Model AI predefinit pentru procesarea facturilor
Modelul AI predefinit de procesare a facturilor extrage datele cheie ale facturilor pentru a ajuta la automatizarea procesării facturilor. Modelul de procesare a facturilor este optimizat pentru a recunoaște elementele comune ale facturii, cum ar fi ID-ul facturii, data facturii, suma datorată și multe altele.
Modelul Facturi vă permite să măriți comportamentul implicit prin construirea unui model personalizat de facturi.
Utilizarea în Power Apps
Pentru a afla cum să utilizați modelul predefinit de procesare a facturilor, accesați Power AppsUtilizați modelul predefinit de procesare a facturilor în Power Apps.
Utilizarea în Power Automate
Pentru a afla cum să utilizați modelul predefinit de procesare a facturilor, accesați Power AutomateUtilizați modelul predefinit de procesare a facturilor în Power Automate.
Limbi și fișiere acceptate
Sunt acceptate următoarele limbi: albaneză (Albania), cehă (Republica Cehă), chineză (simplificată) China, chineză (tradițională) RAS Hong Kong, chineză (tradițională) Taiwan, daneză (Danemarca), croată (Bosnia și Herțegovina), croată (Croația), croată (Serbia), olandeză (Țările de Jos), engleză (Australia), engleză (Canada), engleză (India), engleză (Regatul Unit), engleză (Statele Unite), estonă (Estonia), finlandeză (Finlanda), franceză (Franța), germană (Germania), maghiară (Ungaria), Islandeză (Islanda), italiană (Italia), japoneză (Japonia), coreeană (Coreea), lituaniană (Lituania), letonă (Letonia), malaieză (Malaezia), norvegiană (Norvegia), poloneză (Polonia), portugheză (Portugalia), română (România), slovacă (Slovacia), slovenă (Slovenia), sârbă (Serbia), spaniolă (Spania), suedeză (Suedia).
Pentru a obține cele mai bune rezultate, furnizați o fotografie clară sau o scanare pentru fiecare factură.
- Formatul imaginii trebuie să fie JPEG, PNG sau PDF.
- Dimensiunea fișierului nu trebuie să depășească 20 MB.
- Dimensiunile imaginii trebuie să fie cuprinse între 50 x 50 pixeli și 10.000 x 10.000 pixeli.
- Dimensiunile PDF trebuie să fie de cel mult 17 x 17 inci, echivalentul dimensiunilor legale sau ale hârtiei A3 sau mai mici.
- Pentru documentele PDF, sunt procesate doar primele 2.000 de pagini.
Ieșirea modelului
Dacă este detectată o factură, modelul de procesare a facturii generează următoarele informații:
| Proprietate | Definiție |
|---|---|
| Suma datorată (text) | Suma datorată așa cum este scrisă pe factură. |
| Suma datorată (număr) | Suma datorată în format numeric standardizat. Exemplu: 1234.98. |
| Gradul de încredere în suma datorată | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresa de facturare | Adresa de facturare. |
| Gradul de încredere în adresa de facturare | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei de facturare | Adresa de facturare destinatar. |
| Gradul de încredere în destinatarul adresei de facturare | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresa clientului | Adresa clientului. |
| Gradul de încredere în adresa clientului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei clientului | Adresa destinatarului clientului. |
| Gradul de încredere în adresa clientului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| ID client | ID client. |
| Gradul de încredere în ID-ul clientului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Nume client | Numele clientului. |
| Gradul de încredere în numele clientului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| ID-ul fiscal al clientului | Numărul contribuabilului asociat clientului. |
| Gradul de încredere în ID-ul fiscal al clientului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Data scadentă (text) | Data scadentă așa cum este scrisă pe factură. |
| Data scadentă (dată) | Data scadentă în format standardizat de dată. Exemplu: 2019-05-31. |
| Gradul de încredere în data scadenței | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Data facturii (text) | Data facturii, așa cum este scrisă pe factură. |
| Data facturii (dată) | Data facturii în format standardizat de dată. Exemplu: 2019-05-31. |
| Gradul de încredere în data facturii | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| ID factură | ID factură. |
| Gradul de încredere în ID-ul facturii | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Totalul facturii (text) | Total factură așa cum este scris pe factură. |
| Totalul facturii (număr) | Total factură în format de dată standardizat. Exemplu: 2019-05-31. |
| Gradul de încredere în totalul facturii | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Articole de linie | Elementele rând extrase din factură. Scorurile de încredere sunt disponibile pentru fiecare coloană.
|
| Termeni de plată | Condițiile de plată a facturii. |
| Încrederea în modalitățile de plată | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Comanda de cumpărare | Comandă de cumpărare. |
| Gradul de încredere în comanda de cumpărare | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Sold neplătit anterior (text) | Soldul anterior neachitat, așa cum este scris pe factură. |
| Sold anterior neplătit (număr) | Soldul anterior neplătit în format numeric standardizat. Exemplu: 1234.98. |
| Încrederea în soldul anterior neplătit | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresa de remitere | Adresa de remitență. |
| Gradul de încredere în adresa de remitere | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei de remitere | Destinatarul adresei de remitență. |
| Gradul de încredere în destinatarul adresei de remitere | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresă serviciu | Adresa serviciului. |
| Gradul de încredere în adresa serviciului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei serviciului | Destinatarul adresei de serviciu. |
| Gradul de încredere în destinatarul adresei serviciului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Data de începere a serviciului (text) | Data de începere a serviciului, așa cum este scrisă pe factură. |
| Data de începere a serviciului (dată) | Data de începere a serviciului în format de dată standardizat. Exemplu: 2019-05-31. |
| Încrederea în data de începere a serviciului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Data de sfârșit a serviciului (text) | Data de încheiere a serviciului, așa cum este scrisă pe factură. |
| Data de sfârșit a serviciului (dată) | Data de încheiere a serviciului în format de dată standardizat. Exemplu: 2019-05-31. |
| Încrederea în data de sfârșit a serviciului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresa de expediere | Adresa de livrare. |
| Gradul de încredere în adresa de expediere | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei de expediere | Adresa de livrare a destinatarului. |
| Gradul de încredere în destinatarul adresei de expediere | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Subtotal (text) | Subtotal așa cum este scris pe factură. |
| Subtotal (număr) | Subtotal în format numeric standardizat. Exemplu: 1234.98. |
| Gradul de încredere pentru subtotal | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Total impozit (text) | Taxa totală așa cum este scrisă pe factură. |
| Total impozit (număr) | Impozit total în format numeric standardizat. Exemplu: 1234.98. |
| Gradul de încredere în totalul impozitului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Adresa distribuitorului | Adresa furnizorului. |
| Gradul de încredere în adresa distribuitorului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Destinatarul adresei distribuitorului | Destinatarul adresei furnizorului. |
| Gradul de încredere în destinatarul adresei distribuitorului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Numele distribuitorului | Numele furnizorului. |
| Gradul de încredere în numele distribuitorului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| ID-ul fiscal al furnizorului | Numărul contribuabilului asociat vânzătorului. |
| Încrederea în ID-ului fiscal al furnizorului | Cât de încrezător este modelul în predicție. Scor între 0 (încredere scăzută) și 1 (încredere ridicată). |
| Text detectat | Linie de text recunoscut de la rularea OCR pe o factură. Returnat ca parte a unei liste de text. |
| Cheia detectată | Perechile cheie-valoare sunt toate etichetele sau cheile identificate și răspunsurile sau valorile asociate acestora. Le puteți utiliza pentru a extrage valori suplimentare care nu fac parte din lista predefinită de câmpuri. |
| Valoarea detectată | Perechile cheie-valoare sunt toate etichetele sau cheile identificate și răspunsurile sau valorile asociate acestora. Le puteți utiliza pentru a extrage valori suplimentare care nu fac parte din lista predefinită de câmpuri. |
Perechi cheie-valoare
Perechile cheie-valoare sunt toate etichetele sau cheile identificate și răspunsurile sau valorile asociate acestora. Le puteți utiliza pentru a extrage valori suplimentare care nu fac parte din lista predefinită de câmpuri.
Pentru a vizualiza toate perechile cheie-valoare detectate de modelul de procesare a facturilor, puteți adăuga o acțiune Creare tabel HTML în fluxul dvs., așa cum se arată în captura de ecran și puteți rula fluxul.
Pentru a extrage o anumită cheie pentru care îi cunoașteți valoarea, puteți utiliza acțiunea Filtru matrice așa cum se arată în captura de ecran de mai jos. În exemplul capturii de ecran, dorim să extragem valoarea pentru cheia Tel .:
Limite
Următoarea limită se aplică apelurilor efectuate per mediu în modelele de procesare a documentelor, inclusiv modelele predefinite: procesarea chitanțelor și procesarea facturilor.
| Acțiune | Limită | Perioada de reînnoire |
|---|---|---|
| Apeluri (pe mediu) | 360 | 60 de secunde |
Creați o soluție personalizată de procesare a facturilor
Modelul AI predefinit de procesare a facturilor este conceput pentru a extrage câmpurile comune găsite în facturi. Deoarece fiecare afacere este unică, este posibil să doriți să extrageți alte câmpuri decât cele incluse în acest model predefinit. De asemenea, se poate întâmpla ca unele câmpuri standard să nu fie bine extrase pentru un anumit tip de factură cu care lucrați. Pentru a rezolva acest lucru, există două opțiuni:
Utilizați modelul personalizat de procesare a facturilor: Sporiți comportamentele modelului predefinit de procesare a facturilor adăugând câmpuri noi pentru a fi extrase în plus față de cele implicite sau eșantioane dedocumente care nu au fost extrase corect. Pentru a afla cum să măriți modelul predefinit de procesare a facturilor, accesați Selectați tipul de document.
Vizualizați rezultatele OCR brute: De fiecare dată când modelul AI predefinit de procesare a facturilor procesează un fișier pe care îl furnizați, efectuează și o operație OCR pentru a extrage fiecare cuvânt scris pe fișier. Puteți accesa rezultatele OCR brute pe ieșirea de text detectată furnizată de model. O simplă căutare a conținutului returnat de textul detectat ar putea fi suficientă pentru a obține datele de care aveți nevoie.
Utilizați procesarea documentelor: Cu AI Builder ajutorul acestuia, puteți, de asemenea, să vă construiți propriul model AI personalizat pentru a extrage câmpuri și tabele specifice de care aveți nevoie pentru documentele cu care lucrați. Doar creați un model de procesare a documentelor și instruiți-l pentru a extrage toate informațiile dintr-o factură care nu funcționează bine cu modelul de extragere a facturii.
După ce vă instruiți modelul personalizat de procesare a documentelor, îl puteți combina cu modelul predefinit de procesare a facturilor într-un Power Automate flux.
Iată câteva exemple:
Utilizați un model particularizat de procesare a documentelor pentru a extrage câmpuri suplimentare care nu sunt returnate de modelul predefinit de procesare a facturilor
În acest exemplu, am instruit un model personalizat de procesare a documentelor pentru a extrage un număr de program de loialitate, prezent numai în facturile de la furnizorii Adatum și Contoso.
Fluxul este declanșat atunci când se adaugă o nouă factură într-un SharePoint folder. Apoi apelează modelul AI predefinit de procesare a facturilor pentru a-și extrage datele. Apoi, verificăm dacă furnizorul pentru factura care a fost procesată este fie de la Adatum, fie de la Contoso. Dacă este cazul, apelăm apoi un model personalizat de procesare a documentelor pe care l-am instruit pentru a obține acel număr de loialitate. În cele din urmă, salvăm datele extrase din factură într-un fișier Excel.
Utilizați un model personalizat de procesare a documentelor dacă scorul de încredere pentru un câmp returnat de modelul predefinit de procesare a facturilor este scăzut
În acest exemplu, am instruit un model personalizat de procesare a documentelor pentru a extrage suma totală din facturi, unde obținem de obicei un scor de încredere scăzut atunci când folosim modelul predefinit de procesare a facturilor.
Fluxul este declanșat atunci când se adaugă o nouă factură într-un SharePoint folder. Apoi apelează modelul AI predefinit de procesare a facturilor pentru a-și extrage datele. În continuare, verificăm dacă scorul de încredere pentru proprietatea Valoarea totală a facturii este mai mic de 0,65. Dacă este cazul, apelăm apoi un model personalizat de procesare a documentelor pe care l-am instruit cu facturi, unde obținem de obicei un scor de încredere scăzut pentru câmpul total. În cele din urmă, salvăm datele extrase din factură într-un fișier Excel.
Utilizați modelul predefinit de procesare a facturilor pentru a gestiona facturile pe care un model particularizat de procesare a documentelor nu a fost instruit să le gestioneze
O modalitate de a utiliza modelul predefinit de procesare a facturilor este să îl utilizați ca model de rezervă pentru a gestiona facturile pe care nu le-ați instruit în modelul personalizat de procesare a documentelor. De exemplu, să presupunem că ați construit un model de procesare a documentelor și l-ați instruit să extragă date de la primii 20 de furnizori de facturi. Apoi puteți utiliza modelul predefinit de procesare a facturilor pentru a procesa toate facturile noi sau facturile cu volum mai mic. Iată un exemplu despre cum ați putea face acest lucru:
Acest flux este declanșat atunci când se adaugă o nouă factură într-un SharePoint folder. Apoi apelează un model personalizat de procesare a documentelor pentru a-și extrage datele. Apoi, verificăm dacă scorul de încredere pentru colecția detectată este mai mic de 0,65. Dacă este cazul, înseamnă probabil că factura furnizată nu se potrivește bine cu modelul personalizat. Apoi numim modelul predefinit de procesare a facturilor. În cele din urmă, salvăm datele extrase din factură într-un fișier Excel.
