시작 날짜 |
| 서비스 시작 날짜(날짜) | 표준화된 날짜 형식의 서비스 시작 날짜입니다. 예: 2019-05-31. |
| 서비스 시작 날짜의 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 서비스 종료 날짜(텍스트) | 송장에 기재된 서비스 종료 날짜 |
| 서비스 종료 날짜(날짜) | 표준화된 날짜 형식의 서비스 종료 날짜입니다. 예: 2019-05-31. |
| 서비스 종료 날짜의 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 배송지 주소 | 배송 주소 |
| 배송지 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 배송지 주소의 받는 사람 | 배송지 주소의 받는 사람 |
| 배송지 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 소계(텍스트) | 송장에 기록된 소계 |
| 소계(번호) | 표준 숫자 형식의 소계. 예: 1234.98 |
| 소계에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 총 세금(텍스트) | 송장에 기록된 총 세금 |
| 총 세금(숫자) | 표준 숫자 형식의 총 세금. 예: 1234.98 |
| 총 세금에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 공급업체 주소 | 공급업체 주소 |
| 공급업체 주소에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 공급업체 주소의 받는 사람 | 공급업체 주소의 받는 사람 |
| 공급업체 주소의 받는 사람에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 공급업체 이름 | 공급업체 이름 |
| 공급업체 이름에 대한 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 공급업체 세금 ID | 공급업체와 연결된 납세자 번호입니다. |
| 공급업체 세금 ID의 신뢰도 | 모델의 예측 신뢰도 수준. 0(낮은 신뢰도) 및 1(높은 신뢰도) 사이의 점수. |
| 감지한 텍스트 | 송장에서 OCR을 실행하여 인식된 텍스트 줄. 텍스트 목록의 일부로 반환됩니다. |
| 검색된 키 | 키-값 쌍은 식별된 모든 레이블 또는 키와 관련 응답 또는 값입니다. 이를 사용하여 미리 정의된 필드 목록의 일부가 아닌 추가 값을 추출할 수 있습니다. |
| 검색된 값 | 키-값 쌍은 식별된 모든 레이블 또는 키와 관련 응답 또는 값입니다. 이를 사용하여 미리 정의된 필드 목록의 일부가 아닌 추가 값을 추출할 수 있습니다. |
키-값 쌍
키-값 쌍은 식별된 모든 레이블 또는 키와 관련 응답 또는 값입니다. 이를 사용하여 미리 정의된 필드 목록의 일부가 아닌 추가 값을 추출할 수 있습니다.
송장 처리 모델에서 감지한 모든 키-값 쌍을 시각화하려면 스크린샷과 같이 흐름에 HTML 테이블 만들기 작업을 추가하고 흐름을 실행할 수 있습니다.
값을 알고 있는 특정 키를 추출하려면 아래 스크린샷과 같이 필터 배열 작업을 사용할 수 있습니다. 스크린샷의 예에서는, Tel .: 키 값을 추출하려고 합니다
제한
영수증 처리 및 송장 처리와 같이 사전 구축된 모델을 포함한 문서 처리 모델 전반에 걸쳐 환경당 호출에 적용되는 제한은 다음과 같습니다.
| 작업 | 제한 | 갱신 기간 |
|---|---|---|
| 호출(환경당) | 360 | 60초 |
사용자 지정 송장 처리 솔루션 만들기
송장 처리 미리 빌드된 AI 모델은 송장에서 발견되는 공통 필드를 추출하도록 설계되었습니다. 모든 비즈니스가 고유하기 때문에 이 미리 빌드된 모델에 포함된 필드 이외의 필드 추출이 필요할 수도 있습니다. 작업하는 특정 유형의 송장에 대해 일부 표준 필드가 잘 추출되지 않는 경우도 있습니다. 이를 해결하는 데는 다음 두 가지 옵션이 있습니다.
사용자 지정 송장 처리 모델 사용: 기본 또는 제대로 추출되지 않은 문서 샘플 외에 추출할 새 필드를 추가하여 사전 제작된 송장 처리 모델의 동작을 강화합니다. 사전 제작된 송장 처리 모델을 보강하는 방법을 알아보려면 문서 유형 선택으로 이동하세요.
원시 OCR 결과 보기: 송장 처리 미리 빌드된 AI 모델이 사용자가 제공한 파일을 처리할 때마다 파일에 기록된 모든 단어를 추출하는 OCR 작업도 수행합니다. 모델에서 제공하는 감지된 텍스트 출력에 대한 원시 OCR 결과에 액세스할 수 있습니다. 감지된 텍스트에서 얻은 콘텐츠에 대한 간단한 검색으로 필요한 데이터를 얻을 수 있습니다.
문서 처리 사용: AI Builder로, 작업하는 문서에 필요한 특정 필드와 테이블을 추출하기 위해 고유한 맞춤형 AI 모델을 구축할 수도 있습니다. 문서 처리 모델을 생성하고 청구서 추출 모델과 잘 작동하지 않는 청구서에서 모든 정보를 추출하도록 학습시킵니다.
사용자 지정 문서 처리 모델을 교육한 후에는 Power Automate 흐름에서 미리 빌드된 청구서 처리 모델과 결합할 수 있습니다.
다음 몇 가지 예를 참조하세요.
사용자 지정 문서 처리 모델을 사용하여 미리 작성된 송장 처리 모델에서 반환되지 않는 추가 필드를 추출합니다
이 예에서는 공급자 Adatum 및 Contoso의 송장에만 표시되는 로열티 프로그램 번호를 추출하도록 사용자 지정 문서 처리 모델을 훈련했습니다.
SharePoint 폴더에 새 송장이 추가되면 흐름이 트리거됩니다. 그런 다음 송장 처리 미리 빌드된 AI 모델을 호출하여 데이터를 추출합니다. 다음으로, 처리된 청구서의 공급 업체가 'Adatum' 또는 'Contoso'인지 확인합니다. 이 경우 충성도 번호를 얻기 위해 훈련한 사용자 지정 문서 처리 모델을 호출합니다. 마지막으로 청구서에서 추출된 데이터를 Excel 파일에 저장합니다.
사용자 지정 문서 처리 모델을 사용하여 미리 작성된 청구서 처리 모델에서 반환된 필드에 대한 신뢰도 점수가 낮으면
이 예에서는 사전 구축된 청구서 처리 모델을 사용할 때 일반적으로 낮은 신뢰도 점수를 받는 송장에서 총 금액을 추출하도록 사용자 지정 문서 처리 모델을 훈련했습니다.
SharePoint 폴더에 새 송장이 추가되면 흐름이 트리거됩니다. 그런 다음 송장 처리 미리 빌드된 AI 모델을 호출하여 데이터를 추출합니다. 다음으로 청구서 총 금액 속성의 신뢰도 점수가 0.65 미만인지 확인합니다. 이 경우 일반적으로 총 필드에 대해 낮은 신뢰도 점수를 받는 청구서로 훈련한 사용자 지정 문서 처리 모델을 호출합니다. 마지막으로 청구서에서 추출된 데이터를 Excel 파일에 저장합니다.
청구서 처리 미리 빌드된 모델을 사용하여 사용자 지정 문서 처리 모델이 처리하도록 학습되지 않은 청구서를 처리합니다
미리 작성된 청구서 처리 모델을 사용하는 한 가지 방법은 사용자 지정 문서 처리 모델에서 교육하지 않은 청구서를 처리하기 위해 대체 모델로 사용하는 것입니다. 예를 들어 문서 처리 모델을 구축하고 상위 20개 청구서 공급자로부터 데이터를 추출하도록 훈련했다고 가정해 보겠습니다. 그렇게 하면 송장 처리 미리 빌드된 모델을 사용하여 모든 새 송장 또는 더 적은 양의 송장을 처리 할 수 있습니다. 다음은 이를 수행할 수 있는 방법의 예입니다.
SharePoint 폴더에 새 청구서가 추가되면 이 흐름이 트리거됩니다. 그러면 사용자 지정 문서 처리 모델을 호출하여 데이터를 추출합니다. 다음으로 감지된 컬렉션의 신뢰도 점수가 0.65 미만인지 확인합니다. 이 경우 제공된 송장이 사용자 지정 모델과 잘 일치하지 않는다는 의미일 수 있습니다. 그런 다음 사전 구축된 송장 처리 모델을 호출합니다. 마지막으로 청구서에서 추출된 데이터를 Excel 파일에 저장합니다.
