استخراج اطلاعات فاکتور با هوش مصنوعی؛ قالب CSV

استخراج اطلاعات فاکتور با هوش مصنوعی یعنی تبدیل فیلدهای قابل مشاهده سند به جدول همراه با ارجاع و وضعیت بررسی. مدل نباید مبلغ ناخوانا، واحد پول یا شماره گمشده را حدس بزند. این راهنما یک قالب CSV و نمونه تطبیق عددی ارائه می‌کند؛ هدف آماده‌سازی داده برای بازبینی است، نه تصمیم مالیاتی، حسابداری یا تأیید پرداخت.

استخراج ساختاریافته با رونویسی متن فرق دارد#

OCR متن تصویر را تشخیص می‌دهد، ولی جدول نهایی باید رابطه فیلدها را هم مشخص کند: شماره سند، تاریخ، فروشنده، قلم، تعداد و جمع. یک عدد ممکن است قیمت واحد، تخفیف یا مبلغ کل باشد. صرف دیده شدن آن در خروجی متن، معنی فیلد را ثابت نمی‌کند.

در مستندات استخراج فاکتور Microsoft، استخراج فیلد و اقلام سند معرفی شده است. پشتیبانی زبان و نوع فایل به ابزار وابسته است و باید برای همان مدل بررسی شود. این مقاله دقت ثابت یا پشتیبانی کامل فاکتور فارسی را برای هیچ سرویس وعده نمی‌دهد.

عکس یا PDF مناسب را آماده کنید#

از فایل اصلی با وضوح مناسب استفاده کنید. تصویر کج، نور بازتابی و برش بخشی از سند می‌تواند اطلاعات را از دسترس خارج کند. همه صفحه‌ها و شماره صفحه را نگه دارید. اگر یک فاکتور چند صفحه دارد، تعیین کنید جمع نهایی در کدام صفحه است و اقلام ادامه دارند یا نه.

برای طراحی قالب، فاکتور ساختگی یا ناشناس کافی است. نشانی، شماره تماس، شناسه‌های شخصی و اطلاعات حساب را فقط در صورت ضرورت و در محیط مجاز پردازش کنید. ارسال داده بیشتر، لزوماً استخراج بهتر نمی‌سازد. یک نسخه خام قابل مراجعه نگه دارید تا هر فیلد خروجی با سند اصلی تطبیق داده شود.

قرارداد خروجی قبل از پرامپت#

بهتر است مقدار خام و مقدار استاندارد جدا باشند. مثلاً ۱۲۰٬۰۰۰ در raw حفظ شود و فقط با قاعده مصوب به 120000 تبدیل شود. اگر واحد سند ریال است، تبدیل به تومان یک عملیات جداست و باید صریح ثبت شود. هر مبلغ بدون واحد، اطلاعات ناقص است.

نمونه کاملاً فرضی و تطبیق جمع#

فاکتور آموزشی دو قلم دارد: دو دفتر با قیمت واحد ۶۰ هزار تومان و یک خودکار ۲۰ هزار تومان. تخفیف کل ده هزار تومان است و هیچ مبلغ اضافی در این مثال ثبت نشده. جمع اقلام ۱۴۰ هزار تومان و مبلغ نهایی ۱۳۰ هزار تومان می‌شود. این اعداد داده واقعی یا توصیه محاسبات رسمی نیستند.

document_id,invoice_number,date_raw,currency_raw,total_raw,source_page,review_status
demo-01,00042,1405/07/10,تومان,130000,1,needs_review

جدول اقلام را در فایل جدا نگه دارید تا تکرار مبلغ کل باعث جمع اشتباه نشود:

document_id,line_id,item_raw,quantity,unit_price,line_total,source_page
demo-01,1,دفتر,2,60000,120000,1
demo-01,2,خودکار,1,20000,20000,1

از مدل بخواهید اختلاف را گزارش کند، نه اینکه برای درست شدن جمع، مقدار سند را تغییر دهد. اگر مجموع اقلام با مبلغ چاپی اختلاف دارد، علت می‌تواند تخفیف، ردیف جاافتاده یا خطای خواندن باشد. تا بررسی شاهد، اختلاف باید حل‌نشده بماند.

پرامپت آماده استخراج فاکتور#

فایل فاکتور و قرارداد فیلدها را در ادامه می‌دهم. فقط اطلاعات قابل مشاهده را استخراج کن. مقدار خام، صفحه شاهد و وضعیت اطمینان قابل بررسی را حفظ کن. رقم، تاریخ، واحد یا فروشنده گمشده را حدس نزن. فیلد ناخوانا null و وضعیت needs_review داشته باشد. اقلام را جدا از خلاصه سند خروجی بده. جمع اقلام و جمع چاپی را مقایسه کن و اختلاف را گزارش بده؛ برای برطرف کردن اختلاف، داده سند را تغییر نده. این خروجی برای ورود داده و بازبینی انسانی است.

اگر ابزار امتیاز confidence دارد، آن را با احتمال قطعی صحت یکی ندانید. روش محاسبه و کالیبراسیون به ابزار وابسته است. یک رقم بحرانی باید حتی با امتیاز ظاهراً بالا با شاهد کنترل شود. اگر مدل فقط عبارت «خیلی مطمئن» می‌نویسد، آن را عدد قابل اعتماد تبدیل نکنید.

کنترل کیفیت خروجی#

شماره، تاریخ و واحد#

شماره سند را به‌صورت رشته نگه دارید تا صفر اولیه حذف نشود. تاریخ خام را حفظ و تقویم را از متن یا قرارداد معتبر مشخص کنید. ریال و تومان را در یک ستون جمع نزنید. اگر واحد کنار مبلغ چاپ نشده، از ظاهر قیمت نتیجه نگیرید.

ردیف‌های اقلام#

تعداد اقلام خروجی را با سند مقایسه کنید. شرح چندخطی ممکن است یک قلم باشد و دو مقدار در یک سطر ممکن است به دو ستون متفاوت تعلق داشته باشند. برای ردیف‌های ادامه‌دار، شناسه و صفحه شاهد کمک می‌کند اتصال اشتباه دیده شود.

جمع و تکرار سند#

جمع نمونه را با محاسبه مستقل کنترل کنید. تخفیف و مبالغ اضافه را فقط وقتی در سند یا قرارداد وجود دارند وارد تطبیق کنید. فاکتورهای مشابه را صرفاً بر اساس مبلغ برابر حذف نکنید. تشخیص سند تکراری به شناسه و قواعد روشن نیاز دارد و باید قابل بازبینی باشد.

تحویل CSV برای کار بعدی#

خلاصه سند، اقلام، گزارش اختلاف و موارد ناخوانا را جدا نگه دارید. قبل از ورود به سامانه مقصد، نوع ستون و رمزگذاری را مشخص کنید. متن‌هایی که با نشانه‌های فرمول شروع می‌شوند باید مطابق سیاست امن واردسازی سامانه پردازش شوند؛ اطلاعات خام را برای مراجعه حفظ کنید.

برای تبدیل فایل به جدول تمیز، پاکسازی CSV، برای تصویر جدول، تبدیل عکس جدول به اکسل و برای متن ناخوانا، رونویسی دست‌نویس فارسی را ادامه دهید. می‌توانید قالب و پرامپت را با سند ساختگی در GPT Plus آماده کنید؛ استخراج فایل به قابلیت خواندن تصویر یا PDF در ابزار انتخابی نیاز دارد و خروجی باید با سند اصلی تأیید شود.