Modèle IA prédéfini de traitement des factures
Le modèle 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.
Le modèle Factures vous permet d’augmenter le comportement par défaut en créant un modèle de factures personnalisé.
Utiliser dans Power Apps
Pour savoir comment utiliser le modèle prédéfini de traitement des factures dans Power Apps, accédez à Utiliser le modèle prédéfini de traitement des factures dans Power Apps.
Utiliser dans Power Automate
Pour savoir comment utiliser le modèle prédéfini de traitement des factures dans Power Automate, accédez à Utiliser le modèle prédéfini de traitement des factures dans Power Automate.
Langues et fichiers pris en charge
Les langues suivantes sont prises en charge : albanais (Albanie), tchèque (République tchèque), chinois (simplifié) Chine, chinois (traditionnel) Hong Kong R.A.S., chinois (traditionnel) Taiwan, danois (Danemark), croate (Bosnie-Herzégovine), croate (Croatie), croate (Serbie), néerlandais (Pays-Bas), anglais (Australie), anglais (Canada), anglais (Inde), anglais (Royaume-Uni), anglais (États-Unis), estonien (Estonie), finnois (Finlande), français (France), allemand (Allemagne), hongrois (Hongrie), islandais (Islande), italien (Italie), japonais (Japon), coréen (Corée), lituanien (Lituanie), letton (Lettonie), malais (Malaisie), norvégien (Norvège), polonais (Pologne), portugais (Portugal), roumain (Roumanie), slovaque (Slovaquie), slovène (Slovénie), serbe (Serbie), espagnol (Espagne), suédois (Suède).
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 du fichier ne doit pas dépasser 20 Mo.
- Pour les images, les dimensions doivent être comprises entre 50 x 50 pixels et 10 000 x 10 000 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.
- Pour les documents PDF, seules les 2,000 premières pages sont traitées.
Sortie du modèle
Si une facture est détectée, le modèle de traitement des factures affiche les informations suivantes :
| Property | 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). |
| Identité fiscale du client | Numéro de contribuable associé au client. |
| Confiance de l’identité fiscale 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). |
| ID facture | Réf. 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). |
| Lignes | Les éléments de ligne extraits de la facture. Les scores de confiance sont disponibles pour chaque colonne.
|
| Modalités de paiement | Conditions de paiement de la facture. |
| Confiance des modalités de paiement | 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). |
| Solde non payé précédent (texte) | Solde impayé précédent tel qu’il figure sur la facture. |
| Solde non payé précédent (nombre) | Solde impayé précédent au format numérique standardisé. Exemple : 1234,98. |
| Confiance dans les soldes non payés précédents | 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). |
| Date de début du service (texte) | Date de début du service telle qu’elle figure sur la facture. |
| Date de début du service (date) | Date de début du service au format de date standardisé. Exemple : 31-05-2019 |
| Confiance dans la date de début du service | Degré de fiabilité du modèle dans sa prédiction. Score compris entre 0 (confiance faible) et 1 (confiance élevée). |
| Date de fin du service (texte) | Date de fin du service telle qu’elle figure sur la facture. |
| Date de fin du service (date) | Date de fin du service au format de date standardisé. Exemple : 31-05-2019 |
| Confiance dans la date de fin du service | 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). |
| Identité fiscale du fournisseur | Numéro de contribuable associé au fournisseur. |
| Confiance de l’identité fiscale 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. |
| Clé détectée | Les paires clé-valeur sont toutes les étiquettes ou clés identifiées, et leurs réponses ou valeurs associées. Vous pouvez les utiliser pour extraire des valeurs supplémentaires qui ne font pas partie de la liste de champs prédéfinie. |
| Valeur détectée | Les paires clé-valeur sont toutes les étiquettes ou clés identifiées, et leurs réponses ou valeurs associées. Vous pouvez les utiliser pour extraire des valeurs supplémentaires qui ne font pas partie de la liste de champs prédéfinie. |
Paires clé-valeur
Les paires clé-valeur sont toutes les étiquettes ou clés identifiées, et leurs réponses ou valeurs associées. Vous pouvez les utiliser pour extraire des valeurs supplémentaires qui ne font pas partie de la liste de champs prédéfinie.
Pour visualiser toutes les paires clé-valeur détectées par le modèle de traitement de factures, vous pouvez ajouter une action Créer un tableau HTML dans votre flux comme indiqué dans la capture d’écran, puis exécuter le flux.
Pour extraire une clé spécifique dont vous connaissez la valeur, vous pouvez utiliser l’action Filtrer un tableau comme indiqué sur la capture d’écran ci-dessous. Dans l’exemple de la capture d’écran, nous voulons extraire la valeur de la clé Tél. :
Limites
La limite qui suit s’applique aux appels effectués par environnement sur les modèles de traitement de documents, y compris les modèles prédéfinis : traitement des reçus et traitement de 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 peut également arriver que certains champs standard ne soient pas correctement extraits pour un type particulier de facture avec lequel vous travaillez. Deux solutions permettent de corriger ce problème :
Utiliser le modèle personnalisé de traitement des factures : augmentez les comportements du modèle prédéfini de traitement des factures en ajoutant de nouveaux champs à extraire en plus de ceux par défaut, ou des exemples de documents qui n’ont pas été extraits correctement. Pour savoir comment augmenter le modèle prédéfini de traitement des factures, consultez Sélectionner le type de document.
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 de document : 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 document 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 document 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 document personnalisé pour extraire des champs supplémentaires qui ne sont pas renvoyés par le modèle prédéfini de traitement des factures
Dans cet exemple, nous avons entraîné un modèle de traitement de document 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 de Adatum ou de Contoso. Si tel est le cas, nous appelons ensuite un modèle de traitement de document personnalisé que nous avons formé pour obtenir ce numéro de fidélité. Enfin, nous enregistrons les données extraites de la facture dans un fichier Excel.
Utilisez un modèle de traitement de document 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 document 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 document personnalisé que nous avons formé avec des factures où nous obtenons généralement un faible score de confiance pour le champ total. Enfin, nous enregistrons les données extraites de la facture dans un fichier Excel.
Utilisez le modèle prédéfini de traitement des factures pour gérer les factures qu’un modèle de traitement de document 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 document personnalisé. Par exemple, disons que vous avez créé un modèle de traitement de document 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 document personnalisé pour extraire ses données. Next, we check if the confidence score for the detected collection is less than 0.65. Si c’est le cas, cela signifie probablement que la facture fournie ne correspond pas au modèle personnalisé. Nous appelons ensuite le modèle de traitement des factures prédéfini. Enfin, nous enregistrons les données extraites de la facture dans un fichier Excel.
