Mit einem zusätzlichen Feld erneut trainierte Rechnungen

Wichtig:

Das Ziel dieser Seite ist es, neuen Benutzern zu helfen, sich mit Document Understanding^TM vertraut zu machen.

For scalable production deployments, we strongly recommend using the Document Understanding Process available in UiPath® Studio under the Templates section.

Dieser Schnellstart zeigt Ihnen, wie Sie das out-of-the-box ML-Modell Invoices erneut trainieren, um ein weiteres Feld zu extrahieren.

Let’s use the same workflow we used for the receipts in the previous quickstart and modify it so it can support invoices.

Dazu müssen wir in unserem Workflow die folgenden Schritte ausführen:

1. Die Taxonomie ändern
2. Einen Klassifizierer hinzufügen
3. Einen Machine Learning Extractor hinzufügen
4. Die Daten beschriften
5. Das ML-Modell für Rechnungen (Invoices) erneut trainieren

1. Die Taxonomie ändern

In diesem Schritt müssen wir die Taxonomie ändern, um den Rechnungsdokumenttyp hinzuzufügen.

To do so, open Taxonomy Manager and create group named Semi Structured Documents, a category named Finance, a document type named Invoices. Create the listed fields with user friendly names along with respective data types.

• name (Name) – Text
• vendor-addr (Lieferantenadresse) – Adresse
• billing-name (Rechnungsname) – Text
• billing-address (Rechnungsadresse) – Adresse
• shipping-address (Lieferadresse) – Adresse
• invoice-no (Rechnungsnummer) – Text
• po-no (Auftragsnummer) – Text
• vendor-vat-no (Umsatzsteuer Lieferant) – Text
• date (Datum) – Datum
• tax (Steuer) – Zahl
• total (gesamt) – Zahl
• payment-terms (Zahlungsbedingungen) – Text
• net-amount (Nettosumme) – Zahl
• due-date (Fälligkeitsdatum) – Datum
• Rabatt – Number
• Versandkosten - Number
• payment-addr – Address
• description (Beschreibung) – Text
• items (Posten) – Tabelle
  • description (Beschreibung) – Text
  • quantity (Menge) – Zahl
  • unit-price (Stückpreis) – Zahl
  • line-amount (Zeilensumme) – Zahl
  • item-po-no – Text
  • line-no – Text
  • teil-nein – Text
  • billing-vat-no (Umsatzsteuernummer) – Text

2. Einen Klassifizierer hinzufügen

In diesem Schritt müssen wir einen Klassifizierer hinzufügen, damit wir sowohl Belege als auch Rechnungen mit unserem Workflow verarbeiten können.

Da unser Workflow jetzt zwei Dokumenttypen unterstützt, Belege und Rechnungen, müssen wir den Klassifizierer hinzufügen, um zwischen verschiedenen Dokumenttypen zu unterscheiden, die als Eingabe kommen:

1. Fügen Sie einen Classify Document Scope nach der Aktivität Digitize Document hinzu, geben Sie als Eingabeargumente DocumentPath, DocumentText, DocumentObjectModel und Taxonomy an und erfassen Sie die ClassificationResults in einer neuen Variablen. Wir benötigen diese Variable, um zu überprüfen, welche Dokumente wir verarbeiten.

2. We also need to specify one or more classifiers. In this example, we are using the Intelligent Keyword Classifier. Add it to the Classify Document Scope activity.

   This page helps you take an educated decision on what classification method you should use in different scenarios.

3. Train the classifier as described here.

4. Konfigurieren Sie den Klassifizierer, indem Sie ihn für beide Dokumenttypen aktivieren.

5. Je nach Anwendungsfall kann es vorkommen, dass Sie die Klassifizierung validieren möchten. Das ist möglich mit der Aktivität Present Classification Station oder den Aktivitäten Create Document Classification Action und Wait For Document Classification Action And Resume .

3. Einen Machine Learning Extractor hinzufügen

In this step, we need to add a Machine Learning Extractor to the Data Extraction Scope activity and connect it to the Invoices public endpoint.

Das Verfahren ist genau das gleiche wie bei dem vorherigen Machine Learning Extractor für Belege, den wir zuvor hinzugefügt haben:

1. Fügen Sie neben dem Machine Learning Extractor für Belege die Aktivität Machine Learning Extractor hinzu.

2. Geben Sie den öffentlichen Endpunkt Invoices ein, nämlich https://du.uipath.com/ie/invoices, und einen API-Schlüssel für den Extraktor an.

3. Konfigurieren Sie den Extraktor so, dass er mit Rechnungen arbeitet, indem Sie die im Taxonomiemanager erstellten Felder den im ML-Modell verfügbaren Feldern zuordnen:

   

4. Vergessen Sie nicht, die vom Classify Document Scope ausgegebene Variable ClassificationResults als Eingabe für den Data Extraction Scope zu verwenden, anstatt eine DocumentTypeId anzugeben.

   Am Ende sollte es ungefähr so aussehen:

   

5. Führen Sie den Workflow aus, um zu testen, dass er mit Rechnungen ordnungsgemäß funktioniert.

4. Die Daten beschriften

Wir müssen die Daten beschriften, bevor das ML-Basismodell für Invoices erneut trainiert wird, damit es das neue IBAN-Feld unterstützen kann.

1. Collect the requirements and sample invoice documents in sufficient volume for the complexity of the usecase you need to solve. Label 50 pages, as explained on this documentation page.

2. Beschaffen Sie sich Zugriff auf eine Instanz von Document Manager entweder lokal oder im AI Center in der Cloud. Stellen Sie sicher, dass Sie über die Berechtigungen zur Verwendung von Document Manager verfügen.

3. Erstellen Sie ein AI Center-Projekt, wechseln Sie zu Datenbeschriftung -> UiPath Document Understanding und erstellen Sie eine Datenbeschriftung-Sitzung.

4. Configure an OCR Engine as described here, try importing a diverse set of your production documents and make sure that the OCR engine reads the text you need to extract.

   More suggestions in this section. Only proceed to next step after you have settled on a OCR engine.

5. Create a fresh Document Manager session, and import a Training set and an Evaluation set, while making sure to check the Make this a Test set checkbox when importing the Evaluation set. More details about imports here.

6. Create and configure the IBAN field as described here. More advanced guidelines are available in this section.

7. Label a Training dataset and an Evaluation dataset as described here. The prelabeling feature of Document Manager described here can make the labeling work a lot easier.

8. Export first the Evaluation set and then the Training set to AI Center by selecting them from the filter dropdown at the top of the Document Manager view. More details about exports here.

Als Nächstes erstellen wir unser Modell, trainieren und stellen es bereit.

5. Das ML-Modell für Rechnungen (Invoices) erneut trainieren

Da unser Workflow jetzt die Verarbeitung von Rechnungen unterstützt, müssen wir die IBAN aus unseren Rechnungen extrahieren. Das ist ein Feld, das standardmäßig nicht vom out-of-the-box ML-Modell für Rechnungen (Invoices) aufgenommen wird. Das bedeutet, dass wir ein neues Modell erneut trainieren müssen, beginnend mit dem Basismodell.

1. Create an ML Package as described here. If your document type is different from the ones available out-of-the-box, then choose the DocumentUnderstanding ML Package. Otherwise, use the package closest to the document type you need to extract.
2. Create a Training Pipeline as described here using the Input dataset which you exported in the previous section from Document Manager.
3. When the training is done and you have package minor version 1, run an Evaluation Pipeline on this minor version and inspect the evaluation.xlsx side by side comparison. Use the detailed guidelines here.
4. Wenn die Evaluierungsergebnisse zufriedenstellend sind, gehen Sie zur Ansicht ML-Fähigkeiten und erstellen Sie mithilfe der neuen Nebenversion des ML-Pakets eine ML-Fähigkeit. Wenn Sie diese für die Vorbeschriftung im Document Manager verwenden möchten, müssen Sie die Taste Aktuelle Bereitstellung ändern rechts oben in der Ansicht der ML-Fähigkeit wählen und auf ML-Fähigkeit öffentlich machen umschalten.
5. Nach der Erstellung der ML-Fähigkeit müssen wir sie nun in Studio nutzen. Der einfachste Weg hierfür ist, die ML-Fähigkeit wie hier beschrieben öffentlich zu machen. Dann müssen Sie nur noch den öffentlichen Endpunkt des ML-Modells Invoices, den wir ursprünglich dem Machine Learning Extractor in unserem Workflow hinzugefügt haben, durch den öffentlichen Endpunkt der ML-Fähigkeit ersetzen.
6. Führen Sie den Workflow aus, sodass das neu hinzugefügte IBAN-Feld zusammen mit den Standardrechnungsfeldern extrahiert wird.

Beispiel herunterladen

Laden Sie dieses Beispielprojekt unter diesem Link herunter . Sie müssen den Machine Learning Extractor für Rechnungen vom Endpunktmodus in Ihre trainierte ML-Fähigkeit ändern.