Använd den inbyggda modellen för fakturabearbetning i Power Automate
Logga in på Power Automate.
Välj Mina flöden i den vänstra rutan och välj sedan Nytt flöde>Direkt molnflöde.
Namnge ditt flöde, välj Utlös flödet manuellt under Välj hur du vill utlösa det här flödet och välj sedan Skapa.
Visa Utlös flödet manuellt, välj +Lägg till indata>Fil som indatatyp.
Ersätt ordet Filinnehåll med Min faktura (kallas även rubrik).
Välj +Nytt steg>AI Builder och välj Extrahera information från fakturor i listan med i åtgärder.
Ange Min faktura från utlösaren i indata Fakturafil.
Du kan använda alla fakturavärden från modellutdata.
Gratulerar! Du har skapat ett flöde som använder en AI Builder fakturabearbetningsmodellen. Välj Spara högst upp till höger och välj sedan Testa för att testa ditt flöde.
Sidintervall
För stora dokument är det möjligt att ange sidintervallet som ska bearbetas.
Du kan ange ett sidvärde eller sidintervall i parametern Sidor. Exempel: 1 eller 3-5.
Kommentar
Om du endast har ett stort dokument med en faktura rekommenderar vi att du använder parametern Sidor för att betala fakturan, vilket minskar kostnaden för prediktion och ökar prestanda. Sidintervallet bör dock innehålla en unik faktura för åtgärden för att returnera korrekta data.
Exempel: Ett dokument innehåller en första faktura på sidan 2 och en annan som sträcker sig över sidan 3 och 4:
- Om du anger sidintervall 2 kommer det att returnera data från den första fakturan.
- Om du anger sidintervallet 3-4 returnerar det bara uppgifterna för den andra fakturan.
- Om du anger sidintervallet 2-4 returneras ofullständiga data om den första och andra fakturan (bör vara försent).
Parameters
Indata
| Namn | Obligatoriskt | Typ | Beskrivning |
|---|---|---|---|
| Kvittofil | Ja | file | Fakturafilen som ska bearbetas |
| Sidor | Nej | sträng | Sidintervall att bearbeta |
Utdata
| Namn | Typ | Definition |
|---|---|---|
| Utestående belopp (text) | sträng | Belopp som ska betalas på fakturan |
| Utestående belopp (tal) | flyttal | Belopp i standardiserat talformat. Exempel: 1234,98 |
| Konfidens för utestående belopp | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Faktureringsadress | sträng | Faktureringsadress |
| Konfidens för faktureringsadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens faktureringsadress | sträng | Mottagarens faktureringsadress |
| Konfidens för mottagarens faktureringsadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kundadress | sträng | Kundadress |
| Konfidens för kundadress | flyttal | Hur säker modellen är i sin prediktion. Gör mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens kundadress | sträng | Mottagarens kundadress |
| Konfidens för mottagarens kundadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kund-ID | sträng | Kund-ID |
| Konfidens för kund-ID | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kundnamn | sträng | Kundens namn |
| Konfidens för kundnamn | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Förfallodatum (text) | sträng | Förfallodatum som det står på fakturan |
| Förfallodatum (datum) | Förfallodatum i standardiserat datumformat. Exempel: 2019-05-31T00:00:00Z | |
| Konfidens för förfallodatum | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Fakturadatum (text) | sträng | Fakturadatum som det står på fakturan |
| Fakturadatum (datum) | datum | Fakturadatum i standardiserat datumformat. Exempel: 2019-05-31T00:00:00Z |
| Konfidens för fakturadatum | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Faktura-ID | sträng | Faktura-ID |
| Konfidens för faktura-ID | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Fakturasumma (text) | sträng | Fakturasumman som den står på fakturan |
| Fakturasumma (tal) | flyttal | Fakturasumma i standardiserat datumformat. Exempel: 2019-05-31T00:00:00Z |
| Konfidens för fakturasumma | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Inköpsorder | sträng | Inköpsorder |
| Konfidens för inköpsorder | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Remitteringsadress | sträng | Remitteringsadress |
| Konfidens för remitteringsadress | flyttal | Hur säker modellen är i sin prediktion. Gör mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens remitteringsadress | sträng | Mottagarens remitteringsadress |
| Konfidens för mottagarens remitteringsadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Tjänsteadress | sträng | Tjänsteadress |
| Konfidens för tjänsteadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens tjänsteadress | sträng | Mottagarens tjänsteadress |
| Konfidens för mottagarens tjänsteadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leveransadress | sträng | Leveransadress |
| Konfidens för leveransadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens leveransadress | sträng | Mottagarens leveransadress |
| Konfidens för mottagarens leveransadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Delsumma (text) | sträng | Delsumma som det står på fakturan |
| Delsumma (tal) | flyttal | Delsumma i standardiserat talformat. Exempel: 1234,98 |
| Konfidens för delsumma | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Total moms (text) | sträng | Total skatt som det står på fakturan |
| Total moms (tal) | flyttal | Total moms i standardiserat talformat. Exempel: 1234,98 |
| Konfidens för total moms | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leverantörsadress | sträng | Leverantörsadress |
| Konfidens för leverantörsadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens leverantörsadress | sträng | Mottagarens leverantörsadress |
| Konfidens för mottagarens leverantörsadress | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leverantörsnamn | sträng | Leverantörsnamn |
| Konfidens för leverantörens namn | flyttal | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Identifierad text | sträng | Rad med igenkänd text från att köra OCR på en faktura. Returnerades som en del av en lista med text. |
| Sidnummer för identifierad text | integer | Vilken sida raden med identifierad text finns på. Returnerades som en del av en lista med text. |