發票處理

The Challenge

應付帳款團隊處理來自數百個供應商的發票，每個供應商都有不同的版面、術語和詳細程度。從這些多樣化格式中提取結構化資料——供應商名稱、發票編號、行項目、數量、單價、稅額、付款條件和銀行資訊——是一項繁瑣且容易出錯的手動工作。金額欄位中的一個轉置錯誤就可能連鎖導致付款差異、供應商糾紛和會計對帳問題。

模板型提取工具適用於格式一致的大量供應商，但在使用獨特版面發送發票的長尾供應商上會失敗。基於機器學習的提取工具改善了覆蓋範圍，但仍在手寫發票、帶有 OCR 偽影的掃描文件、具有複雜行項目表格的多頁發票和多語言發票上表現不佳。提取工具所交付的與應付帳款團隊所需要的之間的準確度差距意味著每張發票仍需人工驗證——這違背了自動化的初衷。

The Solution

Ertas 使應付帳款團隊能夠在其特定的發票語料庫上微調提取模型，訓練模型處理他們遇到的確切供應商格式、版面變化和欄位命名慣例。透過 Ertas Studio，團隊上傳標註的 JSONL 發票——每個條目包含發票的 OCR 文字和對應的結構化資料欄位——並訓練一個將非結構化發票文字對應到與其 ERP 系統欄位架構匹配的乾淨結構化輸出的模型。

微調後的模型處理通用工具遺漏的供應商特定怪癖：將「Net Amount」列為「Subtotal」的供應商、將稅金嵌入行項目價格而非單獨列出的供應商、使用逗號作為小數分隔符的歐洲供應商。由於模型是從組織的實際發票中學習的，它反映了格式和邊緣案例的真實分佈——而非合成的訓練集。透過 Ertas Cloud 或本地經由 Ollama 部署，模型在發票到達時進行處理，輸出可直接匯入 ERP 的結構化資料。低於信心門檻的發票被路由到人工審查，形成持續模型改進的回饋迴路。

Key Features

Example Workflow

一家建築公司的應付帳款部門每月處理來自 400 多個供應商——材料供應商、分包商、設備租賃公司和專業服務公司——的 3,000 張發票。團隊標註 8,000 張發票的結構化欄位對應並上傳至 Ertas Vault。在 Ertas Studio 中，他們微調一個針對其 ERP 的 22 欄位發票架構的模型，包括建築計費特有的專案代碼、成本類別和保留金額。模型作為 API 端點部署，整合到其發票接收工作流程中。傳入的發票經 OCR 處理後發送至模型，模型輸出與 ERP 匯入格式匹配的結構化資料。模型以高信心處理 78% 的發票而無需人工介入，路由 18% 進行快速驗證（通常只是一兩個模糊欄位），並標記 4% 進行完整的人工審查。每月處理時間從 120 個工時降至 35 個，資料輸入錯誤減少 90%。