แบบจำลอง AI ที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้
โมเดล AI ที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้จะแยกข้อมูลใบแจ้งหนี้หลักเพื่อช่วยทำให้การประมวลผลใบแจ้งหนี้เป็นแบบอัตโนมัติ โมเดลการประมวลผลใบแจ้งหนี้ได้รับการปรับให้เหมาะสมเพื่อจดจำองค์ประกอบใบแจ้งหนี้ทั่วไป เช่น รหัสใบแจ้งหนี้ วันที่ใบแจ้งหนี้ จำนวนเงินที่ต้องชำระ และอื่น ๆ
โมเดล ใบแจ้งหนี้ ช่วยให้คุณเพิ่มลักษณะการทำงานเริ่มต้นโดยสร้าง โมเดลใบแจ้งหนี้ที่กำหนดเอง
การใช้งานใน Power Apps
หากต้องการเรียนรู้วิธีใช้โมเดลที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้ใน Power Apps ให้ไปที่ ใช้โมเดลที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้ใน Power Apps
ใช้งานใน Power Automate
หากต้องการเรียนรู้วิธีใช้โมเดลที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้ใน Power Automate ให้ไปที่ ใช้โมเดลที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้ใน Power Automate
ภาษาและไฟล์ที่สนับสนุน
รองรับภาษาต่อไปนี้: แอลเบเนีย (แอลเบเนีย), เช็ก (สาธารณรัฐเช็ก), จีน (ตัวย่อ) จีน, จีน (ตัวเต็ม) เขตบริหารพิเศษฮ่องกง, จีน (ตัวเต็ม) ไต้หวัน, เดนมาร์ก (เดนมาร์ก), โครเอเชีย (บอสเนียและเฮอร์เซโกวีนา), โครเอเชีย (โครเอเชีย), โครเอเชีย (เซอร์เบีย), ดัตช์ (เนเธอร์แลนด์), อังกฤษ (ออสเตรเลีย), อังกฤษ (แคนาดา), อังกฤษ (อินเดีย), อังกฤษ (สหราชอาณาจักร), อังกฤษ (สหรัฐอเมริกา), เอสโตเนีย (เอสโตเนีย), ฟินแลนด์ (ฟินแลนด์), ฝรั่งเศส (ฝรั่งเศส), เยอรมัน (เยอรมนี), ฮังการี (ฮังการี), ไอซ์แลนด์ (ไอซ์แลนด์), อิตาลี (อิตาลี), ญี่ปุ่น (ญี่ปุ่น), เกาหลี (เกาหลี), ลิทัวเนีย (ลิทัวเนีย), ลัตเวีย (ลัตเวีย), มาเลย์ (มาเลเซีย), นอร์เวย์ (นอร์เวย์), โปแลนด์ (โปแลนด์), โปรตุเกส (โปรตุเกส), โรมาเนีย (โรมาเนีย), สโลวัก (สโลวาเกีย), สโลวีเนีย (สโลวีเนีย), เซอร์เบีย (เซอร์เบีย), สเปน (สเปน), สวีเดน (สวีเดน)
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด โปรดส่งหนึ่งรูปภาพหรือสแกนที่ชัดเจนต่อใบแจ้งหนี้
- รูปแบบภาพต้องเป็น JPEG, PNG หรือ PDF
- ขนาดไฟล์ต้องไม่เกิน 20 MB
- มิติของรูปภาพต้องมีขนาดระหว่าง 50 x 50 พิกเซล และ 10000 x 10000 พิกเซล
- มิติของ PDF ต้องมีขนาดไม่เกิน 17 x 17 นิ้ว ซึ่งเทียบเท่ากับขนาดกระดาษ Legal หรือขนาด A3 หรือเล็กกว่า
- สำหรับเอกสาร PDF จะมีการประมวลผลเฉพาะ 2,000 หน้าแรกเท่านั้น
ผลลัพธ์โมเดล
หากตรวจพบใบแจ้งหนี้ โมเดลการประมวลผลใบแจ้งหนี้จะแสดงข้อมูลต่อไปนี้:
| คุณสมบัติ | ข้อกำหนด |
|---|---|
| ยอดเงินที่ครบกําหนด (ตัวอักษร) | ยอดที่ครบกําหนดตามที่เขียนในใบแจ้งหนี้ |
| ยอดเงินที่ครบกําหนด (ตัวเลข) | จำนวนเงินที่ต้องชำระในรูปแบบตัวเลขมาตรฐาน ตัวอย่าง: 1234.98 |
| ความเชื่อมั่นของจํานวนที่ครบกําหนด | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่ในการเรียกเก็บเงิน | ที่อยู่ในการเรียกเก็บเงิน |
| ความเชื่อมั่นของที่อยู่ในการเรียกเก็บเงิน | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับสำหรับที่อยู่ในการเรียกเก็บเงิน | ผู้รับสำหรับที่อยู่ในการเรียกเก็บเงิน |
| ความเชื่อมั่นของผู้รับสำหรับที่อยู่ในการเรียกเก็บเงิน | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่ลูกค้า | ที่อยู่ลูกค้า |
| ความเชื่อมั่นของที่อยู่ของลูกค้า | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับที่อยู่ลูกค้า | ผู้รับที่อยู่ลูกค้า |
| ความเชื่อมั่นของผู้รับที่อยู่ของลูกค้า | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| รหัสลูกค้า | รหัสลูกค้า |
| ความเชื่อมั่นของรหัสลูกค้า | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ชื่อลูกค้า | ชื่อลูกค้า |
| ความเชื่อมั่นในชื่อลูกค้า | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| หมายเลขประจำตัวผู้เสียภาษีของลูกค้า | หมายเลขผู้เสียภาษีที่สัมพันธ์กับลูกค้า |
| ความเชื่อมั่นของหมายเลขประจำตัวผู้เสียภาษีของลูกค้า | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| วันครบกําหนด (ข้อความ) | วันที่ครบกําหนดยอดตามที่เขียนในใบแจ้งหนี้ |
| วันครบกําหนด (วันที่) | วันที่ครบกำหนดในรูปแบบวันที่มาตรฐาน ตัวอย่าง: 2019-05-31 |
| ความเชื่อมั่นสำหรับวันครบกำหนด | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| วันที่ในใบแจ้งหนี้ (ข้อความ) | วันที่ในใบแจ้งหนี้ตามที่เขียนในใบแจ้งหนี้ |
| วันที่ในใบแจ้งหนี้ (วันที่) | วันที่ในใบแจ้งหนี้ในรูปแบบวันที่มาตรฐาน ตัวอย่าง: 2019-05-31 |
| ความเชื่อมั่นในวันที่ใบแจ้งหนี้ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| รหัสใบแจ้งหนี้ | รหัสใบแจ้งหนี้ |
| ความเชื่อมั่นของรหัสใบแจ้งหนี้ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ยอดรวมในใบแจ้งหนี้ (ตัวอักษร) | ยอดรวมในใบแจ้งหนี้ตามที่เขียนในใบแจ้งหนี้ |
| ยอดรวมในใบแจ้งหนี้ (ตัวเลข) | ยอดรวมในใบแจ้งหนี้ในรูปแบบวันที่มาตรฐาน ตัวอย่าง: 2019-05-31 |
| ความเชื่อมั่นในผลรวมใบแจ้งหนี้ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| บรรทัดรายการ | สินค้าในรายการที่แตกจากใบแจ้งหนี้ มีคะแนนความเชื่อมั่นในแต่ละคอลัมน์
|
| เงื่อนไขการชำระเงิน | เงื่อนไขการชำระเงินสำหรับใบแจ้งหนี้ |
| ความเชื่อมั่นของเงื่อนไขการชำระเงิน | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ใบสั่งซื้อ | ใบสั่งซื้อ |
| ความเชื่อมั่นในการสั่งซื้อ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ยอดดุลค้างชําระก่อนหน้านี้ (ข้อความ) | ยอดดุลค้างชําระก่อนหน้านี้ตามที่เขียนไว้ในใบแจ้งหนี้ |
| ยอดดุลค้างชําระก่อนหน้านี้ (ตัวเลข) | ยอดดุลค้างชําระก่อนหน้านี้ในรูปแบบตัวเลขมาตรฐาน ตัวอย่าง: 1234.98 |
| ความเชื่อมั่นของยอดดุลค้างชําระก่อนหน้านี้ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่การชําระเงินผ่านธนาคาร | ที่อยู่การชําระเงินผ่านธนาคาร |
| ความเชื่อมั่นในที่อยู่สำหรับรับชําระเงิน | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับที่อยู่การชําระเงินผ่านธนาคาร | ผู้รับที่อยู่การชําระเงินผ่านธนาคาร |
| ความเชื่อมั่นในผู้รับตามที่อยู่สำหรับรับชําระเงิน | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่บริการ | ที่อยู่บริการ |
| ความเชื่อมั่นสำหรับที่อยู่บริการ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับที่อยู่บริการ | ผู้รับที่อยู่บริการ |
| ความเชื่อมั่นของผู้รับที่อยู่บริการ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| วันที่เริ่มต้นการบริการ (ข้อความ) | วันที่เริ่มต้นการบริการตามที่เขียนไว้ในใบแจ้งหนี้ |
| วันที่เริ่มต้นการบริการ (วันที่) | วันที่เริ่มต้นการบริการในรูปแบบวันที่มาตรฐาน ตัวอย่าง: 2019-05-31 |
| ความเชื่อมั่นของวันที่เริ่มต้นการบริการ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| วันที่สิ้นสุดการบริการ (ข้อความ) | วันที่สิ้นสุดการบริการตามที่เขียนไว้ในใบแจ้งหนี้ |
| วันที่สิ้นสุดการบริการ (วันที่) | วันที่สิ้นสุดการบริการในรูปแบบวันที่มาตรฐาน ตัวอย่าง: 2019-05-31 |
| ความเชื่อมั่นของวันที่สิ้นสุดการบริการ | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่ในการจัดส่ง | ที่อยู่ในการจัดส่ง |
| ความเชื่อมั่นสำหรับที่อยู่ในการจัดส่ง | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับที่อยู่ในการจัดส่ง | ผู้รับที่อยู่ในการจัดส่ง |
| ความเชื่อมั่นของผู้รับที่อยู่ในการจัดส่ง | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผลรวมย่อย (ตัวหนังสือ) | ผลรวมย่อยของยอดตามที่เขียนในใบแจ้งหนี้ |
| ผลรวมย่อย (ตัวเลข) | ผลรวมย่อยในรูปแบบตัวเลขมาตรฐาน ตัวอย่าง: 1234.98 |
| ความเชื่อมั่นสำหรับผลรวมย่อย | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ยอดรวมภาษี (ตัวอักษร) | ยอดภาษีตามที่เขียนในใบแจ้งหนี้ |
| ยอดรวมภาษี (ตัวเลข) | ยอดภาษีในรูปแบบตัวเลขมาตรฐาน ตัวอย่าง: 1234.98 |
| ความเชื่อมั่นสำหรับยอดรวมภาษี | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ที่อยู่ผู้จัดจําหน่าย | ที่อยู่ผู้จัดจําหน่าย |
| ความเชื่อมั่นสำหรับที่อยู่ผู้จำหน่าย | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ผู้รับที่อยู่ผู้จัดจําหน่าย | ผู้รับที่อยู่ของผู้จัดจําหน่าย |
| ความเชื่อมั่นสำหรับผู้รับที่อยู่ของผู้จัดจําหน่าย | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ชื่อผู้ขาย | ชื่อผู้ขาย |
| ความเชื่อมั่นสำหรับชื่อผู้ขาย | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| หมายเลขประจำตัวผู้เสียภาษีของผู้จัดจำหน่าย | หมายเลขผู้เสียภาษีที่สัมพันธ์กับผู้จัดจำหน่าย |
| ความเชื่อมั่นของหมายเลขประจำตัวผู้เสียภาษีของผู้จัดจำหน่าย | โมเดลมีความเชื่อมั่นมากน้อยแค่ไหนในการคาดคะเน คะแนนระหว่าง 0 (ความเชื่อมั่นต่ำ) และ 1 (ความเชื่อมั่นสูง) |
| ข้อความที่ตรวจพบ | บรรทัดข้อความที่จำได้จากการเรียกใช้ OCR ในใบแจ้งหนี้ ส่งคืนเป็นส่วนหนึ่งของรายการของข้อความ |
| คีย์ที่ตรวจพบ | คู่คีย์-ค่าคือป้ายชื่อหรือคีย์ที่ระบุทั้งหมดและคำตอบหรือค่าที่เกี่ยวข้อง คุณสามารถใช้รายการเหล่านี้เพื่อแยกค่าเพิ่มเติมที่ไม่ได้เป็นส่วนหนึ่งของรายการฟิลด์ที่กำหนดไว้ล่วงหน้าได้ |
| ค่าที่ตรวจพบ | คู่คีย์-ค่าคือป้ายชื่อหรือคีย์ที่ระบุทั้งหมดและคำตอบหรือค่าที่เกี่ยวข้อง คุณสามารถใช้รายการเหล่านี้เพื่อแยกค่าเพิ่มเติมที่ไม่ได้เป็นส่วนหนึ่งของรายการฟิลด์ที่กำหนดไว้ล่วงหน้าได้ |
คู่คีย์-ค่า
คู่คีย์-ค่าคือป้ายชื่อหรือคีย์ที่ระบุทั้งหมดและคำตอบหรือค่าที่เกี่ยวข้อง คุณสามารถใช้รายการเหล่านี้เพื่อแยกค่าเพิ่มเติมที่ไม่ได้เป็นส่วนหนึ่งของรายการฟิลด์ที่กำหนดไว้ล่วงหน้าได้
หากต้องการแสดงภาพคู่คีย์-ค่าทั้งหมดที่ตรวจพบโดยโมเดลการประมวลผลใบแจ้งหนี้ คุณสามารถเพิ่มการดำเนินการ สร้างตาราง HTML ในโฟลว์ของคุณตามที่แสดงในภาพหน้าจอและเรียกใช้โฟลว์
ในการแยกคีย์เฉพาะที่คุณทราบค่าของคีย์นั้น คุณสามารถใช้การดำเนินการ กรองอาร์เรย์ ดังแสดงในภาพหน้าจอด้านล่าง ในตัวอย่างของภาพหน้าจอ เราต้องการแยกค่าของคีย์ Tel .:
ขีดจำกัด
ขีดจำกัดต่อไปนี้ใช้กับการเรียกตามสภาพแวดล้อมในโมเดลการประมวลผลเอกสาร รวมถึงโมเดลที่สร้างไว้ล่วงหน้า: การประมวลผลใบเสร็จและการประมวลผลใบแจ้งหนี้
| การดำเนินการ | ขีดจำกัด | ระยะเวลาการต่ออายุ |
|---|---|---|
| การเรียกใช้ (ต่อสภาพแวดล้อม) | 360 | 60 วินาที |
สร้างโซลูชันการประมวลผลใบแจ้งหนี้แบบกำหนดเอง
โมเดล AI ที่สร้างไว้ล่วงหน้าสำหรับการประมวลผลใบแจ้งหนี้ได้รับการออกแบบมาเพื่อแยกฟิลด์ทั่วไปที่พบในใบแจ้งหนี้ เนื่องจากทุกธุรกิจมีความแตกต่างกัน คุณอาจต้องการแยกฟิลด์อื่นนอกเหนือจากที่รวมอยู่ในโมเดลที่สร้างไว้ล่วงหน้านี้ ซึ่งอาจเป็นกรณีที่ฟิลด์มาตรฐานบางฟิลด์ไม่ได้แยกออกมาอย่างดีสำหรับใบแจ้งหนี้ชนิดใดชนิดหนึ่งที่คุณทำงานด้วย ในการที่จะจัดการสิ่งนี้ มีสองตัวเลือก:
ใช้โมเดลการประมวลผลใบแจ้งหนี้ที่กำหนดเอง: เพิ่มลักษณะการทำงานของโมเดลการประมวลผลใบแจ้งหนี้ที่สร้างไว้ล่วงหน้าโดยเพิ่มฟิลด์ใหม่ที่จะแยกนอกเหนือจาก ค่าเริ่มต้น หรือตัวอย่างเอกสารที่แยกออกมาไม่ถูกต้อง หากต้องการเรียนรู้วิธีเพิ่มโมเดลการประมวลผลใบแจ้งหนี้ที่สร้างไว้ล่วงหน้า ให้ไปที่ เลือกชนิดของเอกสาร
ดูผลลัพธ์ OCR ดิบ: ทุกครั้งที่โมเดล AI ที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้ประมวลผลไฟล์ที่คุณจัดเตรียมไว้ ระบบจะดำเนินการ OCR เพื่อแยกทุกคำที่เขียนบนไฟล์ คุณสามารถเข้าถึงผลลัพธ์ OCR ดิบบนผลลัพธ์ข้อความที่ตรวจพบโดยโมเดล การค้นหาอย่างง่ายในเนื้อหาที่ส่งคืนโดยข้อความที่ตรวจพบอาจเพียงพอที่จะรับข้อมูลที่คุณต้องการ
ใช้การประมวลผลเอกสาร: ด้วย AI Builder คุณยังสามารถสร้างโมเดล AI แบบกำหนดเองของคุณเอง เพื่อแยกฟิลด์และตารางเฉพาะที่คุณต้องการสำหรับเอกสารที่คุณทำงานด้วย แค่ สร้างโมเดลการประมวลผลเอกสาร และฝึกให้แยกข้อมูลทั้งหมดจากใบแจ้งหนี้ที่ทำงานได้ไม่ดีกับโมเดลการแยกใบแจ้งหนี้
เมื่อคุณฝึกโมเดลการประมวลผลเอกสารแบบกำหนดเองของคุณแล้ว คุณสามารถรวมโมเดลกับการประมวลผลใบแจ้งหนี้ที่สร้างไว้ล่วงหน้าในโฟลว์ Power Automate
นี่คือตัวอย่าง:
ใช้โมเดลการประมวลผลเอกสารแบบกำหนดเองเพื่อแยกฟิลด์เพิ่มเติมที่ไม่ได้ส่งคืนโดยโมเดลที่สร้างไว้ล่วงหน้าสำหรับการประมวลผลใบแจ้งหนี้
ในตัวอย่างนี้ เราได้ฝึกโมเดลการประมวลผลเอกสารแบบกำหนดเองเพื่อแยก หมายเลขโปรแกรมความภักดี แสดงในใบแจ้งหนี้จากผู้ให้บริการ Adatum และ Contoso เท่านั้น
โฟลว์ถูกทริกเกอร์เมื่อมีการเพิ่มใบแจ้งหนี้ใหม่ไปยังโฟลเดอร์ SharePoint จากนั้นเรียกใช้โมเดล AI ที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้เพื่อดึงข้อมูล จากนั้น เราจะตรวจสอบว่าผู้ขายสำหรับใบแจ้งหนี้ที่ดำเนินการแล้วนั้นมาจาก Adatum หรือ Contoso หากเป็นกรณีนี้ เราจะเรียกโมเดลการประมวลผลเอกสารแบบกำหนดเองที่เราฝึกมาเพื่อให้ได้หมายเลขสมาชิกนั้น สุดท้าย เราบันทึกข้อมูลที่แยกจากใบแจ้งหนี้ในไฟล์ Excel
ใช้โมเดลการประมวลผลเอกสารแบบกำหนดเองหากคะแนนความเชื่อมั่นสำหรับฟิลด์ที่ส่งคืนโดยโมเดลที่สร้างไว้ล่วงหน้าสำหรับการประมวลผลใบแจ้งหนี้ต่ำ
ในตัวอย่างนี้ เราได้ฝึกโมเดลการประมวลผลเอกสารแบบกำหนดเองเพื่อแยกยอดเงินรวมจากใบแจ้งหนี้ ซึ่งโดยปกติแล้วเราจะได้คะแนนความเชื่อมั่นต่ำเมื่อใช้โมเดลที่สร้างไว้ล่วงหน้าสำหรับการประมวลผลใบแจ้งหนี้
โฟลว์ถูกทริกเกอร์เมื่อมีการเพิ่มใบแจ้งหนี้ใหม่ไปยังโฟลเดอร์ SharePoint จากนั้นเรียกใช้โมเดล AI ที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้เพื่อดึงข้อมูล ต่อไป เราจะตรวจสอบว่าคะแนนความเชื่อมั่นสำหรับคุณสมบัติ มูลค่ารวมของใบแจ้งหนี้ น้อยกว่า 0.65 หรือไม่ หากเป็นกรณีนี้ เราจะเรียกโมเดลการประมวลผลเอกสารแบบกำหนดเองที่เราฝึกกับใบแจ้งหนี้ ซึ่งโดยปกติแล้วเราจะได้คะแนนความเชื่อมั่นต่ำสำหรับฟิลด์ผลรวม สุดท้าย เราบันทึกข้อมูลที่แยกจากใบแจ้งหนี้ในไฟล์ Excel
ใช้โมเดลการประมวลผลใบแจ้งหนี้ที่สร้างไว้ล่วงหน้าเพื่อจัดการใบแจ้งหนี้ที่ไม่ได้ฝึกให้จัดการโมเดลการประมวลผลเอกสารแบบกำหนดเอง
วิธีหนึ่งในการใช้โมเดลที่สร้างไว้ล่วงหน้าสำหรับการประมวลผลใบแจ้งหนี้คือใช้เป็นโมเดลทางเลือกเพื่อจัดการกับใบแจ้งหนี้ที่คุณไม่ได้ฝึกในรูปแบบการประมวลผลเอกสารแบบกำหนดเองของคุณ ตัวอย่างเช่น สมมติว่าคุณสร้างโมเดลการประมวลผลเอกสาร และฝึกให้แยกข้อมูลจากผู้ให้บริการใบแจ้งหนี้ 20 อันดับแรกของคุณ จากนั้นคุณสามารถใช้โมเดลที่สร้างไว้ล่วงหน้าของการประมวลผลใบแจ้งหนี้เพื่อประมวลผลใบแจ้งหนี้ใหม่ทั้งหมดหรือใบแจ้งหนี้ที่มีปริมาณน้อยลง นี่คือตัวอย่างของวิธีที่คุณสามารถทำได้:
โฟลว์นี้ถูกทริกเกอร์เมื่อมีการเพิ่มใบแจ้งหนี้ใหม่ไปยังโฟลเดอร์ SharePoint จากนั้นเรียกโมเดลการประมวลผลเอกสารแบบกำหนดเองเพื่อแยกข้อมูล ต่อไป เราจะตรวจสอบว่าคะแนนความเชื่อมั่นสำหรับคอลเลกชันที่ตรวจพบน้อยกว่า 0.65 หรือไม่ หากเป็นกรณีนี้ อาจหมายความว่าใบแจ้งหนี้ที่ระบุไม่ตรงกับโมเดลที่กำหนดเอง จากนั้น เราจะเรียกใช้โมเดลการประมวลผลใบแจ้งหนี้ที่สร้างไว้ล่วงหน้า สุดท้าย เราบันทึกข้อมูลที่แยกจากใบแจ้งหนี้ในไฟล์ Excel
