Capaian ke halaman ini memerlukan kebenaran. Anda boleh cuba menukar direktori.
Pemprosesan invois model AI prabina
Artikel
20/11/2024
Model AI prabina Pemprosesan invois mengekstrak data invois utama untuk membantu mengautomasikan pemprosesan invois. Model Pemprosesan invois dioptimumkan untuk mengenali elemen invois biasa seperti ID invois, tarikh invois, jumlah yang perlu dibayar dan banyak lagi.
Model Invois membolehkan anda menambah tingkah laku lalai dengan membina model Invois tersuai.
Bahasa berikut disokong: Albania (Albania), Czech (Republik Czech), Cina (ringkas) China, Cina (tradisional) Hong Kong SAR, Cina (tradisional) Taiwan, Denmark (Denmark), Croatia (Bosnia dan Herzegovina), Croatia (Croatia), Croatia (Serbia), Belanda (Belanda), Inggeris (Australia), Inggeris (Kanada), Inggeris (India), Inggeris (United Kingdom), Inggeris (Amerika Syarikat), Estonia (Estonia), Finland (Finland), Perancis (Perancis), Jerman (Jerman), Hungary (Hungary), Iceland (Iceland), Itali (Itali), Jepun (Jepun), Korea (Korea), Lithuania (Lithuania), Latvia (Latvia), Melayu (Malaysia), Norway (Norway), Poland (Poland), Portugis (Portugal), Romania (Romania), Slovakia (Slovakia), Slovenia (Slovenia), Serbia (Serbia), Sepanyol (Sepanyol), Sweden (Sweden).
Untuk mendapatkan hasil terbaik, berikan satu foto atau imbasan yang jelas bagi setiap invois.
Format imej mestilah JPEG, PNG atau PDF.
Saiz fail tidak boleh melebihi 20 MB.
Dimensi imej mestilah antara 50 x 50 piksel dan 10,000 x 10,000 piksel.
Dimensi PDF mestilah paling banyak 17 x 17 inci, yang setara dengan saiz kertas Undang-undang atau A3 atau lebih kecil.
Untuk dokumen PDF, hanya 2,000 halaman pertama diproses.
Output model
Jika invois dikesan, model Pemprosesan invois mengeluarkan maklumat berikut:
Sifat
Takrif
Amaun yang perlu dibayar (teks)
Jumlah yang perlu dibayar seperti yang tertulis pada invois.
Amaun yang perlu dibayar (nombor)
Jumlah yang perlu dibayar dalam format nombor standard. Contoh: 1234.98.
Keyakinan amaun perlu dibayar
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat pengebilan
Alamat pengebilan.
Keyakinan alamat pengebilan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat pengebilan
Penerima alamat pengebilan.
Keyakinan penerima alamat pengebilan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat pelanggan
Alamat pelanggan.
Keyakinan alamat pelanggan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat pelanggan
Penerima alamat pelanggan.
Keyakinan penerima alamat pelanggan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
ID pelanggan
ID Pelanggan.
Keyakinan ID pelanggan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Nama pelanggan
Nama pelanggan.
Keyakinan nama pelanggan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
ID cukai pelanggan
Nombor pembayar cukai yang dikaitkan dengan pelanggan.
Keyakinan ID cukai pelanggan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Tarikh siap (teks)
Tarikh akhir seperti yang tertulis pada invois.
Tarikh siap (tarikh)
Tarikh akhir dalam format tarikh standard. Contoh: 2019-05-31.
Keyakinan tarikh siap
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Tarikh invois (teks)
Tarikh invois seperti yang tertulis pada invois.
Tarikh invois (tarikh)
Tarikh invois dalam format tarikh piawai. Contoh: 2019-05-31.
Keyakinan tarikh invois
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
ID Invois
ID Invois.
Keyakinan ID invois
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Jumlah invois (teks)
Jumlah invois seperti yang tertulis pada invois.
Jumlah invois (nombor)
Jumlah invois dalam format tarikh piawai. Contoh: 2019-05-31.
Keyakinan jumlah invois
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Item Baris
Item baris yang diekstrak daripada invois. Skor keyakinan tersedia untuk setiap lajur.
Amaun item baris: Amaun untuk item baris. Dikembalikan dalam format teks dan nombor.
Perihalan item baris: Perihalan untuk item baris. Dikembalikan dalam format teks.
Kuantiti item baris: Kuantiti untuk item baris. Dikembalikan dalam format teks dan nombor.
Harga unit item baris: Harga unit untuk item baris. Dikembalikan dalam format teks dan nombor.
Kod produk item baris: Kod produk untuk item baris. Dikembalikan dalam format teks.
Unit item baris: Unit untuk item baris (contohnya, kg dan lb). Dikembalikan dalam format teks.
Tarikh item baris: Tarikh untuk item baris. Dikembalikan dalam format teks dan tarikh.
Cukai item baris: Cukai untuk item baris. Dikembalikan dalam format teks dan nombor.
Item baris semua lajur: Mengembalikan semua lajur daripada item baris sebagai baris teks.
Terma pembayaran
Syarat pembayaran untuk invois.
Keyakinan terma pembayaran
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Pesanan belian
Pesanan pembelian.
Keyakinan pesanan belian
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Baki belum dibayar sebelumnya (teks)
Baki belum dibayar terdahulu seperti yang tertulis pada invois.
Baki belum dibayar sebelumnya (nombor)
Baki belum dibayar sebelumnya dalam format nombor piawai. Contoh: 1234.98.
Keyakinan baki belum dibayar sebelumnya
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat kiriman wang
Alamat kiriman wang.
Keyakinan alamat kiriman wang
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat kiriman wang
Penerima alamat kiriman wang.
Keyakinan penerima alamat kiriman wang
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat perkhidmatan
Alamat perkhidmatan.
Keyakinan alamat perkhidmatan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat perkhidmatan
Penerima alamat perkhidmatan.
Keyakinan penerima alamat perkhidmatan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Tarikh mula perkhidmatan (teks)
Tarikh mula perkhidmatan seperti yang tertulis pada invois.
Tarikh mula perkhidmatan (tarikh)
Tarikh mula perkhidmatan dalam format tarikh standard. Contoh: 2019-05-31.
Keyakinan tarikh mula perkhidmatan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Tarikh tamat perkhidmatan (teks)
Tarikh tamat perkhidmatan seperti yang tertulis pada invois.
Tarikh tamat perkhidmatan (tarikh)
Tarikh tamat perkhidmatan dalam format tarikh piawai. Contoh: 2019-05-31.
Keyakinan tarikh tamat perkhidmatan
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat penghantaran
Alamat penghantaran.
Keyakinan alamat penghantaran
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat penghantaran
Penerima alamat penghantaran.
Keyakinan penerima alamat penghantaran
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Jumlah kecil (teks)
Jumlah kecil seperti yang tertulis pada invois.
Jumlah kecil (nombor)
Jumlah kecil dalam format nombor piawai. Contoh: 1234.98.
Keyakinan jumlah kecil
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Jumlah cukai (teks)
Jumlah cukai seperti yang tertulis pada invois.
Jumlah cukai (nombor)
Jumlah cukai dalam format nombor piawai. Contoh: 1234.98.
Keyakinan jumlah cukai
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Alamat vendor
Alamat vendor.
Keyakinan alamat vendor
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Penerima alamat vendor
Penerima alamat vendor.
Keyakinan penerima alamat vendor
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Nama vendor
Nama vendor.
Keyakinan nama vendor
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
ID cukai vendor
Nombor pembayar cukai yang dikaitkan dengan vendor.
Keyakinan ID cukai vendor
Betapa yakinnya model itu dalam ramalannya. Skor antara 0 (keyakinan rendah) dan 1 (keyakinan tinggi).
Teks dikesan
Baris teks yang diiktiraf daripada menjalankan OCR pada invois. Dikembalikan sebagai sebahagian daripada senarai teks.
Kunci yang dikesan
Pasangan kunci-nilai ialah semua label atau kunci yang dikenal pasti dan respons atau nilai yang berkaitan. Anda boleh menggunakan ini untuk mengekstrak nilai tambahan yang bukan sebahagian daripada senarai medan yang telah ditetapkan.
Nilai yang dikesan
Pasangan kunci-nilai ialah semua label atau kunci yang dikenal pasti dan respons atau nilai yang berkaitan. Anda boleh menggunakan ini untuk mengekstrak nilai tambahan yang bukan sebahagian daripada senarai medan yang telah ditetapkan.
Pasangan kunci-nilai
Pasangan kunci-nilai ialah semua label atau kunci yang dikenal pasti dan respons atau nilai yang berkaitan. Anda boleh menggunakan ini untuk mengekstrak nilai tambahan yang bukan sebahagian daripada senarai medan yang telah ditetapkan.
Untuk menggambarkan semua pasangan kunci-nilai yang dikesan oleh model Pemprosesan invois, anda boleh menambah tindakan Cipta jadual HTML dalam aliran anda seperti yang ditunjukkan dalam tangkapan skrin dan jalankan aliran.
Untuk mengekstrak kunci tertentu yang anda ketahui nilainya, anda boleh menggunakan tindakan tatasusunan penapis seperti yang ditunjukkan pada tangkapan skrin di bawah. Dalam contoh tangkapan skrin, kami ingin mengekstrak nilai untuk kunci Tel .:
Had
Had berikut digunakan untuk panggilan yang dibuat bagi setiap persekitaran merentas model pemprosesan dokumen termasuk model prabina: Pemprosesan resit dan Pemprosesan invois.
Tindakan
Had
Tempoh pembaharuan
Panggilan (setiap persekitaran)
360
60 saat
Buat penyelesaian Pemprosesan invois tersuai
Model AI prabina Pemprosesan invois direka bentuk untuk mengekstrak medan biasa yang terdapat dalam invois. Oleh kerana setiap perniagaan adalah unik, anda mungkin mahu mengekstrak medan selain daripada yang disertakan dalam model prabina ini. Ia juga boleh berlaku bahawa beberapa medan standard tidak diekstrak dengan baik untuk jenis invois tertentu yang anda gunakan. Untuk menangani perkara ini, terdapat dua pilihan:
Gunakan model pemprosesan Invois tersuai: Menambah tingkah laku model Pemprosesan invois prabina dengan menambah medan baharu untuk diekstrak sebagai tambahan kepada medan lalai atau sampel dokumen yang tidak diekstrak dengan betul. Untuk mengetahui cara menambah model Pemprosesan invois prabina, pergi ke Pilih jenis dokumen.
Lihat hasil OCR mentah: Setiap kali model AI prabina Pemprosesan invois memproses fail yang anda berikan, ia juga melakukan operasi OCR untuk mengekstrak setiap perkataan yang ditulis pada fail. Anda boleh mengakses hasil OCR mentah pada output teks yang dikesan yang disediakan oleh model. Carian mudah pada kandungan yang dikembalikan oleh teks yang dikesan mungkin cukup untuk mendapatkan data yang anda perlukan.
Gunakan pemprosesan dokumen: Dengan AI Builder, anda juga boleh membina model AI tersuai anda sendiri untuk mengekstrak medan dan jadual tertentu yang anda perlukan untuk dokumen yang anda gunakan. Hanya buat model pemprosesan dokumen dan latihnya untuk mengekstrak semua maklumat daripada invois yang tidak berfungsi dengan baik dengan model pengekstrakan invois.
Sebaik sahaja anda melatih model pemprosesan dokumen tersuai anda, anda boleh menggabungkannya dengan model prabina Pemprosesan invois dalam aliran Power Automate .
Berikut adalah beberapa contoh:
Gunakan model pemprosesan dokumen tersuai untuk mengekstrak medan tambahan yang tidak dikembalikan oleh model prabina Pemprosesan invois
Dalam contoh ini, kami telah melatih model pemprosesan dokumen tersuai untuk mengekstrak nombor program kesetiaan, hanya terdapat dalam invois daripada pembekal Adatum dan Contoso.
Aliran dicetuskan apabila invois baharu ditambah pada SharePoint folder. Ia kemudian memanggil model AI prabina Pemprosesan invois untuk mengekstrak datanya. Seterusnya, kami menyemak sama ada vendor untuk invois yang telah diproses sama ada daripada Adatum atau Contoso. Jika demikian, kami kemudian memanggil model pemprosesan dokumen tersuai yang telah kami latih untuk mendapatkan nombor kesetiaan tersebut. Akhir sekali, kami menyimpan data yang diekstrak daripada invois dalam fail Excel.
Gunakan model pemprosesan dokumen tersuai jika markah keyakinan untuk medan yang dikembalikan oleh model prabina Pemprosesan invois adalah rendah
Dalam contoh ini, kami telah melatih model pemprosesan dokumen tersuai untuk mengekstrak jumlah amaun daripada invois di mana kami biasanya mendapat markah keyakinan yang rendah apabila menggunakan model prabina Pemprosesan invois.
Aliran dicetuskan apabila invois baharu ditambah pada SharePoint folder. Ia kemudian memanggil model AI prabina Pemprosesan invois untuk mengekstrak datanya. Seterusnya, kami menyemak sama ada markah keyakinan untuk sifat nilai jumlah Invois adalah kurang daripada 0.65. Jika ia berlaku, kami kemudian memanggil model pemprosesan dokumen tersuai yang telah kami latih dengan invois di mana kami biasanya mendapat markah keyakinan yang rendah untuk jumlah medan. Akhir sekali, kami menyimpan data yang diekstrak daripada invois ke dalam fail Excel.
Gunakan model prabina Pemprosesan invois untuk mengendalikan invois yang model pemprosesan dokumen tersuai belum dilatih untuk dikendalikan
Satu cara untuk menggunakan model prabina Pemprosesan invois ialah menggunakannya sebagai model sandaran untuk mengendalikan invois yang anda belum latih dalam model pemprosesan dokumen tersuai anda. Sebagai contoh, katakan anda membina model pemprosesan dokumen dan melatihnya untuk mengekstrak data daripada 20 pembekal invois teratas anda. Anda kemudian boleh menggunakan model prabina Pemprosesan invois untuk memproses semua invois baharu atau invois volum yang lebih rendah. Berikut ialah contoh cara anda boleh melakukannya:
Aliran ini dicetuskan apabila invois baharu ditambahkan pada SharePoint folder. Ia kemudian memanggil model pemprosesan dokumen tersuai untuk mengekstrak datanya. Seterusnya, kami menyemak sama ada markah keyakinan untuk koleksi yang dikesan adalah kurang daripada 0.65. Sekiranya demikian, ini mungkin bermaksud invois yang diberikan tidak sesuai dengan model tersuai. Kami kemudian memanggil model Pemprosesan invois prabina. Akhir sekali, kami menyimpan data yang diekstrak daripada invois dalam fail Excel.