したい 請求書処理を自動化する? Nanonets の事前トレーニングを確認してください 請求書OCR or あなた自身のものをつくる カスタマイズされた請求書OCR。 あなたもすることができます デモを予約する APのユースケースの詳細をご覧ください。
概要
長い間、私たちは支払いを処理し、アカウントを維持するために紙の請求書に依存してきました。 請求書の照合には、通常、誰かが手動で何時間もかけて複数の請求書を閲覧し、元帳に書き留める必要があります。
しかし、このプロセスは、紙、人的労力、および時間の浪費を減らして、より良く、より効率的に行うことができますか?
これらの手順を手動で実行することのいくつかの欠点の中には、コストの増加、必要な人員の増加、反復タスクにかかる時間の増加、および二酸化炭素排出量の増加があります。
請求書のデジタル化のプロセスは、4つのステップに分けることができます。
- 物理的なドキュメントをデジタルバリアントに変換する–これは
- 請求書スキャン
- カメラを通して画像をクリックする
- 情報抽出–これは次の方法で実行できます。
- 人間–請求書のエラーを分析し、その中のテキストを読み、保存して将来取得するためにソフトウェアに入力するレビュー担当者が手動で行います。
- 機械–
- 光学式文字認識–ドキュメントに存在するテキストと数字を認識します。
- 情報抽出– OCRのプロセスが完了したら、どのテキストがどの抽出フィールドに対応するかを特定することが重要です。 フィールドが合計、小計、請求書の日付、ベンダーなどの場合。
- データダンプ–情報が抽出されたら、次のような取得可能な形式で保存する必要があります。
- データベース
- エクセルシート
- ERPシステム。
この投稿では主に OCR と情報抽出に焦点を当てます。 OCR と情報抽出の現状の問題点について説明する前に、 請求書の処理, まず、そもそも請求書のデジタル化に注意を払う必要がある理由を見てみましょう。
Nanonetsはサポートします 請求書の取得, 請求書管理 & 請求書の自動化 60以上の言語で。 独自のモデルを作成するか、今すぐデモをリクエストしてください。
なぜ請求書をデジタル化するのですか?
情報のデジタル化には、企業がいくつかの理由で得ることができるいくつかの利点があります。 企業はプロセスをより適切に追跡し、より優れた顧客サービスを提供し、従業員の生産性を向上させ、コストを削減することができます。
自分のビジネスの請求書をデジタル化することを検討する必要がある理由は次のとおりです。
- プロセスを自動化するには
ディープラーニングとOCRを使用すると、これらの請求書画像を自動的に取得し、そこから表とテキストを抽出し、さまざまなフィールドの値を抽出し、エラーを修正し、製品が承認可能な在庫と一致するかどうかを確認し、すべてがチェックアウトされた場合に請求を処理できます。 これは、保険業界がこれまで行ってきたことからの大きな飛躍ですが、それでも非常に有益であることが証明できます。 - 効率を上げるには
請求書をデジタル化することにより、いくつかのプロセスをはるかに高速かつスムーズにすることができます。 たとえば、商品の数社の正規ベンダーと取引し、月末に支払いを処理する小売店チェーンを考えてみましょう。 このストアは、のプロセスを自動化することで多くの時間を節約できます 請求書管理。 ベンダーは、アプリまたはWebサイトに請求書をアップロードするだけで、画像が請求書全体のものである場合、画像が偽物であるかデジタル操作されている場合など、画像の解像度が高いかどうかについて即座にフィードバックを得ることができます。時間。 - コストを削減するには
同じ小売店のフランチャイズでは、OCR とディープラーニングを使用して請求書のデジタル化を自動化することで、大幅なコストを節約しています。エラーがないように 3 人のレビュー担当者の手を通過する必要がある請求書は 1 人に減ります。コンピューターによって処理される請求書の数は、人間が処理する速度よりも数倍高速です。この時間には、請求書が詐欺であるかどうか、すべての情報が含まれているかどうか、すべての情報が正しいかどうかを確認すること、すべてのデータをスプレッドシートまたはデータベースに手動で入力すること、計算を実行すること、そして最終的に支払いを処理することが含まれます。 - より良いストレージのために
紛争が発生した場合、ベンダーはアプリにアクセスして、アップロードしたすべての請求書と各請求書の後処理結果を確認し、商品、数量、それぞれの費用、税金、割引について説明します。 このデータをデータベースに入力するプロセスを自動化した同社は、いつでもこの情報を取得できるようになりました。 - 顧客満足度を高めるために
同様の方法で請求書を処理することは、企業の顧客サービスの向上にも役立ちます。 eコマースプラットフォームからの配送に商品がありませんか?彼らに連絡して請求書を送り、不足しているものを説明すると、会社が自動的に請求書を読み上げます。 領収書、彼らの倉庫を去ったものを見つけて、あなたの行方不明の製品が今進行中であるという応答をあなたに送ってください! - エコロジカルフットプリントを削減するには
行われたようないくつかの簡単な計算を行う こちら 月に50000の請求書を処理する中規模の組織は、最終的に30年に2.5本以上の木を犠牲にすることになります。 この数は、ほとんどの場合、請求書が重複しているために増加します。 これと同じ量の紙を製造するには、XNUMX万リットルの水も必要になります。 このような状況では、エコロジカルフットプリントを削減するために組織が必要とする措置を講じることは、環境を支援する上で大いに役立つ可能性があります。
請求プロセスの進化
請求書を確認するプロセスは、時間の経過とともに大きく進化しました。 テクノロジーの成長により、請求書処理のプロセスはXNUMXつの主要なフェーズを経ています。
フェーズ1:手動レビュー
組織が通常のベンダーに月の経費を払い戻すプロセスを行っているユースケースを考えてみましょう。
請求書を処理するには、次の手順に従います–
- ユーザーは、関係する組織の連絡先に直接複数の請求書を提出することが求められます。
- この担当者は、すべての請求書をレビュー担当者に転送し、レビュー担当者はすべてのドキュメントを完全にレビューします。 これには、購入者の名前、購入元の店舗名、購入日時、購入したアイテム、その費用、割引、税金などの各詳細をソフトウェアに書き留めたり入力したりすることが含まれます。
- 再度手動で、またはデータ入力ソフトウェアが会計目的のために特別に設計されている場合は、当該ソフトウェアを使用して計算された各請求書の合計。
- 最終請求書/領収書 最終的な数値で作成され、支払いが処理されます。
フェーズ2:請求書スキャンと手動レビュー
OCR技術の出現により、自動的に多くの時間が節約されました デジタル画像からテキストを抽出する 請求書またはドキュメントの。 これは、現在、あらゆる形式の自動化にOCRを使用しているほとんどの組織が存在する場所です。
- 請求書のデジタルコピーは、 請求書のスキャン またはカメラを使用して写真を撮る。
- テキストが抽出されます OCRを使用してこれらの請求書から。 これにより、データ入力を少し簡単にするデジタルテキストを提供できます。 しかし、それでも多くの作業を手動で行う必要があります。
- 各請求書のOCR結果を適切に解析して、関連するデータを見つけ、関連しないデータを破棄する必要があります。
- これが完了したら、レビュー担当者の作業を容易にするテンプレートを提供するソフトウェアにデータを入力する必要があります。このテンプレートは、各ユースケース、組織に固有であり、ほとんどの場合、さまざまな種類の請求書に固有です。 OCR プロセスは請求書の処理には役立ちますが、OCR の結果は構造化されていないため、多くの面倒な部分は解決されません。
- 入力されたデータは、エラーを修正するために手動で確認されます。 このプロセスは、現在利用可能なOCRツールのパフォーマンスが低いため、複数のレビュー担当者を経由するため、時間がかかります。
- 最後に、計算が行われ、支払いの詳細が財務部門に転送されます。
請求書をより適切にデジタル化する方法は?
OCRとディープラーニングを使用することで、マシンのパフォーマンスも向上し、場合によっては人間よりも優れたパフォーマンスを発揮できるようになりました。
請求書のデジタル化には、人間が管理するいくつかの手順が含まれます。
- ユーザーが撮影してアップロードした請求書のデジタル画像。
- さらなる処理に適していることが確認された画像–良好な解像度、画像に表示されるすべてのデータ、確認された日付など。
- 画像は詐欺をチェックしました。
- これらの画像のテキストは、適切な形式で抽出および配置されています。
- 表、スプレッドシート、データベース、貸借対照表などに入力されたテキストデータ。
フェーズ3:ディープラーニングとOCR
ディープラーニングのアプローチでは、テキストを読み、画像から構造化情報と非構造化情報を抽出するという特定の問題が進展しています。 既存の深層学習手法を光学式文字認識テクノロジーと統合することにより、企業や個人は次のプロセスを自動化することができました。 ドキュメントのデジタル化 また、手動でのデータ入力手順が簡単になり、ロギングと保存が改善され、エラーが減少し、応答時間が短縮されました。
市場やオープンソースコミュニティでは、そのようなタスクのためにいくつかのツールが利用可能であり、すべて長所と短所があります。 それらのいくつかは、Google Vision API、Amazon Rekognition、Microsoft CognitiveServicesです。 最も一般的に使用されるオープンソースツールは 注意-OCR および Tesseract.
これらのツールはすべて同じように不十分です。精度が低く、手動でエラーを修正する必要があり、次のルールベースのエンジンが必要です。 テキスト抽出 実際にデータを意味のある方法で使用できるようにするため。 これらの問題については、次のセクションで詳しく説明します。
何が問題を面白くしているのですか?
OCRランドスケープ ほとんどの場合、パターンを照合するか、OCR結果を強制的に適合させる特定のテンプレートを定義することにより、OCR結果の後処理に大きく依存するルールベースのエンジンで構成されます。このアプローチはある程度の成功を収めていますが、その上にソフトウェアのレイヤーを構築する必要があります。リソースを消費するタスクであるOCRエンジン。
このルールベースのアプローチの大きな問題は、新しい請求書テンプレートを処理するたびに、この追加されたソフトウェアのレイヤーを再設計する必要があることです。 OCRとともにテンプレート作成プロセスを自動化すると、請求書を扱うすべての人に大きな影響を与える可能性があります。
そしてそれがまさに私たちが直面している問題なのです ナノネット 解決することを決心した。
この問題に対するあまり知られていないアプローチには、機械学習を使用してドキュメントまたは請求書自体の構造を学習し、データを操作し、オブジェクト検出の問題を解決するかのように最初に抽出する必要のあるフィールドをローカライズすることが含まれます(およびOCRではありません)そしてそれからテキストを取得します。 これは、テーブルを識別して抽出する方法、テーブルに存在する列とフィールド、フォーマットに関係なく請求書に一般的に見られる列とフィールドを理解する方法を学習する方法でニューラルネットワークをモデル化することによって行うことができます。
このようなアプローチの利点は、あらゆる種類のドキュメントや請求書に一般化でき、カスタマイズせずにそのまま使用できる機械学習モデルを作成できることです。 新しいデータを収集し、モデルを定期的に再トレーニングすることで継続的な学習ループを追加すると、多種多様なデータで優れたパフォーマンスを発揮できます。
OCRの問題を覚えていますか? 請求書、PDF、ナンバープレートをデジタル化したいですか? に向かう ナノネット 無料でOCRモデルを作成してください!
なぜ現在の深層学習ツールでは不十分なのでしょうか?
すべての利点があっても 自動請求書処理 業界では OCR や深層学習テクノロジーが広く採用されていませんが、それにはいくつかの理由があります。
例として、処方箋と請求書を扱う健康保険会社を見てみましょう。ユーザーが携帯電話やコンピュータで写真を撮ったり、請求書の画像をアップロードしたりできるようにすることで、保険会社での請求処理を自動化します。 請求書のスキャン 顧客の利便性を高め、より多くの顧客を引き付けるでしょう。 これらのアップロードされた画像は通常、数回の手動レビューを経て、請求書が合法であるかどうかを確認します。 領収書 保険金請求などに有効です。ただし、請求書処理の自動化により、これらのタスクは手動で実行するのにかかる時間の何分の50かで実行でき、必要な人員を少なくともXNUMX%削減できます。
しかし、業界のユースケースに従って機能し、エラーが予算の多くを消費しないようにしながら自動化を推進し、顧客のオンボーディング率を高めるようなエンドツーエンドのアプローチを構築するには、障害があります。
OCRテクノロジーの精度
現在、市場で入手可能な最高のOCRツールは、これらのAPIをあらゆるユースケースに大規模に適用するのに十分なパフォーマンスを発揮していません。 これによれば 記事, Google ビジョン、最高の OCR API 現在入手可能なものは、80%の精度しか提供できません。 のような市場の他の製品の精度 Amazonの再認識 とマイクロソフトコグニティブサービスは陰気です。 Microsoftは65%の精度で実行しましたが、AWSの認識は21%の精度でしか実行しませんでした。
これは、これらのAPIが、企業が最も使用する特定のデータのカスタムトレーニングを許可しないという事実によってさらに悪化します。 精度の点で人間よりもパフォーマンスが悪いソフトウェアに投資しても、手動入力、手動エラー修正、手動レビューが必要なため、時間とお金の無駄のように思われます。
ディープラーニングの専門知識
Google Vision のような OCR 製品は、異なる向きのテキスト、異なる言語、影のあるテキストやノイズの多いテキストを処理する必要がある場合、いくつかの欠点に直面します。データを使用してカスタム モデルを構築することはできないため、製品を組織のワークフローに直接統合することが困難になります。多くの場合、このような問題を回避するには、組織はデータ サイエンス チームまたは機械学習チームを雇用し、これらのツールを自社で構築する必要があります。これには時間もお金も労力もかかります。
これに続いて、データサイエンティストは、知識と専門知識を会社の目標に合わせ、それらの結果を提供するために最適化するメトリックを正確に把握する必要があります。 これには、データサイエンティストがビジネスの提案を理解し、それを数学の問題に変え、会社のSLAを理解し、適切なデータを見つけ、機械学習モデルを構築し、エラーケースも適切に処理されるようにしながら、必要な精度を得るためにそれらを調整する必要があります。 。
適切なデータの取得
適切な機械学習モデルを構築する上で非常に重要なのは、適切なデータを見つけることですが、作業するのに十分なデータがありません。ナンバープレート認識や手書き認識などのタスク用の OCR に利用できるデータセットはありますが、これらのデータセットでは、保険金請求の処理やベンダーの返済割り当てに必要な精度を得るにはほとんど十分ではありません。
これらのユースケースでは、モデルを構築し、最も処理するデータの種類に基づいてモデルをトレーニングすると同時に、エラーを最小限に抑え、データセットのバランスをとる必要があります。 対処する、医師からの処方箋を言うか 領収書 小規模ベンダーのモデルでは、手書きのテキストドキュメントだけでなくデジタルドキュメントでも十分に機能する必要があります。
計算リソース
社内のMLソリューションを構築するタスクには、最高の機械学習エンジニアを雇って、最高の精度でアルゴリズムを設計するだけではありません。 画像データに基づいてモデルを構築するための計算要件は高く、通常、オンプレミスまたはオンクラウドのいずれかのGPUが含まれます。 Google CloudPlatformでK-80GPUインスタンスを実行するには、月額約230ドルかかります。 モデルをトレーニングしたり、古いモデルを新しいデータで再トレーニングしたりする必要がある場合、これらのコストは急上昇します。
社内ソリューションの構築が選択したアプローチである場合、それを構築するコストは、サインアップする顧客の数の増加、請求書の処理速度の増加、および必要な手動レビュー担当者の数の減少によって補われる必要があります。
ビジネスニーズに合わせたソリューションの調整
たとえば、ベンダーの返済システムを構築するには、いくつかの手順を含める必要があります。 組織のニーズに合ったワークフローを見つけることは、優れた精度を提供する機械学習モデルを構築することと同じではありません。
必要なのは、次のことができるモデルです。
- 少なくとも人間レベルの精度を提供する
- あらゆる種類のデータを処理できます
- エラー処理に対応
- 人間による監視の利便性を高める
- データ処理ステップに透明性を提供する
- 詐欺をチェックする
- OCR結果を後処理して構造に配置できるようにする
- 必要なすべてのフィールドがあり、値が正しいことを確認してください
- このデータの簡単な保存とデータベース化を可能にする
- 結果に応じて通知手順の自動化を許可する
ご想像のとおり、これは長くて難しい手順であり、多くの場合、それほど単純な解決策はありません。
Nanonetsはサポートします 請求書の取得 & 請求書の自動化 60以上の言語で。 独自のモデルを作成するか、今すぐデモをリクエストしてください。
ナノネットに入る
ナノネット 機械学習の才能を見つけたり、モデルを構築したり、クラウドインフラストラクチャやデプロイを理解したりする必要はありません。 必要なのは、ソリューションが必要なビジネス上の問題だけです。
使いやすいWebベースのGUI
Nanonetsは、APIと通信する使いやすいWebベースのGUIを提供し、モデルを作成し、データでモデルをトレーニングし、精度や精度などの重要なメトリックを取得し、画像で推論を実行することができます。コードを記述する必要はありません。
クラウドでホストされているモデル
すぐに使用できるソリューションを取得するために直接使用できるいくつかのモデルを提供するだけでなく、ユーザーはクラウド上でホストされ、推論目的でAPIリクエストを使用してアクセスできるモデルを構築できます。 トレーニング用のGCPインスタンスやGPUの取得について心配する必要はありません。
最先端のアルゴリズム
構築されたモデルは、最先端のアルゴリズムを使用して、最良の結果を得ます。 これらのモデルは絶えず進化し、より多くのより良いデータとより良いテクノロジー、より良いアーキテクチャー設計、そしてより堅牢なハイパーパラメーター設定でより良くなります。
フィールド抽出
請求書のデジタル化製品を構築する上での最大の課題は、抽出されたテキストに構造を与えることです。 これは、必要なすべてのフィールドを値で自動的に抽出し、それらをテーブルまたはJSON形式に配置して、簡単にアクセスおよび構築できるようにするOCR APIによって簡単になります。
自動化駆動
Nanonetsは、請求書のデジタル化などのプロセスを自動化することで、金銭的利益、顧客満足度、従業員満足度の点で組織に大きな影響を与えることができると考えています。 Nanonetsは、機械学習をユビキタスにすることを目指しており、そのために私たちの目標は、将来、人間の監督と予算を最小限に抑えながら、解決したビジネス上の問題を解決することです。
Nanonetを使用したOCR
Nanonetsプラットフォーム OCRモデルを簡単に構築できます。 データをアップロードし、注釈を付け、トレーニングするようにモデルを設定し、XNUMX行のコードを記述したり、GPUを心配したり、ディープラーニングモデルに適したアーキテクチャを見つけたりせずに、ブラウザーベースのUIを介して予測を取得するまで待機できます。
アップデート: 私たちのモデルはさらに正確になりました。 PO 番号、電子メール ID、テーブル抽出などの新しいフィールドを追加して、 請求書の自動化 ワークフロー.
Nanonetsで請求書のデジタル化を開始 –1クリックデジタル化:
デモをセットアップする
デモをセットアップして、Nanonetsがこの問題の解決にどのように役立つかを学ぶ
参考文献
アップデート:
OCRとディープラーニングを使用して請求書処理を自動化するさまざまなアプローチに関する読み物を追加しました。
- &
- 11
- 私たちについて
- アクセス
- 従った
- 会計
- 正確な
- 養子縁組
- 利点
- 利点
- アルゴリズム
- すべて
- 許可
- Amazon
- 量
- 分析する
- 誰も
- API
- API
- アプリ
- アプローチ
- 適切に
- 建築
- 周りに
- 自動化する
- 自動化
- 自動化する
- オートメーション
- 利用できます
- AWS
- 背景
- になる
- 利点
- BEST
- 札
- 国境
- ボックス
- ブラウザ
- 予算
- ビルド
- 建物
- ビジネス
- ビジネス
- 取得することができます
- カーボン
- これ
- 例
- チェーン
- 挑戦する
- 点検
- 小切手
- 選択する
- クレーム
- クラウド
- クラウドインフラ
- クラウドプラットフォーム
- コード
- 認知
- 収集
- 到来
- 商品
- コミュニティ
- 企業
- 会社
- 補償された
- コンピューター
- デメリット
- 消費する
- 接触
- 利便性
- 補正
- コスト
- 可能性
- 作ります
- 電流プローブ
- 現在の状態
- 現在
- カスタム
- 顧客
- 顧客満足
- 顧客サービス
- Customers
- データ
- データ処理
- データサイエンス
- データサイエンティスト
- データベース
- データベースを追加しました
- 試合日
- 取引
- 取引
- 特価
- 配達
- によっては
- 展開
- 設計
- 設計
- 詳細
- 検出
- 異なります
- 難しい
- デジタル
- デジタル処理で
- デジタル化
- デジタイズ
- 直接
- 直接に
- 医師
- ドキュメント
- ダウン
- ドライブ
- 運転
- eコマース
- 簡単に
- 効率良く
- 社員
- 終了
- エンジニア
- 入力します
- 入力されました
- 環境
- すべてのもの
- 進化
- 例
- Excel
- 既存の
- 予想される
- 経費
- 専門知識
- 抽出物
- 顔
- 偽
- 速いです
- フィードバック
- フィールズ
- フィギュア
- 最後に
- ファイナンス
- 発見
- 名
- ファーストルック
- フィット
- フォーカス
- フォロー中
- フットプリント
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- フォワード
- 発見
- 詐欺
- さらに
- 未来
- 受け
- 目標
- 目標
- 行く
- 良い
- でログイン
- GPU
- 素晴らしい
- 大きい
- 最大
- 成長性
- ハンドリング
- 持って
- 健康
- 健康保険
- 助けます
- 助け
- ことができます
- ハイ
- より高い
- 雇う
- 雇用
- 認定条件
- How To
- HTTPS
- 人間
- 人間
- 識別する
- 画像
- 影響
- 重要
- 改善します
- include
- 含ま
- 増える
- 増加した
- 産業
- 産業を変えます
- 情報
- インフラ関連事業
- インスタント
- 保険
- 統合
- インテリジェント-
- インベントリー
- 投資
- IT
- 自体
- 知識
- 労働
- ESL, ビジネスESL <br> 中国語/フランス語、その他
- 大
- つながる
- LEARN
- 学習
- 元帳
- あまり知られていない
- LINE
- 少し
- 長い
- 機械
- 機械学習
- マシン
- 製
- 維持する
- 主要な
- 作る
- 作成
- 方法
- マニュアル
- 手動で
- 市場
- 大規模な
- 一致
- マッチング
- 材料
- 数学的
- 言及した
- メトリック
- Microsoft
- 百万
- マインド
- ML
- モデル
- 金銭的な
- お金
- 月
- 他には?
- 最も
- の試合に
- 必要
- ネットワーク
- 通知
- 数
- 番号
- 得
- 提供
- オファー
- 新人研修
- 最適化
- 組織的な
- 組織
- 組織の
- 組織
- その他
- 自分の
- 紙素材
- 支払い
- 支払い
- パフォーマンス
- 人
- 携帯電話
- 物理的な
- ピース
- プラットフォーム
- ポイント
- 貧しいです
- 可能
- 予測
- 現在
- 問題
- 問題
- プロセス
- ラボレーション
- 処理
- プロダクト
- 生産性
- 製品
- 命題
- PROS
- 提供します
- は、大阪で
- 提供
- 購入
- 購入した
- 目的
- 価格表
- リーチ
- リーディング
- 実現する
- 理由は
- 減らします
- レギュラー
- 関連した
- 要求
- 必要とする
- の提出が必要です
- 要件
- 応答
- 結果
- 小売
- レビュー
- ロードブロッキング
- ラウンド
- ラン
- ランニング
- 前記
- 満足
- 節約
- 規模
- スキャニング
- 科学
- 科学者
- 科学者たち
- サービス
- サービス
- セッションに
- ショート
- 同様の
- 簡単な拡張で
- 小さい
- So
- ソフトウェア
- 溶液
- ソリューション
- 解決する
- 一部
- 誰か
- 特に
- 支出
- 都道府県
- 最先端の
- ストレージ利用料
- 店舗
- 構造化された
- 成功
- サポート
- 取得
- 才能
- Talk
- タスク
- 税金
- チーム
- テクニック
- テクノロジー
- テクノロジー
- 介して
- 時間
- 豊富なツール群
- top
- 追跡する
- 伝統的に
- トレーニング
- 透明性
- 一般的に
- ui
- わかる
- ユニーク
- us
- つかいます
- users
- 通常
- 多様
- ベンダー
- 確認する
- 目に見える
- ビジョン
- ボリューム
- wait
- 水
- ウェブベースの
- ウェブサイト
- この試験は
- 何ですか
- while
- 誰
- 広範囲
- 無し
- 仕事
- ワーキング
- でしょう
- 書き込み
- 年