Forudindstillet AI-model til fakturabehandling
I den færdigbyggede AI-model til fakturabehandling udtrækkes vigtige fakturadata for at hjælpe med at automatisere behandlingen af fakturaer. Fakturabehandlingsmodellen er optimeret til at genkende almindelige fakturaelementer som f.eks. faktura-id, fakturadato, forfaldent beløb og meget mere.
Du kan bruge modellen Fakturaer til at ændre standardfunktionsmåden ved at opbygge en brugerdefineret fakturamodel.
Brug i Power Apps
Du kan finde oplysninger om, hvordan du bruger den foruddefinerede model til behandling af fakturaer i Power Apps ved at gå til Brug den foruddefinerede fakturabehandlingsmodel i Power Apps.
Brug i Power Automate
Du kan finde oplysninger om, hvordan du bruger den foruddefinerede model til behandling af fakturaer i Power Automate ved at gå til Brug den foruddefinerede fakturabehandlingsmodel i Power Automate.
Understøttede sprog og filer
Følgende sprog understøttes: albansk (Albanien), tjekkisk (Tjekkiet), kinesisk (forenklet) Kina, kinesisk (traditionelt) Hongkong SAR, kinesisk (traditionelt) Taiwan, dansk (Danmark), kroatisk (Bosnien-Hercegovina), kroatisk (Kroatien), kroatisk (Serbien), hollandsk (Holland), engelsk (Australien), engelsk (Canada), engelsk (Indien), engelsk (Storbritannien), engelsk (USA), estisk (Estland), finsk (Finland), fransk (Frankrig), tysk (Tyskland), ungarsk (Ungarn), islandsk (Island), italiensk (Italien), japansk (Japan), koreansk (Korea), litauisk (Litauen), lettisk (Letland), Malaysia (Malaysia), norsk (Norge), polsk (Polen), portugisisk (Portugal), rumænsk (Rumænien), slovakisk (Slovakiet), slovensk (Slovenien), serbisk (Serbien), spansk (Spanien), svensk (Sverige).
Hvis du vil opnå de bedste resultater, kan du levere ét tydeligt foto eller en scanning pr. faktura.
- Billedformatet skal være JPEG, PNG eller PDF.
- Filstørrelsen må ikke være på mere end 20 MB.
- Billeddimensionen være mellem 50 x 50 og 10.000 x 10.000 pixel.
- PDF-dimensionerne må højst være 17 x 17", hvilket svarer til Legal- eller A3-papirstørrelserne eller mindre.
- I forbindelse med PDF-dokumenter behandles kun de første 2.000 sider.
Modeloutput
Hvis der registreres en faktura, vises følgende oplysninger i fakturabehandlingsmodellen:
| Property | Definition |
|---|---|
| Forfaldent beløb (tekst) | Det forfaldne beløb, som er skrevet på fakturaen. |
| Forfaldent beløb (tal) | Forfaldent beløb i standardiseret talformat. Eksempel: 1234,98. |
| Tillid til forfaldent beløb | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Faktureringsadresse | Faktureringsadresse. |
| Tillid til faktureringsadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på faktureringsadresse | Modtager på faktureringsadresse. |
| Tillid til modtager på faktureringsadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Kundeadresse | Kundeadresse. |
| Tillid til kundeadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på kundeadresse | Modtager på kundeadresse. |
| Tillid til modtager på kundeadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Kunde-id | Kunde-id. |
| Tillid til kunde-id | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Kundenavn | Kundenavn. |
| Tillid til kundenavn | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Kundemoms-id | Det skatteydernummer, der er tilknyttet kunden. |
| Konfidens af kundemoms-id | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Forfaldsdato (tekst) | Forfaldsdato, som skrevet på fakturaen. |
| Forfaldsdato (dato) | Forfaldsdatoen i standardiseret datoformat. Eksempel: 2019-05-31. |
| Tillid til forfaldsdato | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Fakturadato (tekst) | Fakturadato som skrevet på fakturaen. |
| Fakturadato (dato) | Fakturadato i standardiseret datoformat. Eksempel: 2019-05-31. |
| Tillid til fakturadato | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Faktura-id | Faktura-id. |
| Tillid til faktura-id | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Fakturatotal (tekst) | Fakturatotal, som skrevet på fakturaen. |
| Fakturatotal (tal) | Fakturatotal i standardiseret datoformat. Eksempel: 2019-05-31. |
| Tillid til fakturatotal | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Linjeelementer | De linjeelementer, der udtrækkes fra fakturaen. Der findes selvsikkerhedspoint for hver kolonne.
|
| Betalingsbetingelser | Betalingsbetingelserne for fakturaen. |
| Konfidens af betalingsbetingelser | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Indkøbsordre | Indkøbsordre. |
| Tillid til indkøbsordre | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Tidligere ubetalte saldo (tekst) | Forrige ubetalte saldo som skrevet på fakturaen. |
| Tidligere ubetalt saldo (antal) | Tidligere ubetalt saldo i standardnummerformat. Eksempel: 1234,98. |
| Konfidens af tidligere ubetalt saldo | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Remitteringsadresse | Remitteringsadresse. |
| Tillid til remitteringsadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på remitteringsadresse | Modtager på remitteringsadresse. |
| Tillid til modtager på remitteringsadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Serviceadresse | Serviceadresse. |
| Tillid til serviceadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på serviceadresse | Modtager på serviceadressen. |
| Tillid til modtager på serviceadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Startdato for service (tekst) | Servicens startdato, som skrevet på fakturaen. |
| Startdato for service (dato) | Servicens startdato i standardiseret datoformat. Eksempel: 2019-05-31. |
| Konfidens af startdato for service | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Slutdato for service (tekst) | Servicens slutdato, som skrevet på fakturaen. |
| Slutdato for service (dato) | Servicens slutdato i standardiseret datoformat. Eksempel: 2019-05-31. |
| Konfidens af slutdato for service | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Forsendelsesadresse | Forsendelsesadresse. |
| Tillid til forsendelsesadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på forsendelsesadresse | Modtager på forsendelsesadresse. |
| Tillid til modtager på forsendelsesadresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Subtotal (tekst) | Subtotal som skrevet på fakturaen. |
| Subtotal (tal) | Subtotal i standardiseret talformat. Eksempel: 1234,98. |
| Tillid til subtotal | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Samlet moms (tekst) | Samlet moms som skrevet på fakturaen. |
| Samet moms (tal) | Samlet moms i standardiseret talformat. Eksempel: 1234,98. |
| Tillid til samlet moms | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Leverandøradresse | Leverandøradresse. |
| Tillid til leverandøradresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Modtager på leverandøradresse | Modtager på leverandøradresse. |
| Tillid til modtager på leverandøradresse | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Forhandlernavn | Forhandlernavn. |
| Tillid til forhandlernavn | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Leverandørmoms-id | Det skatteydernummer, der er tilknyttet leverandøren. |
| Konfidens af leverandørmoms-id | Hvor sikker modellen er i sin forudsigelse. Score mellem 0 (lav tillid) og 1 (høj tillid). |
| Registreret tekst | Den linje med genkendt tekst under kørsel af optisk tegngenkendelse på en faktura. Returneret som en del af en liste over tekst. |
| Der blev fundet en nøgle | Nøgleværdipar er alle de identificerede etiketter eller nøgler og deres tilknyttede responser eller værdier. Du kan bruge disse til at udtrække flere værdier, der ikke er en del af den foruddefinerede liste over felter. |
| Registreret værdi | Nøgleværdipar er alle de identificerede etiketter eller nøgler og deres tilknyttede responser eller værdier. Du kan bruge disse til at udtrække flere værdier, der ikke er en del af den foruddefinerede liste over felter. |
Nøgleværdipar
Nøgleværdipar er alle de identificerede etiketter eller nøgler og deres tilknyttede responser eller værdier. Du kan bruge disse til at udtrække flere værdier, der ikke er en del af den foruddefinerede liste over felter.
Hvis du vil visualisere alle nøgleværdipar, der er registreret af fakturabehandlingsmodellen, kan du tilføje handlingen Opret HTML-tabel i flowet som vist på skærmbilledet og køre flowet.
Hvis du vil udtrække en bestemt nøgle, som du kender værdien for, kan du bruge handlingen Filtermatrix som vist på skærmbilledet nedenfor. I eksemplet på skærmbilledet vil vi udtrække værdien for nøglen Tel .:
Grænser
Følgende grænse gælder for opkald foretaget pr. miljø på tværs af dokumentbehandlingsmodeller, herunder forudbyggede modeller: behandling af kvitteringer og fakturabehandling.
| Handling | Grænse | Fornyelsesperiode |
|---|---|---|
| Opkald (pr. miljø) | 360 | 60 sekunder |
Oprette en brugerdefineret løsning til fakturabehandling
Den færdigbyggede AI-model til fakturabehandling er designet til at udtrække almindelige felter, der findes i fakturaer. Da alle virksomheder er unikke, kan det være en ide at udtrække andre felter end dem, der er inkluderet i denne foruddefinerede model. Det kan også være tilfældet, at visse standardfelter ikke er pakket godt ud for en bestemt type faktura, du arbejder med. Du kan håndtere dette på to måder:
Benyt den brugerdefinerede fakturabehandlingsmodel: Tilpas funktionsmåden for den færdigbyggede fakturabehandlingsmodel ved at tilføje nye felter, der skal udtrækkes som standard eller eksempler på dokumenter, der ikke er pakket korrekt ud. Du kan få mere at vide om, hvordan den foruddefinerede fakturabehandlingsmodel vælges under Vælg dokumenttype.
Vis rå resultater af optisk tegngenkendelse: Hver gang den færdigbyggede AI-model behandler en fil, du leverer, udføres der også en handling for optisk tegngenkendelse, der udtrækker alle de ord, der er skrevet på filen. Du kan få adgang til de rå resultater af optisk tegngenkendelse på det registrerede tekstoutput, der leveres af modellen. En simpel søgning på det indhold, der returneres af registreret tekst, kan være nok til at hente de data, du skal bruge.
Brug dokumentbehandling: Med AI Builder kan du også oprette din egen brugerdefinerede AI-model for at udtrække bestemte felter og tabeller, du skal bruge til de dokumenter, du arbejder med. Du skal blot oprette en dokumentbehandlingsmodel og oplære den i at udtrække alle oplysninger fra en faktura, der ikke fungerer godt med fakturaudpakningsmodellen.
Når du har oplært din brugerdefinerede dokumentbehandlingsmodel, kan du kombinere den med den foruddefinerede fakturabehandlingsmodel i et Power Automate-flow.
Her er nogle eksempler:
Brug en brugerdefineret dokumentbehandlingsmodel til at udtrække flere felter, der ikke returneres af den foruddefinerede fakturabehandlingsmodel
I dette eksempel har vi oplært en brugerdefineret dokumentbehandlingsmodel til at udtrække et loyalitetsprogramnummer, som kun findes på fakturaer fra udbyderne Adatum og Contoso.
Flowet udløses, når der føjes en ny faktura til en bestemt SharePoint-mappe. Derefter kaldes den den færdigbyggede AI-model til fakturabehandling for at udtrække dataene. Derefter kontrollerer vi, om leverandøren til den faktura, der er blevet behandlet, enten er fra Adatum eller Contoso. Hvis det er tilfældet, kalder vi en brugerdefineret model til dokumentbehandling, som vi har oplært til at få det loyalitetsnummer. Til sidst gemmes de udtrukne data fra fakturaen i en Excel-fil.
Brug en brugerdefineret dokumentbehandlingsmodel, hvis den tillidsscore for et felt, der returneres af den foruddefinerede fakturabehandlingsmodel, er lav
I dette eksempel har vi oplært en brugerdefineret dokumentbehandlingsmodel til at udtrække det samlede beløb fra fakturaer, hvor der som regel vises en lav konfidensscore, når du bruger den forudindstillede model til behandling af fakturaen.
Flowet udløses, når der føjes en ny faktura til en bestemt SharePoint-mappe. Derefter kaldes den den færdigbyggede AI-model til fakturabehandling for at udtrække dataene. Derefter kontrolleres det, om tillidsscoren for egenskaben Værdi af fakturatotal er mindre end 0,65. Hvis det er tilfældet, kalder vi en brugerdefineret model til dokumentbehandling, som vi har oplært med fakturaer, hvor vi som regel får en lav selvsikkerhedspoint for det samlede felt. Til sidst gemmes de udtrukne data fra fakturaen i en Excel-fil.
Brug en brugerdefineret fakturabehandlingsmodel til at behandle fakturaer, der ikke kan behandles af en foruddefinerede dokumentbehandlingsmodel
En måde at bruge den foruddefinerede fakturabehandlingsmodel på er at bruge den som reservemodel til at håndtere fakturaer, du ikke har trænet i den brugerdefinerede dokumentbehandlingsmodel. Lad os f.eks. sige, at du har opbygget en dokumentbehandlingsmodel og oplært den til at udtrække data fra dine 20 bedste fakturaudbydere. Du kan derefter bruge den foruddefinerede model til behandling af fakturaer til at behandle alle nye fakturaer eller fakturaer med lavere volumen. Her er et eksempel på, hvordan du kan gøre det:
Flowet udløses, når der føjes en ny faktura til en SharePoint-mappe. Den henter derefter en brugerdefineret dokumentbehandling til at udtrække data Derefter kontrolleres det, om tillidsscoren for den registrerede samling er mindre end 0,65. Hvis det er tilfældet, betyder det sandsynligvis, at den angivne faktura ikke stemmer godt overens med den brugerdefinerede model. Derefter kalder vi den foruddefinerede fakturabehandlingsmodel. Til sidst gemmes de udtrukne data fra fakturaen i en Excel-fil.
