Inbyggd AI-modell för fakturabearbetning
Fakturabearbetningen av den fördefinierade fakturamodellen extraherar viktiga fakturadata för att automatisera bearbetningen av fakturor. Fakturabearbetningsmodellen är optimerad för att identifiera vanliga fakturaelement som faktura-ID, fakturadatum, utestående belopp med mera.
Med modellen Fakturor kan du anpassa standardbeteendet genom att skapa en anpassad fakturamodell.
Används i Power Apps
Information om hur du använder den inbyggda modellen för fakturabearbetning i Power Apps finns i Använda den inbyggda modellen för fakturabearbetning i Power Apps.
Används i Power Automate
Information om hur du använder den inbyggda modellen för fakturabearbetning i Power Automate finns i Använda den inbyggda modellen för fakturabearbetning i Power Automate.
Språk och filer som stöds
Följande språk stöds: albanska (Albanien), tjeckiska (Tjeckien), kinesiska (förenklat) Kina, kinesiska (traditionell) Hongkong SAR, kinesiska (traditionell) Taiwan, danska (Danmark), kroatiska (Bosnien och Hercegovina), kroatiska (Kroatien), kroatiska (Serbien), holländska (Nederländerna), engelska (Australien), engelska (Kanada), engelska (Indien), engelska (Storbritannien), engelska (USA), estniska (Estland), finska (Finland), franska (Frankrike), tyska (Tyskland), ungerska (Ungern), isländska (Island), italienska (Italien), japanska (Japan), koreanska (Korea), litauiska (Litauen), lettiska (Lettland), malaysiska (Malaysia), norska (Norge), polska (Polen), portugisiska (Portugal), rumänska (Rumänien), slovakiska (Slovakien), slovenska (Slovenien), serbiska (Serbien), spanska (Spanien), svenska (Sverige).
Om du vill få bästa resultat kan du visa ett tydligt bild eller en skanning per faktura.
- Bildformatet måste vara JPEG, PNG eller PDF.
- Filstorleken får inte överskrida 20 MB.
- För bilder måste måtten vara mellan 50 x 50 bildpunkter och 10 000 x 10 000 bildpunkter.
- PDF-dimensionerna måste vara högst 43 x 43 cm, vilket motsvarar pappersstorlekarna Legal och A3 eller mindre.
- För PDF-dokument bearbetas endast de första 2,000 sidorna.
Modell-utdata
Om en faktura identifieras kommer fakturabearbetningsmodellen att visa följande information:
| Property | Definition |
|---|---|
| Utestående belopp (text) | Utestående belopp som skrivits på fakturan. |
| Utestående belopp (tal) | Belopp i standardiserat talformat. Exempel: 1234.98. |
| Konfidens för utestående belopp | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Faktureringsadress | Faktureringsadress: |
| Konfidens för faktureringsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens faktureringsadress | Mottagare på faktureringsadress. |
| Konfidens för mottagarens faktureringsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kundadress | Kundadress. |
| Konfidens för kundadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens kundadress | Mottagarens kundadress. |
| Konfidens för mottagarens kundadress | Hur säker modellen är i sin prediktion. Gör mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kund-ID | Kund-ID. |
| Konfidens för kund-ID | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kundens namn | Kundens namn. |
| Konfidens för kundnamn | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Kundens moms-ID (text) | Skattebetalarens nummer associerad med kunden. |
| Konfidens för kundens moms-ID | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Förfallodatum (text) | Förfallodatum som det skrivits på fakturan. |
| Förfallodatum (datum) | Förfallodatum i standardiserat datumformat. Exempel: 2019-05-31. |
| Konfidens för förfallodatum | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Fakturadatum (text) | Fakturadatum såsom angivet på fakturan. |
| Fakturadatum (datum) | Förfallodatum i standardiserat datumformat. Exempel: 2019-05-31. |
| Konfidens för fakturadatum | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Faktura-ID | Faktura-ID. |
| Konfidens för faktura-ID | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Fakturasumma (text) | Fakturabeloppet såsom angivet på fakturan. |
| Fakturasumma (tal) | Fakturasumma i standardiserat datumformat. Exempel: 2019-05-31. |
| Konfidens för fakturasumma | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Produkter | Radobjekten som har extraherats från fakturan. Det finns förtroendepoäng för respektive kolumn.
|
| Betalningsvillkor | Betalningsvillkor för fakturan. |
| Konfidens för betalningsvillkor | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Inköpsorder | Inköpsorder. |
| Konfidens för inköpsorder | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Tidigare obetalt saldo (text) | Tidigare obetalt saldo såsom angivet på fakturan. |
| Tidigare obetalt saldo (tal) | Tidigare obetalat saldo i standardiserat numreringsformat. Exempel: 1234.98. |
| Konfidens för tidigare obetalt saldo | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Remitteringsadress | Remitteringsadress. |
| Konfidens för remitteringsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens remitteringsadress | Mottagare på remitteringsadress. |
| Konfidens för mottagarens remitteringsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Tjänsteadress | Tjänsteadress. |
| Konfidens för tjänsteadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens tjänsteadress | Mottagare på tjänsteadress. |
| Konfidens för mottagarens tjänsteadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Tjänstens startdatum (text) | Tjänstens startdatum såsom angivet på fakturan. |
| Tjänstens startdatum (datum) | Tjänstens startdatum i standardiserat datumformat. Exempel: 2019-05-31. |
| Konfidens för tjänstens startdatum | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Tjänstens slutdatum (text) | Tjänstens slutdatum såsom angivet på fakturan. |
| Tjänstens slutdatum (datum) | Tjänstens slutdatum i standardiserat datumformat. Exempel: 2019-05-31. |
| Konfidens för tjänstens slutdatum | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leveransadress | Leveransadress. |
| Konfidens för leveransadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens leveransadress | Mottagare på leveransadressen. |
| Konfidens för mottagarens leveransadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Delsumma (text) | Delsumma såsom angivet på fakturan. |
| Delsumma (tal) | Delsumma i standardiserat talformat. Exempel: 1234.98. |
| Konfidens för delsumma | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Total moms (text) | Total moms såsom angivits på fakturan. |
| Total moms (tal) | Total moms i standardiserat talformat. Exempel: 1234.98. |
| Konfidens för total moms | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leverantörsadress | Leverantörsadress. |
| Konfidens för leverantörsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Mottagarens leverantörsadress | Mottagare för leverantörsadressen. |
| Konfidens för mottagarens leverantörsadress | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leverantörsnamn | Leverantörsnamn. |
| Konfidens för leverantörens namn | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Leverantörens moms-ID | Skattebetalarens nummer associerad med leverantören. |
| Konfidens för leverantörens moms-ID | Hur säker modellen är i sin prediktion. Poäng mellan 0 (låg konfidens) och 1 (hög konfidens). |
| Identifierad text | Rad med igenkänd text från att köra OCR på en faktura. Returnerades som en del av en lista med text. |
| Identifierad nyckel | Nyckelvärdespar är alla identifierade etiketter eller nycklar och deras associerade svar eller värden. Du kan använda dessa om du vill extrahera ytterligare värden som inte ingår i den fördefinierade listan av fält. |
| Identifierat värde | Nyckelvärdespar är alla identifierade etiketter eller nycklar och deras associerade svar eller värden. Du kan använda dessa om du vill extrahera ytterligare värden som inte ingår i den fördefinierade listan av fält. |
Nyckel/värde-par
Nyckelvärdespar är alla identifierade etiketter eller nycklar och deras associerade svar eller värden. Du kan använda dessa om du vill extrahera ytterligare värden som inte ingår i den fördefinierade listan av fält.
Om du vill visualisera alla nyckel/värde-par som identifierats av fakturabearbetningsmodellen kan du lägga till åtgärden Skapa HTML-tabell i ditt flöde så som det visas i skärmbilden och köra flödet.
Extrahera en viss nyckel som du känner till värdet för genom att använda åtgärden Filtermatris (se skärmbilden nedan). I exemplet på skärmbilden vill vi extrahera värdet för nyckeln Tel .:
Gränser
Följande begränsning gäller anrop som görs per miljö i olika dokumentbearbetningsmodeller, inklusive inbyggda modeller, gäller detta bearbetning och fakturahantering.
| Åtgärd | Gräns | Förnyelseperiod |
|---|---|---|
| Anrop (per miljö) | 360 | 60 sekunder |
Skapa en anpassad lösning för fakturabearbetning
Den fördefinierade modellen för fakturabearbetning är utformad för att extrahera vanliga fält som finns i fakturor. Eftersom varje företag är unikt kanske du vill extrahera andra fält än de som ingår i den här fördefinierade modellen. Det kan också vara så att vissa standardfält inte extraheras bra för en viss typ av faktura som du arbetar med. För att hantera detta finns det två alternativ:
Använd den anpassade bearbetningsmodellen för fakturor (förhandsversion): Förstärk beteendet hos den förbyggda fakturahanteringsmodellen genom att lägga till nya fält som ska extraheras utöver standard, eller prover av dokument som inte extraherats korrekt. Om du vill lära dig att skapa en fördefinierade fakturabearbetningsmodell går du till Välj typ av dokument.
Visa råa OCR-resultat: Varje gång den förutbyggda AI-modellen behandlar en fil du tillhandahåller gör den också en OCR-operation för att extrahera varje ord som skrivs i filen. Du kan få åtkomst till råa OCR-resultat på den identifierade textutdata som tillhandahålls av modellen. En enkel sökning på innehållet som returneras av den identifierade texten kan räcka för att få fram de data du behöver.
Använd dokumentbearbetning: Med AI Builder kan du också bygga din egen anpassade AI-modell för att extrahera specifika fält och tabeller du behöver för de dokument du arbetar med. Det är bara att skapa en dokumentbearbetningsmodell och utbilda den för att extrahera all information från en faktura som inte fungerar bra med extraktionsmodellen.
När du har utbildat din anpassade dokumentbearbetningsmodell kan du kombinera den med fakturabearbetningsmodellen i ett Power Automate-flöde.
Här följer några exempel:
Använd en anpassad dokumentbearbetningsmodell för att extrahera ytterligare fält som inte returneras av den inbyggda fakturabearbetningsmodellen
I det här exemplet har vi utbildat en anpassad dokumentbearbetningsmodell för att extrahera ett lojalitetsprogramnummer som endast finns i fakturor från leverantörerna Adatum och Contoso.
Flödet utlöses när en ny faktura läggs till i en viss SharePoint-mapp. Det kallar sedan den faktabearbetade AI-modellen för att extrahera sina data. Nästa steg för oss är att kontrollera om leverantören för fakturan som har bearbetats antingen kommer från Adatum eller Contoso. Om så är fallet anropar vi en anpassad dokumentbearbetningsmodell som vi har utbildat för att få det lojalitetsnumret. Slutligen sparar vi extraherade data från fakturan i en Excel-fil.
Använd en anpassad dokumentbearbetningsmodell om konfidenspoängen för ett fält som returneras av den inbyggda fakturabearbetningsmodellen är låg
I det här exemplet har vi tränat en egen dokumentbearbetningsmodell för att extrahera totalbeloppet från fakturor där vi vanligtvis får låg förtroendenivå när vi använder den inbyggda modellen för fakturabearbetning.
Flödet utlöses när en ny faktura läggs till i en viss SharePoint-mapp. Det kallar sedan den faktabearbetade AI-modellen för att extrahera sina data. Därefter kontrollerar vi om konfidenspoängen för egenskapen Invoice total value understiger 0,65. Om så är fallet anropar vi en anpassad dokumentbearbetningsmodell som vi har utbildat med fakturor där det vanligtvis finns en låg konfidensnivå för det totala fältet. Slutligen sparar vi extraherade data från fakturan i en Excel-fil.
Använd den inbyggda modellen för fakturabearbetning för att hantera fakturor som en anpassad dokumentbearbetningsmodell inte har utbildats för att hantera
Ett sätt att använda den inbyggda modellen för fakturabearbetning på är att använda den som grundmodell för hantering av fakturor som du inte har utbildat i din anpassade dokumentbearbetningsmodell. Låt säga att du har skapat en dokumentbearbetningsmodell som har utbildats i att extrahera data från de 20 främsta fakturaleverantörerna. Sedan kan du använda fördefinierade fakturor för att bearbeta alla nya fakturor eller fakturor med lägre volym. Här är ett exempel på hur du kan göra:
Flödet utlöses när en ny faktura läggs till i en viss SharePoint-mapp. Sedan anropas en anpassad dokumentbearbetningsmodell för att extrahera data. Därefter kontrollerar vi om konfidenspoängen för den identifierade insamlingen är mindre än 0,65. Om så är fallet betyder det förmodligen att den medföljande fakturan inte matchar den anpassade modellen särskilt väl. Därefter anropar vi den fördefinierade fakturabearbetningsmodellen. Slutligen sparar vi extraherade data från fakturan i en Excel-fil.
