Pemrosesan faktur model AI bawaan
Model AI bawaan Pemrosesan faktur mengekstrak data faktur utama untuk membantu mengotomatiskan pemrosesan faktur. Model Pemrosesan faktur dioptimalkan untuk mengenali elemen faktur umum seperti ID faktur, tanggal faktur, jumlah jatuh tempo, dan banyak lagi.
Model Faktur memungkinkan Anda menambah perilaku default dengan membuat model Faktur kustom.
Gunakan di Power Apps
Untuk mempelajari cara menggunakan model Power Apps bawaan Pemrosesan faktur, buka Menggunakan model bawaan Pemrosesan faktur di Power Apps.
Penggunaan di Power Automate
Untuk mempelajari cara menggunakan model Power Automate bawaan Pemrosesan faktur, buka Menggunakan model bawaan Pemrosesan faktur di. Power Automate
Bahasa dan file yang didukung
Bahasa berikut didukung: Albania (Albania), Ceko (Republik Ceko), Tiongkok (sederhana) Tiongkok, Tiongkok (tradisional) Hong Kong SAR, Tiongkok (tradisional) Taiwan, Denmark (Denmark), Kroasia (Bosnia dan Herzegovina), Kroasia (Kroasia), Kroasia (Serbia), Belanda (Belanda), Inggris (Australia), Inggris (Kanada), Inggris (India), Inggris (Inggris), Inggris (Amérika Serikat), Estonia (Estonia), Finlandia (Finlandia), Prancis (Prancis), Jerman (Jerman), Hongaria (Hongaria), Islandia (Islandia), Italia (Italia), Jepang (Jepang), Korea (Korea), Lithuania (Lithuania), Latvia (Latvia), Melayu (Malaysia), Norwegia (Norwegia), Polandia (Polandia), Portugis (Portugal), Rumania (Rumania), Slovakia (Slovakia), Slovenia (Slovenia), Serbia (Serbia), Spanyol (Spanyol), Swedia (Swedia).
Untuk mendapatkan hasil terbaik, berikan satu foto atau pindaian yang jelas per faktur.
- Format gambar harus JPEG, PNG, atau PDF.
- Ukuran file tidak boleh melebihi 20 MB.
- Dimensi gambar harus antara 50 x 50 piksel dan 10.000 x 10.000 piksel.
- Dimensi PDF harus paling banyak 17 x 17 inci, yang setara dengan ukuran kertas Legal atau A3 atau lebih kecil.
- Untuk dokumen PDF, hanya 2.000 halaman pertama yang diproses.
Keluaran model
Jika faktur terdeteksi, model Pemrosesan faktur menghasilkan informasi berikut:
| Properti | Devinisi |
|---|---|
| Jumlah jatuh tempo (teks) | Jumlah yang jatuh tempo seperti yang tertulis pada faktur. |
| Jumlah jatuh tempo (angka) | Jumlah yang jatuh tempo dalam format angka standar. Contoh: 1234.98. |
| Keyakinan jumlah jatuh tempo | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat penagihan | Alamat penagihan. |
| Keyakinan alamat penagihan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat penagihan | Penerima alamat penagihan. |
| Keyakinan penerima alamat penagihan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat pelanggan | Alamat pelanggan. |
| Keyakinan alamat pelanggan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat pelanggan | Penerima alamat pelanggan. |
| Keyakinan penerima alamat pelanggan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID pelanggan | ID Pelanggan. |
| Keyakinan ID pelanggan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Nama pelanggan | Nama pelanggan. |
| Keyakinan nama pelanggan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID pajak pelanggan | Nomor wajib pajak yang terkait dengan pelanggan. |
| Keyakinan ID pajak pelanggan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal jatuh tempo (teks) | Tanggal jatuh tempo seperti yang tertulis pada faktur. |
| Tanggal jatuh tempo (tanggal) | Tanggal jatuh tempo dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal jatuh tempo | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal faktur (teks) | Tanggal faktur seperti yang tertulis pada faktur. |
| Tanggal faktur (tanggal) | Tanggal faktur dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal faktur | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID Faktur | ID Faktur. |
| Keyakinan ID faktur | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Total faktur (teks) | Total faktur seperti yang tertulis pada faktur. |
| Total faktur (angka) | Total faktur dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan total faktur | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Item Baris | Item baris yang diekstraksi dari faktur. Skor kepercayaan tersedia untuk setiap kolom.
|
| Syarat Pembayaran | Ketentuan pembayaran untuk faktur. |
| Keyakinan ketentuan pembayaran | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Pesanan pembelian | Pesanan pembelian. |
| Keyakinan pesanan pembelian | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Saldo yang belum dibayar sebelumnya (teks) | Saldo yang belum dibayar sebelumnya seperti yang tertulis pada faktur. |
| Saldo yang belum dibayar sebelumnya (angka) | Saldo belum dibayar sebelumnya dalam format angka standar. Contoh: 1234.98. |
| Keyakinan saldo yang belum dibayar sebelumnya | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat remitansi | Alamat pengiriman uang. |
| Keyakinan alamat remitansi | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat remitansi | Penerima alamat pengiriman uang. |
| Keyakinan penerima alamat pengiriman | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat layanan | Alamat layanan. |
| Keyakinan alamat layanan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat layanan | Penerima alamat layanan. |
| Keyakinan penerima alamat layanan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal mulai layanan (teks) | Tanggal mulai layanan seperti yang tertulis pada faktur. |
| Tanggal mulai layanan (tanggal) | Tanggal mulai layanan dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal mulai layanan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Tanggal berakhir layanan (teks) | Tanggal akhir layanan seperti yang tertulis pada faktur. |
| Tanggal berakhir layanan (tanggal) | Tanggal akhir layanan dalam format tanggal standar. Contoh: 2019-05-31. |
| Keyakinan tanggal berakhir layanan | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat pengiriman | Alamat pengiriman. |
| Keyakinan alamat pengiriman | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat pengiriman | Penerima alamat pengiriman. |
| Keyakinan penerima alamat pengiriman | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Subtotal (teks) | Subtotal seperti yang tertulis pada faktur. |
| Subtotal (angka) | Subtotal dalam format angka standar. Contoh: 1234.98. |
| Keyakinan subtotal | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Pajak total (teks) | Total pajak seperti yang tertulis pada faktur. |
| Pajak total (angka) | Total pajak dalam format angka standar. Contoh: 1234.98. |
| Keyakinan pajak total | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Alamat vendor | Alamat vendor. |
| Keyakinan alamat vendor | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Penerima alamat vendor | Penerima alamat vendor. |
| Keyakinan penerima alamat vendor | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Nama vendor | Nama vendor. |
| Keyakinan nama vendor | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| ID pajak vendor | Nomor wajib pajak yang terkait dengan vendor. |
| Keyakinan ID pajak vendor | Seberapa yakin model dalam prediksi. Skor antara 0 (kepercayaan rendah) dan 1 (kepercayaan tinggi). |
| Teks terdeteksi | Baris teks yang dikenali dari menjalankan OCR pada faktur. Dikembalikan sebagai bagian dari daftar teks. |
| Kunci yang terdeteksi | Pasangan kunci-nilai adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkaitnya. Anda dapat menggunakannya untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya. |
| Nilai yang terdeteksi | Pasangan kunci-nilai adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkaitnya. Anda dapat menggunakannya untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya. |
Pasangan kunci-nilai
Pasangan kunci-nilai adalah semua label atau kunci yang diidentifikasi dan respons atau nilai terkaitnya. Anda dapat menggunakannya untuk mengekstrak nilai tambahan yang bukan bagian dari daftar bidang yang telah ditentukan sebelumnya.
Untuk memvisualisasikan semua pasangan kunci-nilai yang terdeteksi oleh model Pemrosesan faktur, Anda dapat menambahkan tindakan Buat tabel HTML dalam alur Anda seperti yang ditunjukkan pada cuplikan layar dan menjalankan alur.
Untuk mengekstrak kunci tertentu yang Anda ketahui nilainya, Anda dapat menggunakan tindakan Array Filter seperti yang ditunjukkan pada tangkapan layar di bawah ini. Dalam contoh tangkapan layar, kita ingin mengekstrak nilai untuk kunci Tel .:
Batas
Batas berikut berlaku untuk panggilan yang dibuat per lingkungan di seluruh model pemrosesan dokumen termasuk model bawaan: Pemrosesan tanda terima dan Pemrosesan faktur.
| Perbuatan | Batas | Periode perpanjangan |
|---|---|---|
| Panggilan (per lingkungan) | 360 | 60 detik |
Membuat solusi Pemrosesan faktur kustom
Model AI bawaan Pemrosesan faktur dirancang untuk mengekstrak bidang umum yang ditemukan dalam faktur. Karena setiap bisnis unik, Anda mungkin ingin mengekstrak bidang selain yang termasuk dalam model bawaan ini. Bisa juga terjadi bahwa beberapa bidang standar tidak diekstraksi dengan baik untuk jenis faktur tertentu yang Anda gunakan. Untuk mengatasi hal ini, ada dua opsi:
Gunakan model pemrosesan Faktur kustom: Tingkatkan perilaku model Pemrosesan faktur bawaan dengan menambahkan bidang baru yang akan diekstraksi selain yang secara default, atau sampel dokumen yang tidak diekstraksi dengan benar. Untuk mempelajari cara menambah model Pemrosesan faktur bawaan, buka Memilih jenis dokumen.
Lihat hasil OCR mentah: Setiap kali model AI bawaan Pemrosesan faktur memproses file yang Anda berikan, model ini juga melakukan operasi OCR untuk mengekstrak setiap kata yang tertulis pada file. Anda dapat mengakses hasil OCR mentah pada output teks yang terdeteksi yang disediakan oleh model. Pencarian sederhana pada konten yang dikembalikan oleh teks yang terdeteksi mungkin cukup untuk mendapatkan data yang Anda butuhkan.
Gunakan pemrosesan dokumen: Dengan AI Builder, Anda juga dapat membuat model AI kustom Anda sendiri untuk mengekstrak bidang dan tabel tertentu yang Anda butuhkan untuk dokumen yang Anda kerjakan. Cukup buat model pemrosesan dokumen dan latih untuk mengekstrak semua informasi dari faktur yang tidak berfungsi dengan baik dengan model ekstraksi faktur.
Setelah melatih model pemrosesan dokumen kustom, Anda dapat menggabungkannya dengan model bawaan Pemrosesan faktur dalam alur Power Automate .
Berikut adalah beberapa contoh:
Gunakan model pemrosesan dokumen kustom untuk mengekstrak bidang tambahan yang tidak dikembalikan oleh model bawaan Pemrosesan faktur
Dalam contoh ini, kami telah melatih model pemrosesan dokumen kustom untuk mengekstrak nomor program loyalitas, hanya ada dalam faktur dari penyedia Adatum dan Contoso.
Alur dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model AI bawaan Pemrosesan faktur untuk mengekstrak datanya. Selanjutnya, kita periksa apakah vendor untuk faktur yang telah diproses berasal dari Adatum atau Contoso. Jika demikian, kami kemudian memanggil model pemrosesan dokumen kustom yang telah kami latih untuk mendapatkan nomor loyalitas tersebut. Terakhir, kami menyimpan data yang diekstraksi dari faktur dalam file Excel.
Gunakan model pemrosesan dokumen kustom jika skor keyakinan untuk bidang yang dikembalikan oleh model bawaan Pemrosesan faktur rendah
Dalam contoh ini, kami telah melatih model pemrosesan dokumen kustom untuk mengekstrak jumlah total dari faktur di mana kami biasanya mendapatkan skor keyakinan rendah saat menggunakan model bawaan Pemrosesan faktur.
Alur dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model AI bawaan Pemrosesan faktur untuk mengekstrak datanya. Selanjutnya, kita periksa apakah skor keyakinan untuk properti Nilai total Faktur kurang dari 0,65. Jika demikian, kami kemudian memanggil model pemrosesan dokumen kustom yang telah kami latih dengan faktur di mana kami biasanya mendapatkan skor keyakinan rendah untuk bidang total. Terakhir, kami menyimpan data yang diekstraksi dari faktur ke dalam file Excel.
Gunakan model bawaan Pemrosesan faktur untuk menangani faktur yang belum dilatih untuk ditangani oleh model pemrosesan dokumen kustom
Salah satu cara untuk menggunakan model bawaan Pemrosesan faktur adalah dengan menggunakannya sebagai model penggantian untuk menangani faktur yang belum Anda latih dalam model pemrosesan dokumen kustom Anda. Misalnya, Anda membuat model pemrosesan dokumen, dan melatihnya untuk mengekstrak data dari 20 penyedia faktur teratas Anda. Anda kemudian dapat menggunakan model bawaan Pemrosesan faktur untuk memproses semua faktur baru atau faktur volume yang lebih rendah. Berikut adalah contoh bagaimana Anda bisa melakukannya:
Alur ini dipicu saat faktur baru ditambahkan ke SharePoint folder. Kemudian memanggil model pemrosesan dokumen kustom untuk mengekstrak datanya. Selanjutnya, kami memeriksa apakah skor keyakinan untuk koleksi yang terdeteksi kurang dari 0,65. Jika demikian, itu mungkin berarti faktur yang diberikan tidak cocok untuk model kustom. Kami kemudian menyebut model Pemrosesan faktur bawaan. Terakhir, kami menyimpan data yang diekstraksi dari faktur dalam file Excel.
