การแยกวิเคราะห์ใบแจ้งหนี้ – การดึงข้อมูลใบแจ้งหนี้สำหรับ PDF และเอกสารที่สแกน

หากคุณเคยต้องดำเนินการกับใบแจ้งหนี้ด้วยตนเอง คุณจะรู้ว่ากระบวนการนี้ใช้เวลานานและน่าเบื่อหน่ายเพียงใด ไม่ต้องพูดถึง มีแนวโน้มที่จะเกิดข้อผิดพลาดเนื่องจากง่ายที่จะพลาดบางสิ่งบางอย่างเมื่อคุณทำทุกอย่างด้วยมือ

นั่นคือที่มาของตัวแยกวิเคราะห์ใบแจ้งหนี้ เครื่องมือเหล่านี้ทำให้กระบวนการดึงข้อมูลจากใบแจ้งหนี้เป็นไปโดยอัตโนมัติ ทำให้รับข้อมูลที่คุณต้องการได้อย่างรวดเร็วและง่ายดาย วิธีนี้จะช่วยประหยัดเวลาและความยุ่งยากให้กับคุณ และช่วยให้มั่นใจว่าใบแจ้งหนี้ของคุณจะได้รับการดำเนินการอย่างถูกต้อง

บทความนี้สำรวจกระบวนการแยกข้อมูลใบแจ้งหนี้โดยใช้ตัวแยกวิเคราะห์ใบแจ้งหนี้ พร้อมอภิปรายถึงวิธีการที่ดีที่สุดบางส่วน รวมถึงการดึงตาราง, OCR ขั้นสูง และการเรียนรู้เชิงลึก

นอกจากนี้ เราจะตรวจสอบประโยชน์ของการดึงข้อมูลใบแจ้งหนี้อัตโนมัติผ่านการประมวลผลด้วยตนเอง มาดำดิ่งกันเลย

Parser ใบแจ้งหนี้คืออะไร?

โปรแกรมแยกวิเคราะห์ใบแจ้งหนี้เป็นซอฟต์แวร์ประเภทหนึ่งที่ออกแบบมาเพื่ออ่านและตีความเอกสารใบแจ้งหนี้ ซึ่งอาจรวมถึง PDF, รูปภาพ และไฟล์ประเภทอื่นๆ

วัตถุประสงค์ของตัวแยกวิเคราะห์ใบแจ้งหนี้คือการดึงข้อมูลสำคัญจากใบแจ้งหนี้ เช่น รหัสใบแจ้งหนี้ จำนวนเงินทั้งหมดที่ต้องชำระ วันที่ในใบแจ้งหนี้ ชื่อลูกค้า และอื่นๆ ตัวแยกวิเคราะห์ใบแจ้งหนี้สามารถช่วยรับรองความถูกต้องโดยหลีกเลี่ยงข้อผิดพลาดที่อาจเกิดขึ้นจากการดึงข้อมูลด้วยตนเอง

ข้อมูลนี้สามารถนำไปใช้เพื่อวัตถุประสงค์ต่างๆ เช่น AP อัตโนมัติAP, ขั้นตอนการปิดบัญชีสิ้นเดือนและการจัดการใบแจ้งหนี้

โปรแกรมแยกวิเคราะห์ใบแจ้งหนี้สามารถเป็นโปรแกรมแบบสแตนด์อโลนหรือรวมเข้ากับระบบซอฟต์แวร์ธุรกิจขนาดใหญ่ได้ เครื่องมือเหล่านี้ช่วยให้ทีมสร้างรายงานหรือส่งออกข้อมูลไปยังแอปพลิเคชันอื่นได้ง่ายขึ้น เช่น Excel และมักใช้ร่วมกับแอปพลิเคชันการจัดการธุรกิจอื่นๆ

มีโซลูชันซอฟต์แวร์แยกวิเคราะห์ใบแจ้งหนี้มากมายในตลาด ดังนั้นการเลือกโซลูชันที่ตรงกับความต้องการเฉพาะของคุณจึงเป็นสิ่งสำคัญ

Parser ใบแจ้งหนี้ทำงานอย่างไร

เพื่อให้เข้าใจว่าโปรแกรมแยกวิเคราะห์ใบแจ้งหนี้ทำงานอย่างไร จำเป็นต้องมีความรู้เกี่ยวกับโปรแกรมแยกวิเคราะห์

Parsers ใช้ในการตีความและประมวลผลเอกสารที่เขียนด้วยภาษามาร์กอัปเฉพาะ พวกเขาแบ่งเอกสารออกเป็นชิ้นเล็ก ๆ เรียกว่าโทเค็น จากนั้นวิเคราะห์แต่ละโทเค็นเพื่อกำหนดความหมายและวิธีการที่เข้ากับโครงสร้างโดยรวมของเอกสาร

ในการทำเช่นนี้ parsers ต้องมีความเข้าใจอย่างถ่องแท้เกี่ยวกับไวยากรณ์ของภาษามาร์กอัปที่ใช้ ซึ่งช่วยให้พวกเขาระบุโทเค็นแต่ละรายการและเข้าใจความสัมพันธ์ระหว่างโทเค็นได้อย่างถูกต้อง กระบวนการนี้สามารถดำเนินการด้วยตนเองหรือโดยอัตโนมัติทั้งนี้ขึ้นอยู่กับโปรแกรมแยกวิเคราะห์ ตัวแยกวิเคราะห์แบบแมนนวลต้องการให้ใครสักคนผ่านเอกสารและระบุโทเค็นแต่ละรายการ ในขณะที่ตัวแยกวิเคราะห์อัตโนมัติใช้อัลกอริทึมในการตรวจหาและประมวลผลโทเค็นโดยอัตโนมัติ ไม่ว่าจะด้วยวิธีใด โปรแกรมแยกวิเคราะห์ก็มีบทบาทสำคัญในการทำความเข้าใจเอกสารที่เขียนด้วยภาษามาร์กอัป

ในการแยกข้อมูล การแยกวิเคราะห์ใบแจ้งหนี้สามารถวิเคราะห์เอกสารใบแจ้งหนี้และดึงข้อมูลที่เกี่ยวข้องได้

ตัวอย่างเช่น พิจารณากรณีที่คุณได้รับใบแจ้งหนี้จำนวนมากและต้องการเก็บข้อมูลจากใบแจ้งหนี้เหล่านี้ในรูปแบบที่มีโครงสร้าง การแยกวิเคราะห์ใบแจ้งหนี้ทำให้คุณสามารถโหลดไฟล์ทั้งหมดและเรียกใช้การรู้จำอักขระด้วยแสง (OCR) เพื่อให้สามารถอ่านข้อมูลและแยกคู่คีย์-ค่าทั้งหมดภายในไม่กี่นาที ขั้นต่อไป คุณสามารถใช้อัลกอริธึมหลังการประมวลผลเพื่อจัดเก็บไว้ในรูปแบบที่อ่านง่ายขึ้น เช่น JSON หรือ CSV นอกจากนี้คุณยังสามารถ สร้างกระบวนการและเวิร์กโฟลว์ โดยใช้การแยกวิเคราะห์ใบแจ้งหนี้เพื่อแยกใบแจ้งหนี้ออกจากบันทึกของธุรกิจของคุณโดยอัตโนมัติ

การแยกวิเคราะห์ใบแจ้งหนี้ด้วย Python

Python เป็นภาษาการเขียนโปรแกรมสำหรับงานดึงข้อมูลต่างๆ รวมถึงการแยกวิเคราะห์ใบแจ้งหนี้ ส่วนนี้จะสอนวิธีใช้ไลบรารี Python เพื่อดึงข้อมูลจากใบแจ้งหนี้

การสร้างตัวแยกวิเคราะห์ใบแจ้งหนี้ที่ล้ำสมัยทั่วไปที่สามารถรันบนข้อมูลทุกประเภทนั้นเป็นเรื่องยาก เนื่องจากมีงานต่างๆ เช่น การอ่านข้อความ ภาษาที่ใช้จัดการ ฟอนต์ การจัดตำแหน่งเอกสาร และการแยกคู่คีย์-ค่า อย่างไรก็ตาม ด้วยความช่วยเหลือจากโครงการโอเพนซอร์ซและความเฉลียวฉลาด อย่างน้อย เราก็สามารถแก้ปัญหาเหล่านี้และเริ่มต้นได้

ตัวอย่างเช่น เราจะใช้เครื่องมือที่เรียกว่า tabula ในใบแจ้งหนี้ตัวอย่าง — ไลบรารี python เพื่อแยกตารางสำหรับการแยกวิเคราะห์ใบแจ้งหนี้ หากต้องการเรียกใช้ข้อมูลโค้ดด้านล่าง ตรวจสอบให้แน่ใจว่าได้ติดตั้งทั้ง Python และ tabula/tabulate บนเครื่องท้องถิ่นแล้ว

ตัวอย่างใบแจ้งหนี้.pdf.

from tabula import read_pdf
from tabulate import tabulate
# PDF file to extract tables from
file = "sample-invoice.pdf"

# extract all the tables in the PDF file
#reads table from pdf file
df = read_pdf(file ,pages="all") #address of pdf file
print(tabulate(df[0]))
print(tabulate(df[1]))

เอาท์พุต

-  ------------  ----------------
0  Order Number  12345
1  Invoice Date  January 25, 2016
2  Due Date      January 31, 2016
3  Total Due     $93.50
-  ------------  ----------------

-  -  -------------------------------  ------  -----  ------
0  1  Web Design                       $85.00  0.00%  $85.00
      This is a sample description...
-  -  -------------------------------  ------  -----  ------

เราสามารถแยกตารางออกจากไฟล์ PDF ที่มีโค้ดไม่กี่บรรทัด เนื่องจากไฟล์ PDF มีการจัดรูปแบบ จัดแนว และสร้างด้วยระบบอิเล็กทรอนิกส์ (ไม่ได้ถ่ายด้วยกล้อง) ในทางตรงกันข้าม หากเอกสารถูกจับโดยกล้องแทนที่จะผลิตด้วยระบบอิเล็กทรอนิกส์ อัลกอริทึมเหล่านี้จะดึงข้อมูลได้ยากขึ้นมาก ซึ่งเป็นจุดที่การรู้จำอักขระด้วยแสงเข้ามามีบทบาท

มาใช้กันเถอะ Tesseractซึ่งเป็นเอ็นจิ้น OCR ยอดนิยมสำหรับ python เพื่อแยกวิเคราะห์ใบแจ้งหนี้

import cv2
import pytesseract
from pytesseract import Output

img = cv2.imread('sample-invoice.jpg')

d = pytesseract.image_to_data(img, output_type=Output.DICT)
print(d.keys())

สิ่งนี้ควรให้ผลลัพธ์ต่อไปนี้แก่คุณ -

dict_keys(['level', 'page_num', 'block_num', 'par_num', 'line_num', 'word_num', 'left', 'top', 'width', 'height', 'conf', 'text'])

เมื่อใช้พจนานุกรมนี้ เราสามารถตรวจจับแต่ละคำได้ ข้อมูลกรอบล้อมรอบ ข้อความในคำ และคะแนนความมั่นใจ

คุณสามารถลงจุดกล่องโดยใช้รหัสด้านล่าง -

n_boxes = len(d['text'])
for i in range(n_boxes):
    if float(d['conf'][i]) > 60:
        (x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i])
        img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)

คุณจะเห็นผลลัพธ์ต่อไปนี้:

นี่คือวิธีที่เราสามารถใช้และรับรู้ภูมิภาคของใบแจ้งหนี้ได้ อย่างไรก็ตาม ต้องสร้างอัลกอริธึมที่กำหนดเองสำหรับการแยกคู่คีย์-ค่า เราจะเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้ในหัวข้อต่อไปนี้

ปัญหาเกี่ยวกับตัวแยกวิเคราะห์ใบแจ้งหนี้แบบเดิม (การจับภาพตามกฎ)

ทุกวันนี้ หลายองค์กรยังคงใช้ระบบเดิมในการแยกข้อมูลใบแจ้งหนี้

ระบบ "ตามกฎ" เหล่านี้จะแยกวิเคราะห์แต่ละรายการในใบแจ้งหนี้ แล้วเปรียบเทียบกับชุดของกฎเพื่อพิจารณาว่าควรเพิ่มข้อมูลลงในฐานข้อมูลหรือไม่

วิธีนี้ใช้มาเป็นเวลานาน แต่มีข้อเสียหลายประการ มาดูปัญหาทั่วไปที่ตัวแยกวิเคราะห์ใบแจ้งหนี้แบบเดิมเผชิญกัน

• เอียงหน้าขณะสแกน: ปัญหาหนึ่งเกี่ยวกับตัวแยกวิเคราะห์ใบแจ้งหนี้ตามกฎคือ พวกเขาอาจมีปัญหากับ "การเอียงหน้า" สิ่งนี้เกิดขึ้นเมื่อฟิลด์ในใบแจ้งหนี้ไม่ได้ถูกจัดตำแหน่งเป็นเส้นตรง ทำให้ยากสำหรับ parser ในการระบุและดึงข้อมูลอย่างถูกต้อง ซึ่งมักเกิดจากเครื่องพิมพ์ที่ไม่พิมพ์อย่างสม่ำเสมอหรือโดยการป้อนข้อมูลด้วยตนเองซึ่งอาจจัดตำแหน่งไม่ถูกต้อง
• เปลี่ยนรูปแบบ: ปัญหาทั่วไปอย่างหนึ่งที่ธุรกิจต้องเผชิญคือใบแจ้งหนี้ที่ไม่ได้จัดรูปแบบในรูปแบบมาตรฐาน ซึ่งอาจทำให้เกิดปัญหาเมื่อพยายามดึงข้อมูลจากใบแจ้งหนี้ ตัวอย่างเช่น สามารถใช้แบบอักษรที่แตกต่างกัน และเค้าโครงใบแจ้งหนี้อาจเปลี่ยนจากเดือนหนึ่งเป็นอีกเดือนหนึ่ง เป็นการยากที่จะแยกวิเคราะห์ข้อมูลและพิจารณาว่าแต่ละคอลัมน์แสดงถึงอะไร ตัวอย่างเช่น สามารถเพิ่มฟิลด์ใหม่บางฟิลด์ในใบแจ้งหนี้ หรือฟิลด์ที่มีอยู่บางฟิลด์อาจถูกวางในตำแหน่งที่แตกต่างกัน หรืออาจมีโครงสร้างใหม่โดยสิ้นเชิงเนื่องจากตัวแยกวิเคราะห์ตามกฎธรรมดาจะไม่สามารถรับรู้ใบแจ้งหนี้ได้อย่างถูกต้อง
• การแยกตาราง: ตัวแยกตารางตามกฎมักจะเป็นวิธีที่ตรงไปตรงมาและง่ายที่สุดในการดึงข้อมูลจากตาราง อย่างไรก็ตาม มีข้อจำกัดเมื่อต้องจัดการกับตารางที่ไม่มีส่วนหัวหรือรวมค่า Null ในคอลัมน์เฉพาะ เนื่องจากสถานการณ์เหล่านี้จะทำให้เกิดการวนซ้ำไม่สิ้นสุดระหว่างการประมวลผล ซึ่งส่งผลให้เสียเวลาในการโหลดแถวยาวอนันต์ลงในหน่วยความจำ (หรือไม่แสดงผลอะไรเลย เลย) หากมีนิพจน์ที่ขึ้นต่อกันที่เกี่ยวข้องกับคุณลักษณะเหล่านั้นด้วย นอกจากนี้ เมื่อตารางครอบคลุมหลายหน้า ตัวแยกวิเคราะห์ตามกฎจะถือว่าตารางเหล่านั้นเป็นตารางที่แตกต่างกันแทนที่จะเป็นตารางเดียว และทำให้กระบวนการแยกข้อมูลเข้าใจผิด

สร้างตัวแยกวิเคราะห์ใบแจ้งหนี้แบบ AI ด้วย Nanonets

โปรแกรมแยกวิเคราะห์ใบแจ้งหนี้พร้อมการรู้จำอักขระด้วยแสง (OCR) และการเรียนรู้เชิงลึกสามารถดึงข้อมูลจากใบแจ้งหนี้ที่สแกนหรือแปลงเป็น PDF ข้อมูลนี้สามารถเติมซอฟต์แวร์บัญชี ติดตามค่าใช้จ่าย และสร้างรายงานได้

อัลกอริธึมการเรียนรู้เชิงลึกสามารถเรียนรู้วิธีระบุองค์ประกอบเฉพาะในใบแจ้งหนี้ เช่น ชื่อลูกค้า ที่อยู่ และข้อมูลผลิตภัณฑ์ ซึ่งช่วยให้ดึงข้อมูลได้แม่นยำยิ่งขึ้น และลดเวลาที่จำเป็นในการป้อนข้อมูลเข้าสู่ระบบด้วยตนเอง อย่างไรก็ตาม การสร้างอัลกอริธึมดังกล่าวต้องใช้เวลาและความเชี่ยวชาญเป็นอย่างมาก แต่ไม่ต้องกังวล นาโนเน็ตช่วยคุณได้!

Nanonets เป็นซอฟต์แวร์ OCR ที่ใช้ปัญญาประดิษฐ์ในการแยกตารางจากเอกสาร PDF, รูปภาพ และไฟล์ที่สแกนโดยอัตโนมัติ ต่างจากโซลูชันอื่นๆ ตรงที่ไม่ต้องใช้กฎและเทมเพลตแยกต่างหากสำหรับเอกสารใหม่แต่ละประเภท แทนที่จะอาศัยความฉลาดทางปัญญาในการจัดการเอกสารกึ่งโครงสร้างและมองไม่เห็นในขณะที่ปรับปรุงเมื่อเวลาผ่านไป คุณยังสามารถปรับแต่งผลลัพธ์เพื่อดึงเฉพาะตารางหรือรายการข้อมูลที่คุณสนใจ

มีความรวดเร็ว แม่นยำ ใช้งานง่าย ให้ผู้ใช้สร้างโมเดล OCR แบบกำหนดเองได้ตั้งแต่ต้น และมีการผสานรวม Zapier ที่เรียบร้อยบางส่วน แปลงเอกสารเป็นดิจิทัล แยกตารางหรือฟิลด์ข้อมูล และรวมเข้ากับแอปประจำวันของคุณผ่าน API ในอินเทอร์เฟซที่เรียบง่ายและใช้งานง่าย

[เนื้อหาฝัง]

เหตุใด Nanonets จึงเป็นตัวแยกวิเคราะห์ PDF ที่ดีที่สุด

• Nanonets สามารถดึงข้อมูลในหน้าในขณะที่โปรแกรมแยกวิเคราะห์ PDF ของบรรทัดคำสั่งจะดึงเฉพาะวัตถุ ส่วนหัว และข้อมูลเมตา เช่น (ชื่อ, #pages, สถานะการเข้ารหัส เป็นต้น)
• เทคโนโลยีการแยกวิเคราะห์ PDF ของ Nanonets ไม่ใช่เทมเพลต นอกเหนือจากการนำเสนอโมเดลที่ได้รับการฝึกอบรมล่วงหน้าสำหรับกรณีการใช้งานยอดนิยมแล้ว อัลกอริธึมการแยกวิเคราะห์ PDF ของ Nanonets ยังสามารถจัดการประเภทเอกสารที่มองไม่เห็นได้อีกด้วย!
• นอกเหนือจากการจัดการเอกสาร PDF ดั้งเดิมแล้ว ความสามารถ OCR ในตัวของ Nanonet ยังช่วยให้จัดการเอกสารและรูปภาพที่สแกนได้อีกด้วย!
• ฟีเจอร์การทำงานอัตโนมัติที่แข็งแกร่งพร้อมความสามารถ AI และ ML
• Nanonets จัดการกับข้อมูลที่ไม่มีโครงสร้าง ข้อจำกัดของข้อมูลทั่วไป เอกสาร PDF แบบหลายหน้า ตาราง และรายการหลายบรรทัดได้อย่างง่ายดาย
• Nanonets เป็นเครื่องมือที่ไม่ต้องเขียนโค้ดที่สามารถเรียนรู้และฝึกฝนตัวเองใหม่อย่างต่อเนื่องเกี่ยวกับข้อมูลที่กำหนดเอง เพื่อให้ผลลัพธ์ที่ไม่ต้องประมวลผลภายหลัง

การแยกวิเคราะห์ใบแจ้งหนี้อัตโนมัติด้วย Nanonets – สร้างเวิร์กโฟลว์การประมวลผลใบแจ้งหนี้แบบไม่ต้องสัมผัสโดยสมบูรณ์

ผสานรวมเครื่องมือที่มีอยู่ของคุณเข้ากับ Nanonets และทำให้การรวบรวมข้อมูล ส่งออกการจัดเก็บ และการทำบัญชีเป็นไปโดยอัตโนมัติ

Nanonets ยังช่วยในกระบวนการแยกวิเคราะห์ใบแจ้งหนี้โดยอัตโนมัติโดย:

• การนำเข้าและการรวมข้อมูลใบแจ้งหนี้จากหลายแหล่ง เช่น อีเมล เอกสารที่สแกน ไฟล์/รูปภาพดิจิทัล พื้นที่เก็บข้อมูลบนคลาวด์ ERP API เป็นต้น
• รวบรวมและดึงข้อมูลใบแจ้งหนี้อย่างชาญฉลาดจากใบแจ้งหนี้ ใบเสร็จ ใบเรียกเก็บเงิน และเอกสารทางการเงินอื่นๆ
• การจัดหมวดหมู่และการเข้ารหัสธุรกรรมตามกฎเกณฑ์ทางธุรกิจ
• การตั้งค่าเวิร์กโฟลว์การอนุมัติอัตโนมัติเพื่อรับการอนุมัติภายในและจัดการข้อยกเว้น
• กระทบยอดการทำธุรกรรมทั้งหมด
• การผสานรวมอย่างราบรื่นกับ ERP หรือซอฟต์แวร์การบัญชี เช่น Quickbooks, Sage, Xero, Netsuite และอื่นๆ