Forhåndsbygd modell for kunstig intelligens for fakturabehandling
Den forhåndsbygde AI-modellen for fakturabehandling trekker ut nøkkelfakturadata for å automatisere behandlingen av fakturaer. Fakturabehandlingsmodellen er optimalisert for å gjenkjenne vanlige fakturaelementer som faktura-ID, fakturadato, forfallsdato og mer.
Med Fakturaer-modellen kan du forbedre standardfunksjonaliteten ved å bygge en egendefinert fakturamodell.
Bruke i Power Apps
Hvis du vil vite hvordan du bruker den forhåndsbygde modellen for fakturabehandling i Power Apps, går du til Bruk den forhåndsbygde fakturabehandlingsmodellen i Power Apps.
Bruke i Power Automate
Hvis du vil vite hvordan du bruker den forhåndsbygde modellen for fakturabehandling i Power Automate, går du til Bruk den forhåndsbygde fakturabehandlingsmodellen i Power Automate.
Språk og filer som støttes
Følgende språk støttes: albansk (Albania), tsjekkisk (Tsjekkia), kinesisk (forenklet) Kina, kinesisk (tradisjonell) Hong Kong SAR, kinesisk (tradisjonell) Taiwan, dansk (Danmark), kroatisk (Bosnia-Hercegovina), kroatisk (Kroatia), kroatisk (Serbia), nederlandsk (Nederland), engelsk (Australia), engelsk (Canada), engelsk (India), engelsk (Storbritannia), engelsk (USA), estisk (Estland), finsk (Finland), fransk (Frankrike), tysk (Tyskland), ungarsk (Ungarn), islandsk (Island), italiensk (Italia), japansk (Japan), koreansk (Korea), litauisk (Litauen), latvisk (Latvia), Malaysia (Malaysia), norsk (Norge), polsk (Polen), portugisisk (Portugal), rumensk (Romania), slovakisk (Slovakia), slovensk (Slovenia), serbisk (Serbia), spansk (Spania), svensk (Sverige).
Du får best mulig resultater ved å ta ett klart bilde eller ett enkelt søk per faktura.
- Bildeformatet må være JPEG, PNG eller PDF.
- Filstørrelsen må ikke overskride 20 MB.
- Bildedimensjonene være mellom 50 x 50 og 10 000 x 10 000 piksler.
- PDF-dimensjoner må være opptil 17 x 17 tommer, som tilsvarer papirstørrelsen Legal eller A3, eller mindre.
- For PDF-dokumenter behandles bare de første 2000 sidene.
Modellutdata
Hvis en faktura registreres, blir følgende informasjon utdata fra fakturabehandlingsmodellen:
| Egenskap | Definisjon |
|---|---|
| Beløp som forfaller (tekst) | Beløp som forfaller, slik det er skrevet på fakturaen. |
| Beløp som forfaller (tall) | Forfallsbeløp i standardisert tallformat. Eksempel: 1234.98. |
| Konfidens på beløp som forfaller | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Faktureringsadresse | Faktureringsadresse. |
| Konfidens for faktureringsadresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Faktureringsadressemottaker | Faktureringsadressemottaker. |
| Konfidens for faktureringsadressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Kundeadresse | Kundeadresse. |
| Konfidens for kundeadresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Kundeadressemottaker | Kundeadressemottaker. |
| Konfidens for kundeadressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Kunde-ID | Kunde-ID. |
| Konfidens for kunde-ID | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Kundenavn | Kundenavn. |
| Konfidens for kundenavn | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Kundeavgifts-ID | Navnet på skattebetaleren som er knyttet til kunden. |
| Konfidens for kundeavgifts-ID | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Forfallsdato (tekst) | Forfallsdato slik den er skrevet på fakturaen. |
| Forfallsdato (dato) | Forfallsdato i standardisert datoformat. Eksempel: 2019-05-31. |
| Konfidens for forfallsdato | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Fakturadato (tekst) | Fakturadato slik den er skrevet på fakturaen. |
| Fakturadato (dato) | Fakturadato i standardisert datoformat. Eksempel: 2019-05-31. |
| Konfidens for fakturadato | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Fakturanummer | Faktura-ID. |
| Konfidens for fakturanummer | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Fakturatotal (tekst) | Fakturatotal slik den er skrevet på fakturaen. |
| Fakturatotal (tall) | Fakturatotal i standardisert datoformat. Eksempel: 2019-05-31. |
| Konfidens for totalbeløp på faktura | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Linjeelementer | Linjeelementene som ble trukket ut fra fakturaen. Konfidenspoengsummer er tilgjengelige for hver kolonne.
|
| Betalingsbetingelser | Betalingsbetingelser for fakturaen. |
| Konfidens for betalingsbetingelser | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Bestilling | Bestilling. |
| Konfidens for bestilling | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Forrige ubetalte saldo (tekst) | Forrige ubetalte saldo slik den er skrevet på fakturaen. |
| Forrige ubetalte saldo (nummer) | Forrige ubetalt saldo i standardisert tallformat. Eksempel: 1234.98. |
| Konfidens til forrige ubetalte saldo | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Remitteringsadresse | Remitteringsadresse. |
| Konfidens for remitteringsadresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Remitteringsadressemottaker | Remitteringsadressemottaker. |
| Konfidens for remitteringsadressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Tjenesteadresse | Tjenesteadresse. |
| Konfidens for tjenesteadresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Tjenesteadressemottaker | Tjenesteadressemottaker. |
| Konfidens for tjenesteadressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Startdato for service (tekst) | Startdato for tjeneste slik den er skrevet på fakturaen. |
| Startdato for tjeneste (dato) | Startdato for tjeneste i standardisert datoformat. Eksempel: 2019-05-31. |
| Konfidens for startdato for tjeneste | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Sluttdato for tjeneste (tekst) | Sluttdato for tjeneste slik den er skrevet på fakturaen. |
| Sluttdato for tjeneste (dato) | Sluttdato for tjeneste i standardisert datoformat. Eksempel: 2019-05-31. |
| Konfidens for sluttdato for tjeneste | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leveringsadresse | Leveringsadresse. |
| Konfidens for leveringsadresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leveringsadressemottaker | Leveringsadressemottaker. |
| Konfidens for leveringsadressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Delsum (tekst) | Delsum slik den er skrevet på fakturaen. |
| Delsum (tall) | Delsum i standardisert tallformat. Eksempel: 1234.98. |
| Konfidens for delsum | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Total avgift (tekst) | Total avgift slik den er skrevet på fakturaen. |
| Total avgift (tall) | Total avgift i standardisert tallformat. Eksempel: 1234.98. |
| Konfidens for total avgift | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leverandøradresse | Leverandøradresse. |
| Konfidens for leverandøradresse | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leverandøradressemottaker | Leverandøradressemottaker. |
| Konfidens for leverandøradressemottaker | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leverandørnavn | Leverandørnavn. |
| Konfidens for leverandørnavn | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Leverandøravgifts-ID | Navnet på skattebetaleren som er knyttet til leverandøren. |
| Konfidens for leverandøravgifts-ID | Hvor sikker modellen er i sin prediksjon. Poengsum mellom 0 (lav konfidens) og 1 (høy konfidens). |
| Registrert tekst | Linje med registrert tekst fra kjøring av OCR på en faktura. Returneres som en del av en liste over tekst. |
| Registrert nøkkel | Nøkkelverdipar er alle de identifiserte etikettene eller nøklene og de tilknyttede svarene eller verdiene. Du kan bruke disse til å trekke ut flere verdier som ikke er en del av den forhåndsdefinerte feltlisten. |
| Registrert verdi | Nøkkelverdipar er alle de identifiserte etikettene eller nøklene og de tilknyttede svarene eller verdiene. Du kan bruke disse til å trekke ut flere verdier som ikke er en del av den forhåndsdefinerte feltlisten. |
Nøkkelverdipar
Nøkkelverdipar er alle de identifiserte etikettene eller nøklene og de tilknyttede svarene eller verdiene. Du kan bruke disse til å trekke ut flere verdier som ikke er en del av den forhåndsdefinerte feltlisten.
Hvis du vil visualisere alle nøkkelverdipar som registreres av fakturabehandlingsmodellen, kan du legge til en Opprett HTML-tabell-handling i flyten, som vist i skjermbildet, og kjøre flyten.
Hvis du vil trekke ut en bestemt nøkkel som du vet verdien for, kan du bruke filtermatrise-handlingen, som vist på skjermbildet nedenfor. I eksemplet på skjermbildet vil vi trekke ut verdien for nøkkel-Tlf
Grenser
Følgende grense gjelder samtaler utført per miljø på tvers av dokumentbehandlingsmodeller, inkludert forhåndsutviklede modeller: kvitteringsbehandling og fakturabehandling.
| Handling | Grense | Fornyelsesperiode |
|---|---|---|
| Kall (per miljø) | 360 | 60 sekunder |
Opprett en egendefinert fakturabehandlingsløsning
Den forhåndsbygde AI-modellen for fakturabehandling er utformet for å trekke ut vanlige felt som finnes i fakturaer. Siden hver virksomhet er unik, vil du kanskje trekke ut andre felt enn dem som er inkludert i denne forhåndsbyggede modellen. Det kan også være slik at enkelte standardfelt ikke trekkes ut godt for en bestemt type faktura du arbeider med. Du kan løse dette problemet på to måter:
Bruk den egendefinerte behandlingsmodellen for Faktura: Forbedre funksjonaliteten til den forhåndsbygde fakturabehandlingsmodellen ved å legge til nye felter som skal trekkes ut, i tillegg til de som standard, eller eksempler på dokumenter som ikke trekkes ut på riktig måte. Hvis du vil vite hvordan du forbedrer den forhåndsbygde fakturabehandlingsmodellen, går du til Velg dokumenttypen.
Vis rå OCR-resultater: Hver gang den forhåndsbygde AI-modellen for fakturabehandling behandler en fil du angir, utføres det også en OCR-operasjon for å pakke ut hvert ord som skrives i filen. Du får tilgang til det rå OCR-resultatet på de registrerte tekstutdataene fra modellen. Et enkelt søk i innholdet som returneres av den registrerte teksten, kan være nok til å hente dataene du trenger.
Bruk dokumentbehandling: Med AI Builder kan du også bygge din egen egendefinerte AI-modell for å trekke ut bestemte felt og tabeller du trenger for dokumentene du arbeider med. Bare opprett en dokumentbehandlingsmodell, og lær den opp til å trekke ut all informasjonen fra en faktura som ikke fungerer godt med fakturautpakkingsmodellen.
Når du har lært opp den egendefinerte dokumentbehandlingsmodellen, kan du kombinere den med den forhåndsbygde fakturabehandlingsmodellen i en Power Automate-flyt.
Her er noen eksempler:
Bruke en egendefinert dokumentbehandlingsmodell til å trekke ut flere felt som ikke returneres av den forhåndsbyggede modellen for fakturabehandling
I dette eksemplet har vi opplært en tilpasset dokumentbehandlingsmodell til å trekke ut et lojalitetsprogramnummer, som bare finnes i fakturaer fra leverandørene Adatum og Contoso.
Flyten utløses når en ny faktura legges til i en SharePoint-mappe. Deretter kaller den forhåndsbyggede AI-modellen for fakturabehandling for å trekke ut dataene. Så sjekker vi om leverandøren for fakturaen som er behandlet, er fra Adatum eller Contoso. Hvis dette er tilfelle, kaller vi opp en tilpasset dokumentbehandlingsmodell som vi har opplært til å få det lojalitetsnummeret. Til slutt lagrer vi de utpakkede dataene fra fakturaen i en Excel-fil.
Bruk en egendefinert dokumentbehandlingsmodell hvis konfidensresultatet for et felt som returneres av den forhåndsbyggede modellen for fakturabehandling, er lavt
I dette eksemplet har vi opplært en tilpasset dokumentbehandlingsmodell til å trekke ut totalbeløpet fra fakturaer der vi vanligvis får lavt konfidensresultat når vi bruker den forhåndsbyggede modellen for fakturabehandling.
Flyten utløses når en ny faktura legges til i en SharePoint-mappe. Deretter kaller den forhåndsbyggede AI-modellen for fakturabehandling for å trekke ut dataene. Deretter kontrollerer vi om konfidensresultatet for egenskapen Invoice total value er under 0,65. Hvis dette er tilfelle, kaller vi opp en tilpasset dokumentbehandlingsmodell som vi har lært opp med fakturaer der vi vanligvis får lavt konfidensresultat for totalfeltet. Til slutt lagrer vi de utpakkede dataene fra fakturaen i en Excel-fil.
Bruk den forhåndsbygde fakturabehandlingsmodellen til å behandle fakturaer som en egendefinert dokumentbehandlingsmodell ikke er opplært til å behandle
Én måte å bruke den forhåndsbygde modellen for fakturabehandling på, er å bruke den som en reservemodell for behandling av fakturaer du ikke har lært opp i den egendefinerte dokumentbehandlingsmodellen. La oss for eksempel si at du bygde en dokumentbehandlingsmodell og lærte den opp til å trekke ut data fra de 20 største fakturaleverandørene. Deretter kan du bruke den forhåndsbyggede modellen for fakturabehandling til å behandle alle nye fakturaer eller fakturaer med lavere volum. Her er et eksempel på hvordan du kan gjøre det:
Denne flyten utløses når en ny faktura legges til i en SharePoint-mappe. Deretter kaller det en egendefinert dokumentbehandlingsmodell for å trekke ut dataene. Deretter kontrollerer vi om konfidenspoengsummen for den oppdagede samlingen er under 0,65. Hvis det er tilfelle, betyr det sannsynligvis at den angitte fakturaen ikke samsvarer godt med den egendefinerte modellen. Vi kaller deretter den forhåndsbyggede fakturabehandlingsmodellen. Til slutt lagrer vi de utpakkede dataene fra fakturaen i en Excel-fil.
