Modèle prédéfini de traitement des factures (version préliminaire)

[Cette rubrique fait partie de la documentation en version préliminaire et peut faire l'objet de modifications.]

Le modèle d’IA prédéfini de traitement des factures extrait les principales données de facturation pour faciliter l’automatisation du traitement des factures. Le modèle de traitement des factures est optimisé pour reconnaître les éléments de facture courants tels que la référence de la facture, la date de la facture, le montant dû, etc.

Utiliser dans Power Apps

Pour plus d’informations sur le modèle prédéfini de traitement des factures dans Power Automate, voir Utiliser le modèle prédéfini de traitement des factures dans Power Apps.

Utiliser dans Power Automate

Pour plus d’informations sur le modèle prédéfini de traitement des factures dans Power Automate, voir Utiliser le modèle prédéfini de traitement des factures dans Power Automate.

Langues et fichiers pris en charge

Seuls les factures en anglais provenant des États-Unis sont actuellement prises en charge.

Pour obtenir les meilleurs résultats, fournissez une photo claire ou numérisée par facture.

  • Le format d’image doit être JPEG, PNG ou PDF.
  • La taille de fichier doit être inférieure à 20 mégaoctets (Mo).
  • Pour les images, les dimensions doivent être comprises entre 50 x 50 pixels et 10000 x 10000 pixels.
  • Les dimensions du PDF doivent être au maximum de 17 x 17 pouces, ce qui équivaut au format de papier Legal ou A3 ou inférieur.

Sortie du modèle

Si une facture est détectée, le modèle de traitement des factures affichera les informations suivantes :

Propriété Définition
Montant dû (texte) Montant dû tel qu’il figure sur la facture
Montant dû (nombre) Montant dû au format numérique normalisé. Exemple : 1234.98
Confiance dans le montant dû Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de facturation Adresse de facturation
Confiance dans l’adresse de facturation Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de facturation du destinataire Adresse de facturation du destinataire
Confiance dans l’adresse de facturation du destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse du client Adresse du client
Confiance dans l’adresse du client Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse du client destinataire Adresse du client destinataire
Confiance dans l’adresse du client destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
ID client ID client
Confiance dans l’ID de client Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Nom du client Nom du client
Confiance dans le nom du client Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Date d’échéance (texte) Date d’échéance telle qu’elle figure sur la facture
Date d’échéance (date) Date d’échéance au format de date normalisé. Exemple : 31-05-2019
Confiance dans la date d’échéance Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Date de facture (texte) Date de la facture telle qu’elle figure sur la facture
Date de la facture (date) Date de la facture au format de date normalisé. Exemple : 31-05-2019
Confiance dans la date de la facture Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Référence facture Référence facture
Confiance dans la référence facture Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Total de la facture (texte) Total de la facture tel qu’il figure sur la facture
Total de la facture (nombre) Total de la facture au format de date normalisé. Exemple : 31-05-2019
Confiance dans le total de la facture Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Commande fournisseur Commande fournisseur
Confiance dans le bon de commande Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de remise Adresse de remise
Confiance dans l’adresse de remise Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de remise du destinataire Adresse de remise du destinataire
Confiance dans l’adresse de remise du destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de service Adresse de service
Confiance dans l’adresse du service Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de service du destinataire Adresse de service du destinataire
Confiance dans l’adresse de service du destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de livraison Adresse de livraison
Confiance dans l’adresse de livraison Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse de livraison du destinataire Adresse de livraison du destinataire
Confiance dans l’adresse de livraison du destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Sous-total (texte) Sous-total tel qu’il figure dans la facture
Sous-total (nombre) Sous-total au format numérique normalisé. Exemple : 1234.98
Confiance dans le sous-total Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Total des taxes (texte) Total des taxes tel qu’il figure sur la facture
Total des taxes (nombre) Total des taxes au format numérique normalisé. Exemple : 1234.98
Confiance dans le total des taxes Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse du fournisseur Adresse du fournisseur
Confiance dans l’adresse du fournisseur Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Adresse du fournisseur du destinataire Adresse du fournisseur du destinataire
Confiance dans l’adresse du fournisseur du destinataire Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Nom du fournisseur Nom du fournisseur
Confiance dans le nom du fournisseur Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée).
Texte détecté Ligne de texte reconnu de l’exécution de l’OCR sur une facture. Renvoyée dans le cadre d’une liste de textes.
Numéro de page du texte détecté Page sur laquelle se trouve la ligne de texte reconnu qui a été trouvée. Renvoyée dans le cadre d’une liste de textes.

Notes

L’extraction des éléments de campagne et des tableaux de factures n’est actuellement pas prise en charge.

Limites

Ce qui suit s’applique aux appels effectués par environnement sur les modèles de traitement de formulaires, y compris les modèles prédéfinis : traitement des reçus et traitement des factures.

Action Limite Période de renouvellement
Appels (par environnement) 360 60 secondes

Créer une solution de traitement de factures personnalisée

Le modèle IA prédéfini de traitement des factures est conçu pour extraire les champs communs trouvés dans les factures. Étant donné que chaque entreprise est unique, vous souhaiterez peut-être extraire des champs autres que ceux inclus dans ce modèle prédéfini. Il se peut également que certains champs standard ne soient pas correctement extraits pour un type de facture particulier avec lequel vous travaillez. Deux solutions permettent de corriger ce problème :

  • Afficher les résultats OCR bruts : Chaque fois que le modèle IA pré-construit de traitement de facture traite un fichier que vous fournissez, il effectue également une opération OCR pour extraire chaque mot écrit sur le fichier. Vous pouvez accéder aux résultats bruts de l’OCR sur la sortie de texte détectée fournie par le modèle. Une simple recherche sur le contenu renvoyé par le texte détecté peut suffire pour obtenir les données dont vous avez besoin.
  • Utiliser le traitement des formulaires : Avec AI Builder, vous pouvez également créer votre propre modèle IA personnalisé pour extraire des champs et des tables spécifiques dont vous avez besoin pour les documents avec lesquels vous travaillez. Créez simplement un modèle de traitement de formulaire et testez-le pour extraire toutes les informations d’une facture qui ne fonctionne pas bien avec le modèle d’extraction de facture.

Une fois que vous avez testé votre modèle de traitement de formulaire personnalisé, vous pouvez le combiner avec le modèle prédéfini de traitement de facture dans un flux Power Automate.

En voici quelques exemples :

Utilisez un modèle de traitement de formulaire personnalisé pour extraire des champs supplémentaires qui ne sont pas renvoyés par le modèle prédéfini de traitement de facture

Dans cet exemple, nous avons entraîné un modèle de traitement de formulaire personnalisé pour extraire un « numéro de programme de fidélité » présent uniquement dans les factures des fournisseurs Adatum et Contoso.

Le flux est déclenché chaque fois qu’une nouvelle facture est ajoutée à un dossier SharePoint. Il appelle ensuite le modèle IA prédéfini de traitement des factures pour extraire ses données. Ensuite, nous vérifions si le fournisseur de la facture qui a été traitée est soit « Adatum », soit « Contoso ». Si tel est le cas, nous appelons ensuite un modèle de traitement de formulaire personnalisé que nous avons formé pour obtenir ce numéro de fidélité. Enfin, nous sauvegardons les données extraites de la facture dans un fichier Excel.

Flux de traitement des factures et des formulaires

Utilisez un modèle de traitement de formulaire si le score de confiance pour un champ renvoyé par le modèle prédéfini de traitement de facture est faible

Dans cet exemple, nous avons formé un modèle de traitement de formulaire personnalisé pour extraire le montant total des factures où nous obtenons généralement un faible score de confiance lors de l’utilisation du modèle prédéfini de traitement des factures.

Le flux est déclenché chaque fois qu’une nouvelle facture est ajoutée à un dossier SharePoint. Il appelle ensuite le modèle IA prédéfini de traitement des factures pour extraire ses données. Ensuite, nous vérifions si le score de confiance de la propriété "Valeur totale de la facture" est inférieur à 0,65. Si tel est le cas, nous appelons alors un modèle de traitement de formulaire personnalisé que nous avons formé avec des factures où nous obtenons généralement un faible score de confiance pour le champ total. Enfin, nous sauvegardons les données extraites de la facture dans un fichier Excel.

Flux de traitement des factures et des formulaires pour les scores faibles

Utilisez le modèle prédéfini de traitement des factures pour gérer les factures qu’un modèle de traitement de formulaire personnalisé n’a pas été conçu pour sa gestion

Une façon d’utiliser le modèle prédéfini de traitement des factures consiste à l’utiliser comme modèle de secours pour gérer les factures que vous n’avez pas formées dans votre modèle de traitement de formulaire personnalisé. Par exemple, disons que vous avez créé un modèle de traitement de formulaire et que vous l’avez formé pour extraire les données de vos 20 principaux fournisseurs de factures. Vous pouvez ensuite utiliser le modèle prédéfini de traitement des factures pour traiter toutes les nouvelles factures ou les factures de volume inférieur. Voici un exemple de la façon dont vous pourriez le faire :

Ce flux est déclenché chaque fois qu’une nouvelle facture est ajoutée à un dossier SharePoint. Il appelle ensuite un modèle de traitement de formulaire personnalisé pour extraire ses données. Ensuite, nous vérifions si le score de confiance de la collection détectée est inférieur à 0,65. Si tel est le cas, cela signifie probablement que la facture fournie ne correspond pas bien au modèle personnalisé, nous appelons donc le modèle de traitement de facture prédéfini. Enfin, nous sauvegardons les données extraites de la facture dans un fichier Excel.

Flux de traitement des factures et des formulaires pour de nouvelles factures