Pemprosesan invois model AI prabina
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.
Untuk mengetahui cara menggunakan model prabina Pemprosesan invois dalam Power Apps, pergi ke Gunakan model prabina Pemprosesan invois dalam Power Apps.
Untuk mengetahui cara menggunakan model prabina Pemprosesan invois dalam Power Automate, pergi ke Gunakan model prabina Pemprosesan invois dalam Power Automate.
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.
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.
|
| 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 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 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 |
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.
