Muốn tự động hóa xử lý hóa đơn? Kiểm tra Nanonets được đào tạo trước OCR hóa đơn or xây dựng của riêng bạn customized Invoice OCR. You can also lên lịch trình demo để tìm hiểu thêm về các trường hợp sử dụng AP của chúng tôi!
Giới thiệu
Trong một thời gian dài, chúng ta đã dựa vào hóa đơn giấy để xử lý các khoản thanh toán và duy trì tài khoản. Đối chiếu hóa đơn thường liên quan đến việc một người nào đó dành hàng giờ đồng hồ để duyệt qua một số hóa đơn và ghi mọi thứ vào sổ cái theo cách thủ công.
Nhưng liệu quá trình này có thể được thực hiện tốt hơn, hiệu quả hơn, ít hao phí giấy, sức người và thời gian hơn không?
Trong số một số hạn chế của việc thực hiện các quy trình này theo cách thủ công là chi phí cao hơn, yêu cầu nhân lực lớn hơn, lượng thời gian tiêu thụ cao hơn cho các công việc lặp đi lặp lại và lượng khí thải carbon lớn hơn.
Quy trình số hóa hóa đơn có thể được chia thành 4 bước:
- Chuyển đổi tài liệu vật lý sang một biến thể kỹ thuật số - điều này có thể được thực hiện thông qua
- quét hóa đơn
- nhấp vào một hình ảnh thông qua một máy ảnh
- Trích xuất thông tin - điều này có thể được thực hiện bằng
- Con người - được thực hiện theo cách thủ công bởi những người đánh giá, những người sẽ phân tích hóa đơn để tìm lỗi, đọc văn bản trong đó và nhập nó vào một phần mềm để lưu trữ và truy xuất trong tương lai.
- Máy móc -
- Nhận dạng ký tự quang học - nhận dạng văn bản và số có trong tài liệu.
- Trích xuất thông tin - một khi Quy trình OCR hoàn tất, điều quan trọng là phải xác định đoạn văn bản nào tương ứng với trường được trích xuất nào. Nếu một trường là tổng, tổng phụ, ngày lập hóa đơn, nhà cung cấp, v.v.
- Kết xuất dữ liệu - khi thông tin đã được trích xuất, nó cần được lưu trữ ở định dạng có thể truy xuất như
- Một cơ sở dữ liệu
- Một trang tính excel
- Một hệ thống ERP.
This post is mostly going to focus on OCR and information extraction. Before we dive into what is wrong with the current state of OCR and information extraction in xử lý hóa đơn, let us first look at why we should care about invoice digitization in the first place.
Nanonet hỗ trợ chụp hóa đơn, quản lý hóa đơn & tự động hóa hóa đơn bằng hơn 60 ngôn ngữ. Xây dựng mô hình của riêng bạn hoặc yêu cầu một bản demo ngay hôm nay!
Tại sao phải số hóa hóa đơn?
Số hóa thông tin có một số lợi thế mà một doanh nghiệp có thể đạt được trên một số cơ sở. Các doanh nghiệp có thể theo dõi các quy trình của họ tốt hơn, có thể cung cấp dịch vụ khách hàng tốt hơn, cải thiện năng suất của nhân viên và giảm chi phí.
Dưới đây là một số lý do tại sao bạn nên xem xét việc số hóa hóa đơn cho doanh nghiệp của riêng bạn.
- Để tự động hóa các quy trình
Với học sâu và OCR, bạn có thể tự động lấy các hình ảnh hóa đơn này, trích xuất bảng và văn bản từ chúng, trích xuất giá trị của các trường khác nhau, sửa lỗi, kiểm tra xem sản phẩm có khớp với khoảng không quảng cáo có thể chấp thuận của bạn hay không và cuối cùng xử lý yêu cầu nếu mọi thứ đã kiểm tra. Đây là một bước nhảy vọt so với những gì mà ngành bảo hiểm đã làm trước đây, nhưng nó có thể chứng tỏ rất có lợi. - Để tăng hiệu quả
By digitizing invoices, several processes can be made a lot faster and smoother. Take for example a retail store chain that deals with a few regular vendors for commodities and process payments at the end of every month. This store can save a lot of time by automating the process of quản lý hóa đơn. Vendors just have to upload the bills on an app or a website and they can get instant feedback on if the images are of good resolution if the image is of the entire invoice if the image is fake or was digitally manipulated, etc saving a lot of time. - Để giảm chi phí
Việc nhượng quyền thương mại của các cửa hàng bán lẻ tương tự giúp tiết kiệm rất nhiều tiền bằng cách tự động hóa số hóa hóa đơn bằng OCR và học sâu. Một hóa đơn phải qua tay ba người soát xét để không có sai sót nào được giảm xuống một. Số lượng hóa đơn được xử lý bởi máy tính nhanh hơn nhiều lần so với những gì con người có thể làm. Thời gian bao gồm việc kiểm tra xem hóa đơn có phải là gian lận hay không, nếu nó có tất cả thông tin, nếu tất cả thông tin là chính xác, nhập tất cả dữ liệu theo cách thủ công vào bảng tính hoặc cơ sở dữ liệu, chạy tính toán và cuối cùng là xử lý thanh toán. - Để lưu trữ tốt hơn
Trong trường hợp có tranh chấp, nhà cung cấp có thể truy cập ứng dụng và xem qua tất cả các hóa đơn mà họ đã tải lên và kết quả xử lý sau của từng hóa đơn, giải thích về hàng hóa, số lượng của chúng, chi phí của mỗi hóa đơn, thuế và chiết khấu. Công ty, đã tự động hóa quá trình nhập dữ liệu này vào cơ sở dữ liệu, giờ đây cũng có thể truy xuất thông tin này bất cứ lúc nào. - Để tăng sự hài lòng của khách hàng
Xử lý hóa đơn theo cách tương tự cũng có thể giúp các công ty cải thiện dịch vụ khách hàng của họ. Giao hàng của bạn từ một nền tảng thương mại điện tử thiếu một sản phẩm? Liên hệ với họ, gửi hóa đơn cho họ và giải thích những gì còn thiếu và công ty sẽ tự động đọc biên lai, tìm những gì còn lại trong kho của họ và gửi cho bạn phản hồi cho biết sản phẩm còn thiếu của bạn hiện đang được chuyển đến! - Để giảm dấu vết sinh thái
Thực hiện một số phép tính đơn giản như đã thực hiện tại đây chúng tôi nhận thấy rằng một tổ chức quy mô trung bình xử lý 50000 hóa đơn một tháng cuối cùng phải hy sinh hơn 30 cây mỗi năm. Con số này phần lớn sẽ tăng lên do tình trạng trùng lặp hóa đơn. Khối lượng giấy tương tự này cũng sẽ cần 2.5 triệu lít nước để sản xuất. Trong thời gian như vậy, các tổ chức thực hiện các bước cần thiết để giảm dấu vết sinh thái của họ có thể giúp ích cho môi trường một cách lâu dài.
Sự phát triển của quy trình lập hóa đơn
Quá trình xem xét hóa đơn đã phát triển rất nhiều theo thời gian. Sự phát triển của công nghệ đã chứng kiến quá trình xử lý hóa đơn chuyển qua ba giai đoạn chính.
Giai đoạn 1: Đánh giá thủ công
Hãy xem xét một trường hợp sử dụng trong đó một tổ chức đang trải qua quá trình hoàn trả cho các nhà cung cấp thông thường của mình các chi phí trong tháng.
Các bước sau được thực hiện để xử lý hóa đơn:
- Mọi người được mong đợi sẽ gửi trực tiếp một số hóa đơn đến đầu mối liên hệ của tổ chức có liên quan.
- Người này sẽ lần lượt chuyển tiếp tất cả các hóa đơn cho người đánh giá, người sẽ xem xét toàn bộ mọi tài liệu. Điều này bao gồm việc viết ra hoặc nhập từng chi tiết vào phần mềm như tên của người thực hiện mua hàng, tên cửa hàng đã mua, ngày và giờ mua, các mặt hàng đã mua, chi phí, chiết khấu và thuế của chúng.
- Tổng số tiền của từng hóa đơn được tính toán, một lần nữa theo cách thủ công hoặc nếu phần mềm nhập dữ liệu được thiết kế riêng cho mục đích kế toán, sử dụng phần mềm này.
- Hóa đơn cuối cùng /biên lai được thực hiện với các số liệu cuối cùng và các khoản thanh toán được xử lý.
Giai đoạn 2: Quét hóa đơn và xem xét thủ công
Với sự ra đời của các kỹ thuật OCR, rất nhiều thời gian đã được tiết kiệm bằng cách tự động trích xuất văn bản ra khỏi hình ảnh kỹ thuật số của bất kỳ hóa đơn hoặc tài liệu nào. Đây là nơi hầu hết các tổ chức sử dụng OCR cho bất kỳ hình thức tự động hóa nào hiện đang có.
- Digital copies of invoices are obtained by quét hóa đơn or taking pictures using a camera.
- Sản phẩm văn bản được trích xuất từ các hóa đơn này bằng OCR. Điều này có thể cung cấp văn bản kỹ thuật số giúp nhập dữ liệu dễ dàng hơn một chút. Nhưng rất nhiều công việc vẫn cần được thực hiện thủ công.
- Kết quả OCR của mỗi hóa đơn phải được phân tích cú pháp thích hợp để tìm dữ liệu liên quan và loại bỏ dữ liệu không liên quan.
- Khi việc này được thực hiện xong, dữ liệu phải được nhập vào một phần mềm cung cấp cho người đánh giá một mẫu để thực hiện nhiệm vụ của họ dễ dàng hơn. Mẫu này là duy nhất cho từng trường hợp sử dụng, tổ chức và hầu hết cho từng loại hóa đơn khác nhau. Mặc dù quy trình OCR giúp xử lý hóa đơn, nhưng nó không giải quyết được nhiều phần tẻ nhạt do các kết quả không có cấu trúc của OCR.
- Dữ liệu nhập vào được đưa qua quá trình xem xét thủ công để sửa lỗi. Quá trình này mất một khoảng thời gian vì nó trải qua nhiều người đánh giá do hiệu suất kém của các công cụ OCR hiện có sẵn.
- Cuối cùng, các tính toán được thực hiện và các chi tiết thanh toán được chuyển đến bộ phận tài chính.
Làm thế nào để số hóa hóa đơn tốt hơn?
Bằng cách sử dụng OCR và học sâu, chúng tôi đã cho phép máy móc hoạt động tốt và trong một số trường hợp, thậm chí còn tốt hơn cả con người.
Số hóa hóa đơn bao gồm một số bước do con người kiểm duyệt:
- Hình ảnh kỹ thuật số của hóa đơn do người dùng chụp và tải lên.
- Hình ảnh được xác minh là phù hợp để xử lý thêm - độ phân giải tốt, tất cả dữ liệu hiển thị trong hình ảnh, ngày tháng được xác minh, v.v.
- Hình ảnh được kiểm tra để phát hiện gian lận.
- Văn bản trong những hình ảnh này được trích xuất và đặt ở định dạng phù hợp.
- Dữ liệu văn bản được nhập vào bảng, bảng tính, cơ sở dữ liệu, bảng cân đối, v.v.
Giai đoạn 3: Học sâu và OCR
Các phương pháp học sâu đã chứng kiến sự tiến bộ trong vấn đề cụ thể là đọc văn bản và trích xuất thông tin có cấu trúc và phi cấu trúc từ hình ảnh. Bằng cách kết hợp các phương pháp học sâu hiện có với công nghệ nhận dạng ký tự quang học, các công ty và cá nhân đã có thể tự động hóa quá trình số hóa tài liệu và cho phép các thủ tục nhập dữ liệu thủ công dễ dàng hơn, ghi nhật ký và lưu trữ tốt hơn, lỗi thấp hơn và thời gian phản hồi tốt hơn.
Một số công cụ có sẵn trên thị trường và cộng đồng mã nguồn mở cho các tác vụ như vậy, tất cả đều có ưu và nhược điểm của chúng. Một số trong số đó là API Google Vision, Amazon Rekognition và Dịch vụ nhận thức của Microsoft. Các công cụ nguồn mở được sử dụng phổ biến nhất là Chú ý-OCR và Tesseract.
Tất cả các công cụ này đều thiếu sót theo cùng một cách - độ chính xác kém, đòi hỏi sửa lỗi thủ công và cần các công cụ dựa trên quy tắc sau trích xuất văn bản để thực sự có thể sử dụng dữ liệu theo bất kỳ cách nào có ý nghĩa. Chúng tôi sẽ nói nhiều hơn về những vấn đề này và nhiều hơn nữa trong các phần tới.
Điều gì làm cho vấn đề trở nên thú vị?
Sản phẩm Cảnh quan OCR chủ yếu bao gồm các công cụ dựa trên quy tắc phụ thuộc nhiều vào kết quả OCR sau xử lý bằng cách đối sánh các mẫu hoặc xác định các mẫu cụ thể mà kết quả OCR buộc phải phù hợp. Cách tiếp cận này đã đạt được một số thành công nhưng yêu cầu một lớp phần mềm được xây dựng trên Động cơ OCR vốn là một tác vụ tiêu tốn tài nguyên.
Một vấn đề lớn hơn với cách tiếp cận dựa trên quy tắc này là lớp phần mềm bổ sung này phải được thiết kế lại mỗi khi bạn xử lý mẫu hóa đơn mới. Tự động hóa quy trình tạo mẫu cùng với OCR có thể tạo ra tác động lớn cho bất kỳ ai làm việc với hóa đơn.
Và đó chỉ là vấn đề mà chúng tôi đang gặp phải Ống nano giải quyết để giải quyết.
Một cách tiếp cận ít được biết đến hơn đối với vấn đề này bao gồm sử dụng máy học để tìm hiểu cấu trúc của chính tài liệu hoặc hóa đơn, cho phép chúng tôi làm việc với dữ liệu, bản địa hóa các trường chúng tôi cần trích xuất trước như thể chúng tôi đang giải quyết vấn đề Phát hiện đối tượng (và không phải OCR) và sau đó lấy văn bản ra khỏi nó. Điều này có thể được thực hiện bằng cách lập mô hình mạng nơ-ron của bạn theo cách để tìm hiểu cách xác định và trích xuất bảng, hiểu các cột và trường có trong đó, những cột và trường nào thường thấy trong hóa đơn bất kể định dạng.
Ưu điểm của cách tiếp cận như vậy là có thể tạo ra một mô hình học máy có thể được tổng quát hóa cho bất kỳ loại tài liệu hoặc hóa đơn nào và có thể được sử dụng ngay mà không cần bất kỳ tùy chỉnh nào. Thêm một vòng lặp học tập liên tục bằng cách thu thập dữ liệu mới và đào tạo lại các mô hình định kỳ có thể dẫn đến hiệu suất tuyệt vời trên nhiều loại dữ liệu.
Có một vấn đề OCR trong tâm trí? Bạn muốn số hóa hóa đơn, PDF hoặc biển số? Đi qua Ống nano và xây dựng các mô hình OCR miễn phí!
Why current deep learning tools don't suffice?
Ngay cả với tất cả các lợi ích xử lý hóa đơn tự động phải cung cấp, các ngành công nghiệp chưa chứng kiến sự áp dụng rộng rãi của OCR và công nghệ học sâu và có một số lý do cho điều đó.
Let's try to understand with an example – a health insurance company dealing with prescriptions and invoices. Automating claims processing in your insurance company by letting users upload images of invoices by taking pictures on their phones or computers or quét hóa đơn will increase the convenience for customers and will attract them more. These uploaded images usually go through several rounds of the manual review where you verify if the invoices are legitimate if the numbers add up, it the products mentioned in the biên lai có giá trị đối với yêu cầu bảo hiểm, v.v. Nhưng với tự động hóa xử lý hóa đơn, những công việc này có thể được thực hiện trong một phần nhỏ thời gian thực hiện thủ công và giảm ít nhất 50% nhân lực cần thiết.
Nhưng có những rào cản để xây dựng phương pháp tiếp cận từ đầu đến cuối hoạt động theo trường hợp sử dụng trong ngành, có thể thúc đẩy tự động hóa trong khi đảm bảo lỗi không tiêu tốn nhiều ngân sách và cũng đang thúc đẩy tỷ lệ gia nhập của khách hàng cao hơn.
Độ chính xác của công nghệ OCR
Hiện tại, các công cụ OCR tốt nhất hiện có trên thị trường không hoạt động tốt để áp dụng các API này trên quy mô lớn cho bất kỳ trường hợp sử dụng nào. Theo này bài viết , Tầm nhìn của Google, Là tốt nhất API OCR khả dụng ngay bây giờ chỉ có thể cung cấp độ chính xác 80%. Độ chính xác của các sản phẩm khác trên thị trường như Nhận thức lại Amazon và Dịch vụ Nhận thức của Microsoft thì ảm đạm. Microsoft thực hiện với độ chính xác 65% trong khi nhận dạng lại AWS chỉ thực hiện với độ chính xác 21%.
Điều này càng trở nên tồi tệ hơn bởi thực tế là các API này không cho phép đào tạo tùy chỉnh cho dữ liệu cụ thể mà công ty sẽ sử dụng nhiều nhất. Đầu tư vào phần mềm hoạt động kém hơn con người về độ chính xác, vẫn cần nhập thủ công, sửa lỗi thủ công và xem xét thủ công có vẻ như lãng phí thời gian và tiền bạc.
Chuyên môn học sâu
Các sản phẩm OCR như Google Vision gặp phải một số hạn chế khi phải xử lý văn bản ở các hướng khác nhau, ngôn ngữ khác nhau, văn bản mờ hoặc nhiễu. Chúng không cho phép bạn sử dụng dữ liệu của mình và xây dựng các mô hình tùy chỉnh, khiến việc tích hợp trực tiếp sản phẩm vào quy trình làm việc của tổ chức trở nên khó khăn. Nhiều khi, để giải quyết một vấn đề như thế này, các tổ chức phải thuê một nhóm khoa học dữ liệu hoặc máy học và xây dựng các công cụ này cho chính họ. Điều này tốn thời gian, tiền bạc và công sức.
Sau đó, các nhà khoa học dữ liệu phải điều chỉnh kiến thức và chuyên môn của họ với các mục tiêu của công ty và tìm ra chính xác những chỉ số nào cần tối ưu hóa để mang lại những kết quả đó. Điều này đòi hỏi nhà khoa học dữ liệu phải hiểu một đề xuất kinh doanh, biến nó thành một bài toán toán học, hiểu SLA của công ty, tìm dữ liệu phù hợp, xây dựng các mô hình học máy, điều chỉnh chúng để có được độ chính xác cần thiết đồng thời đảm bảo các trường hợp lỗi cũng được xử lý một cách khéo léo. .
Nhận dữ liệu phù hợp
Một phần rất quan trọng của việc xây dựng mô hình học máy phù hợp là tìm đúng dữ liệu và không có đủ dữ liệu để chúng tôi làm việc. Có các bộ dữ liệu có sẵn cho OCR cho các tác vụ như nhận dạng biển số hoặc nhận dạng chữ viết tay nhưng những bộ dữ liệu này hầu như không đủ để có được độ chính xác mà quá trình xử lý yêu cầu bảo hiểm hoặc nhiệm vụ hoàn trả của nhà cung cấp sẽ yêu cầu.
Các trường hợp sử dụng này yêu cầu chúng tôi xây dựng các mô hình của mình và đào tạo chúng về loại dữ liệu mà chúng tôi sẽ xử lý nhiều nhất đồng thời đảm bảo rằng các lỗi được giảm thiểu và tập dữ liệu được cân bằng. Xử lý, nói đơn thuốc từ bác sĩ hoặc biên lai từ các nhà cung cấp nhỏ yêu cầu các mô hình của chúng tôi hoạt động tốt trên các tài liệu văn bản viết tay cũng như kỹ thuật số.
Tài nguyên tính toán
Nhiệm vụ xây dựng một giải pháp ML nội bộ bao gồm nhiều thứ hơn là chỉ thuê các kỹ sư học máy giỏi nhất để thiết kế các thuật toán với độ chính xác tốt nhất. Các yêu cầu tính toán để xây dựng mô hình trên dữ liệu hình ảnh rất cao và thường bao gồm GPU tại chỗ hoặc trên đám mây. Chạy phiên bản GPU K-80 trên Google Cloud Platform có giá khoảng 230 đô la một tháng. Những chi phí này tăng đột biến khi bạn phải đào tạo các mô hình hoặc đào tạo lại các mô hình cũ với dữ liệu mới.
Nếu xây dựng giải pháp nội bộ là cách tiếp cận bạn chọn, thì chi phí xây dựng phải được bù đắp bằng số lượng khách hàng đăng ký tăng lên, tỷ lệ xử lý hóa đơn tăng và giảm số lượng người xem xét thủ công cần thiết.
Các giải pháp phù hợp với nhu cầu kinh doanh của bạn
Ví dụ, việc xây dựng một hệ thống hoàn trả của nhà cung cấp đòi hỏi chúng ta phải thực hiện một số bước. Tìm kiếm quy trình làm việc cho nhu cầu tổ chức của bạn không giống như việc xây dựng một mô hình học máy sẽ cung cấp cho bạn độ chính xác tốt.
Những gì bạn cần là các mô hình có thể:
- Cung cấp độ chính xác ít nhất ở cấp độ con người
- Có thể xử lý tất cả các loại dữ liệu
- Điều chỉnh xử lý lỗi
- Tăng sự thuận tiện cho sự giám sát của con người
- Cung cấp sự minh bạch trong các bước xử lý dữ liệu
- Kiểm tra gian lận
- Cho phép các kết quả OCR sau xử lý để đưa chúng vào một cấu trúc
- Cho phép đảm bảo rằng tất cả các trường bắt buộc đều ở đó và các giá trị là chính xác
- Cho phép dễ dàng lưu trữ và lập cơ sở dữ liệu của dữ liệu này
- Cho phép tự động hóa các thủ tục thông báo tùy thuộc vào kết quả
Như bạn có thể đoán, đây là một thủ tục dài và khó, thường không có các giải pháp dễ hiểu.
Nanonet hỗ trợ chụp hóa đơn & tự động hóa hóa đơn bằng hơn 60 ngôn ngữ. Xây dựng mô hình của riêng bạn hoặc yêu cầu một bản demo ngay hôm nay!
Nhập Nanonet
Với Ống nano bạn không phải lo lắng về việc tìm kiếm tài năng học máy, xây dựng mô hình, hiểu cơ sở hạ tầng hoặc triển khai đám mây. Tất cả bạn cần là một vấn đề kinh doanh mà bạn cần giải pháp cho.
Dễ dàng sử dụng GUI dựa trên web
Nanonets cung cấp một GUI dựa trên web dễ sử dụng để giao tiếp với API của họ và cho phép bạn tạo mô hình, huấn luyện chúng trên dữ liệu của bạn, nhận các số liệu quan trọng như độ chính xác và độ chính xác và chạy suy luận trên hình ảnh của bạn mà không cần viết bất kỳ mã nào.
Các mô hình lưu trữ trên đám mây
Bên cạnh việc cung cấp một số mô hình có thể được sử dụng trực tiếp ngoài hộp để nhận giải pháp, người dùng có thể xây dựng các mô hình của họ được lưu trữ trên đám mây và có thể được truy cập bằng yêu cầu API cho mục đích suy luận. Không cần phải lo lắng về việc lấy một ví dụ GCP hoặc GPU để đào tạo.
Các thuật toán tiên tiến
Các mô hình được xây dựng sử dụng các thuật toán hiện đại để mang lại cho bạn kết quả tốt nhất. Các mô hình này không ngừng phát triển để trở nên tốt hơn với ngày càng nhiều dữ liệu tốt hơn và công nghệ tốt hơn, thiết kế kiến trúc tốt hơn và cài đặt siêu tham số mạnh mẽ hơn.
Field extraction
Thách thức lớn nhất trong việc xây dựng một sản phẩm số hóa hóa đơn là đưa ra cấu trúc cho văn bản trích xuất. Điều này được thực hiện dễ dàng hơn bởi API OCR của chúng tôi tự động trích xuất tất cả các trường cần thiết với các giá trị và đặt chúng vào một bảng hoặc định dạng JSON để bạn dễ dàng truy cập và xây dựng.
Tự động hóa điều khiển
Chúng tôi tại Nanonets tin rằng việc tự động hóa các quy trình như số hóa hóa đơn có thể tạo ra tác động lớn đến tổ chức của bạn về lợi ích tiền tệ, sự hài lòng của khách hàng và sự hài lòng của nhân viên. Nanonet cố gắng làm cho việc học máy trở nên phổ biến và vì vậy, mục tiêu của chúng tôi vẫn là làm cho mọi vấn đề kinh doanh mà bạn đã giải quyết theo cách yêu cầu sự giám sát tối thiểu của con người và ngân sách trong tương lai.
OCR với Nanonets
Sản phẩm Nền tảng nanonets cho phép bạn xây dựng các mô hình OCR một cách dễ dàng. Bạn có thể tải lên dữ liệu của mình, chú thích dữ liệu, đặt mô hình để đào tạo và chờ nhận dự đoán thông qua giao diện người dùng dựa trên trình duyệt mà không cần viết một dòng mã, lo lắng về GPU hoặc tìm kiến trúc phù hợp cho mô hình học sâu của bạn.
Cập nhật: Các mô hình của chúng tôi thậm chí còn chính xác hơn. Chúng tôi đã thêm các trường mới như số PO, ID email và trích xuất bảng để cải thiện hơn nữa tự động hóa hóa đơn Luồng công việc.
Bắt đầu số hóa hóa đơn với Nanonet - Số hóa 1 lần nhấp:
Thiết lập Demo
Thiết lập bản trình diễn để tìm hiểu về cách Nanonet có thể giúp bạn giải quyết vấn đề này
Đọc thêm
- Automated invoice handling with machine learning and OCR
- Template Matching-Based Method for Intelligent Invoice Information Identification
- Các bước nhanh chóng để số hóa hóa đơn và biên nhận của bạn
Cập nhật:
Đã thêm nhiều tài liệu đọc hơn về các cách tiếp cận khác nhau trong việc tự động hóa quá trình xử lý hóa đơn bằng OCR và Deep Learning.
- &
- 11
- Giới thiệu
- truy cập
- Theo
- Kế toán
- chính xác
- Nhận con nuôi
- Lợi thế
- lợi thế
- thuật toán
- Tất cả
- Cho phép
- đàn bà gan dạ
- số lượng
- phân tích
- bất kỳ ai
- api
- API
- ứng dụng
- phương pháp tiếp cận
- thích hợp
- kiến trúc
- xung quanh
- tự động hóa
- Tự động
- tự động hóa
- Tự động hóa
- có sẵn
- AWS
- lý lịch
- trở nên
- Lợi ích
- BEST
- Hóa đơn
- biên giới
- Hộp
- trình duyệt
- ngân sách
- xây dựng
- Xây dựng
- kinh doanh
- các doanh nghiệp
- Có thể có được
- carbon
- mà
- trường hợp
- chuỗi
- thách thức
- kiểm tra
- Séc
- Chọn
- tuyên bố
- đám mây
- cơ sở hạ tầng đám mây
- Nền tảng đám mây
- mã
- nhận thức
- Thu
- đến
- HÀNG HÓA
- cộng đồng
- Các công ty
- công ty
- bù
- máy tính
- Nhược điểm
- ăn
- liên lạc
- thuận tiện
- Sửa chữa
- Chi phí
- có thể
- tạo
- Current
- Tình trạng hiện tại
- Hiện nay
- khách hàng
- khách hàng
- Sự hài lòng của khách hàng
- Dịch Vụ CSKH
- khách hàng
- dữ liệu
- xử lý dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- Cơ sở dữ liệu
- cơ sở dữ liệu
- Ngày
- nhiều
- xử lý
- Ưu đãi
- giao hàng
- Tùy
- triển khai
- Thiết kế
- thiết kế
- chi tiết
- Phát hiện
- khác nhau
- khó khăn
- kỹ thuật số
- kỹ thuật số
- số hóa
- số hóa
- trực tiếp
- trực tiếp
- Các bác sĩ
- tài liệu
- xuống
- lái xe
- lái xe
- thương mại điện tử
- dễ dàng
- hiệu quả
- nhân viên
- kết thúc
- Kỹ sư
- đăng ký hạng mục thi
- vào
- Môi trường
- tất cả mọi thứ
- phát triển
- ví dụ
- Excel
- hiện tại
- dự kiến
- chi phí
- chuyên môn
- Chất chiết xuất
- Đối mặt
- giả mạo
- nhanh hơn
- thông tin phản hồi
- Lĩnh vực
- Hình
- Cuối cùng
- tài chính
- tìm kiếm
- Tên
- Nhìn đầu tiên
- phù hợp với
- Tập trung
- tiếp theo
- Dấu chân
- hình thức
- định dạng
- Forward
- tìm thấy
- gian lận
- xa hơn
- tương lai
- nhận được
- mục tiêu
- Các mục tiêu
- đi
- tốt
- GPU
- tuyệt vời
- lớn hơn
- lớn nhất
- Tăng trưởng
- Xử lý
- có
- cái đầu
- cho sức khoẻ
- bảo hiểm y tế
- giúp đỡ
- giúp đỡ
- giúp
- Cao
- cao hơn
- Thuê
- Thuê
- Độ đáng tin của
- Hướng dẫn
- HTTPS
- Nhân loại
- Con người
- xác định
- hình ảnh
- Va chạm
- quan trọng
- nâng cao
- bao gồm
- bao gồm
- Tăng lên
- tăng
- các ngành công nghiệp
- ngành công nghiệp
- thông tin
- Cơ sở hạ tầng
- ngay lập tức
- bảo hiểm
- hội nhập
- Thông minh
- hàng tồn kho
- đầu tư
- IT
- chính nó
- kiến thức
- nhân công
- Ngôn ngữ
- lớn
- dẫn
- LEARN
- học tập
- Ledger
- ít được biết đến
- Dòng
- ít
- dài
- máy
- học máy
- Máy móc
- thực hiện
- duy trì
- chính
- LÀM CHO
- Làm
- cách thức
- nhãn hiệu
- thủ công
- thị trường
- lớn
- Trận đấu
- phù hợp
- vật liệu
- toán học
- đề cập
- Metrics
- microsoft
- triệu
- tâm
- ML
- kiểu mẫu
- mô hình
- Tiền tệ
- tiền
- tháng
- chi tiết
- hầu hết
- di chuyển
- nhiều
- cần thiết
- mạng
- thông báo
- con số
- số
- thu được
- cung cấp
- Cung cấp
- Tiếp nhận nhận việc
- Tối ưu hóa
- Tổ chức
- cơ quan
- tổ chức
- tổ chức
- Nền tảng khác
- riêng
- Giấy
- thanh toán
- thanh toán
- hiệu suất
- người
- điện thoại
- vật lý
- mảnh
- nền tảng
- Điểm
- người nghèo
- có thể
- Dự đoán
- trình bày
- Vấn đề
- vấn đề
- quá trình
- Quy trình
- xử lý
- Sản phẩm
- năng suất
- Sản phẩm
- đề xuất
- Ưu điểm
- cho
- cung cấp
- cung cấp
- mua
- đã mua
- mục đích
- Giá
- đạt
- Reading
- nhận ra
- lý do
- giảm
- đều đặn
- có liên quan
- yêu cầu
- yêu cầu
- cần phải
- Yêu cầu
- phản ứng
- Kết quả
- bán lẻ
- xem xét
- rào chắn
- vòng
- chạy
- chạy
- Nói
- sự hài lòng
- tiết kiệm
- Quy mô
- quét
- Khoa học
- Nhà khoa học
- các nhà khoa học
- dịch vụ
- DỊCH VỤ
- định
- ngắn
- tương tự
- Đơn giản
- nhỏ
- So
- Phần mềm
- giải pháp
- Giải pháp
- động SOLVE
- một số
- Một người nào đó
- đặc biệt
- Chi
- Tiểu bang
- nhà nước-of-the-art
- là gắn
- hàng
- cấu trúc
- thành công
- Hỗ trợ
- hệ thống
- dùng
- Năng lực
- Thảo luận
- nhiệm vụ
- Thuế
- nhóm
- kỹ thuật
- Công nghệ
- Công nghệ
- Thông qua
- thời gian
- công cụ
- hàng đầu
- theo dõi
- theo truyền thống
- Hội thảo
- Minh bạch
- thường
- ui
- hiểu
- độc đáo
- us
- sử dụng
- Người sử dụng
- thường
- nhiều
- nhà cung cấp
- xác minh
- có thể nhìn thấy
- tầm nhìn
- khối lượng
- chờ đợi
- Nước
- Dựa trên web
- Website
- Điều gì
- Là gì
- trong khi
- CHÚNG TÔI LÀ
- phổ biến rộng rãi
- không có
- Công việc
- đang làm việc
- sẽ
- viết
- năm
