Processe documentos automaticamente, verifique-os com os seus próprios sistemas e deixe a decisão para um colaborador em caso de dúvida.
Com a confiança de organizações de referência
O processamento de documentos com IA, também conhecido como intelligent document processing, identifica o documento recebido, extrai os dados, verifica-os face aos dados existentes e encaminha-os para o sistema adequado. Destina-se a organizações onde os colaboradores transcrevem e conferem diariamente faturas, formulários ou contratos. A Data Science Lab constrói este fluxo de ponta a ponta e pode geri-lo após a entrada em produção.
Na manhã de segunda-feira, a caixa de correio partilhada da equipa de contas a pagar está novamente cheia. Cada fornecedor usa um formato diferente, algumas faturas são digitalizações e outras não têm número de ordem de compra. Um colaborador procura a ordem no ERP, compara os preços e as quantidades com o registo de receção e introduz as linhas manualmente. Se houver alguma discrepância, a fatura fica pendente até a equipa de compras responder.
Num município, podem ser anexos a pedidos; numa seguradora, formulários de sinistro. A introdução manual de dados salta à vista, mas o tempo é gasto a responder a três perguntas: que tipo de documento é este, corresponde ao que já sabemos e quem decide quando não corresponde?
Uma ferramenta de OCR que extrai texto de um PDF não responde a essas perguntas. É necessário um fluxo que classifique os documentos, extraia e valide os dados, encaminhe os casos duvidosos para análise e registe os resultados no seu próprio sistema. Construímos esse fluxo no âmbito do nosso serviço de automatização de processos e agentes de IA.
Os modelos de extração treinados com OCR funcionam bem com formulários padronizados e atribuem uma pontuação de confiança a cada campo. Um modelo de linguagem baseado em IA generativa lida melhor com formatos variáveis e texto livre, como contratos. Definimos a abordagem adequada a cada tipo de documento.
Um modelo de classificação identifica primeiro o que chega, como uma fatura, nota de crédito ou guia de remessa, e separa os documentos contidos num PDF. Como atribui cada documento a uma classe conhecida, é necessária uma classe para os restantes documentos ou um limiar.
Os dados extraídos de uma fatura só são úteis se corresponderem à encomenda de compra e à receção da mercadoria. Esta comparação, designada no Dynamics 365 por two-way ou three-way matching, assinala diferenças de preço ou quantidade antes de qualquer lançamento.
Para cada campo, o modelo estima a probabilidade de o valor estar correto. Um limiar por campo determina o que avança automaticamente: um valor total ou um IBAN exige um limiar mais rigoroso do que um campo de referência. A precisão das pontuações é verificada no seu próprio conjunto de teste.
Se um campo ficar abaixo do limiar ou uma verificação falhar, um colaborador vê o documento ao lado dos valores propostos. As correções ficam registadas, permitindo identificar onde o modelo falha de forma sistemática.
Os dados têm de chegar ao sistema onde o trabalho é feito: o ERP, o sistema de gestão de processos ou o sistema de gestão de apólices. Enviamos os dados através das integrações desse sistema e registamos que documento deu origem a cada lançamento.
Diga-nos qual o fluxo de documentos que consome mais tempo. Avaliamos se a IA pode ajudar ou se basta uma alteração mais simples.
Escolhemos em conjunto um fluxo bem delimitado, por exemplo, as faturas de compras de uma entidade, e definimos que etapa precisa de ser mais rápida ou mais rigorosa.
Reunimos documentos representativos, incluindo digitalizações de fraca qualidade e exceções, e registamos o valor correto de cada campo. É com esse conjunto que avaliamos cada versão.
Comparamos um modelo de extração treinado com um modelo de linguagem e escolhemos com base no conjunto de teste, não numa demonstração bem-sucedida.
Ligamos as validações ao seu ERP ou sistema de gestão de processos e definimos com o responsável pelo processo que campos e desvios devem, em qualquer caso, ser revistos por um colaborador.
No início, um colaborador revê todas as propostas. Só quando os resultados das medições o justificam é que deixamos avançar mais propostas automaticamente, por campo ou por fornecedor.
Acompanhamos as correções e as pontuações por tipo de documento. Testamos novos layouts, fornecedores e versões do modelo com o conjunto de teste antes de entrarem em produção.
O Assistente Virtual da NFZ melhorou significativamente o fluxo de trabalho dos nossos clientes. Graças à informação rigorosa e à facilidade de utilização que a ferramenta oferece, em parte fruto da boa colaboração com os programadores da DSL, tornou-se indispensável no trabalho diário dos nossos clientes.
Os documentos contêm frequentemente dados pessoais, desde nomes e moradas até números de identificação dos cidadãos. O RGPD exige que não trate mais dados nem os conserve durante mais tempo do que o necessário. Ao mesmo tempo, aplicam-se prazos legais de conservação: regra geral, deve conservar as faturas durante sete anos para a autoridade tributária neerlandesa, ou dez anos se disserem respeito a bens imóveis. Uma digitalização só substitui o original em papel se for uma reprodução correta e completa, incluindo os elementos que comprovam a autenticidade. Por isso, os campos extraídos não substituem o documento; o original continua associado ao lançamento contabilístico.
Isto é especialmente útil para documentos que não pode normalizar, como faturas de muitos fornecedores ou formulários apresentados por cidadãos. Se utilizar um modelo de linguagem no Azure, o tipo de deployment determina onde ocorre o processamento: com Global, pode ocorrer em qualquer região onde o modelo funcione; com Data Zone na UE, permanece dentro dos Estados-Membros da UE. Se a sua plataforma de dados funcionar em Databricks, o processamento também pode ocorrer aí, com funções como ai_parse_document e ai_extract.
O processamento de faturas e guias de remessa não consta da lista de aplicações de alto risco do Regulamento da IA. A situação é diferente quando o resultado contribui para decisões sobre pessoas, como na triagem de candidaturas a emprego ou na avaliação de um pedido de prestação social. Após o adiamento previsto no omnibus da IA, as obrigações para estas aplicações aplicam-se a partir de 2 de dezembro de 2027. Ajudamos a identificar as aplicações, a preparar a classificação de risco e a definir regras de supervisão humana, também no âmbito da governação da IA. A interpretação jurídica cabe ao seu jurista ou departamento de compliance.
Qualquer organização pode iniciar um projeto-piloto de IA. O desafio está no passo seguinte: integrar a IA na organização. É aí que a Data Science Lab faz a diferença.
Saiba mais sobre nós
10+
8,7
200+
O processamento de documentos com IA identifica, lê e verifica documentos automaticamente, encaminhando depois os dados para o sistema certo. O OCR, que converte uma imagem em texto, é uma parte deste processo. A diferença em relação ao OCR por si só está na verificação face aos dados existentes e na integração com o seu processo.
Para formulários padronizados e documentos comuns, como faturas, os modelos de extração treinados são precisos e previsíveis e atribuem uma pontuação a cada campo. Um modelo de linguagem é mais adequado a texto livre e formatos variáveis, como contratos. Se desenvolver uma solução com um modelo de linguagem, segundo a Microsoft não terá pontuações de confiança: terá de aceitar tudo, verificar tudo ou criar o seu próprio modelo de pontuação.
Depende da qualidade da digitalização, das variações de formato e do próprio campo. Por isso, medimos o desempenho num conjunto de teste retirado do seu próprio fluxo de documentos, por campo e por tipo de documento. Uma pontuação de confiança é uma estimativa do modelo, não uma garantia. Só deve deixar os campos avançar automaticamente quando as pontuações se revelarem fiáveis nos seus próprios documentos.
O ponto de partida é manter os seus sistemas; as integrações necessárias dependem do seu ambiente. Os dados nesses sistemas têm, no entanto, de estar corretos: a verificação face a ordens de compra só funciona se as encomendas e as receções forem registadas de forma consistente. Para a Fokker Services Group, criámos um modelo que prevê o valor esperado da fatura com base no trabalho realizado e destaca grandes discrepâncias num dashboard.
Configuramos o processamento para conservar apenas os campos necessários, limitamos quem pode consultar os documentos e definimos um prazo de conservação para cada tipo de documento. Se recorrer a um serviço cloud, escolha uma região da UE ou uma zona de dados da UE e formalize os acordos num contrato de tratamento de dados. Determine com o responsável pela privacidade se é necessária uma DPIA.
Sim, embora nesse caso o foco passe da leitura para a interpretação. Para a WUA, criámos um modelo de classificação por tópicos que organiza por assunto as respostas abertas dos participantes. Para a NFZ, reunimos informações de contratos com seguradoras de saúde num assistente virtual para farmacêuticos, substituindo um caderno anual de informação farmacêutica. O essencial é verificar se cada resposta pode ser rastreada até à fonte.
Se tiver poucos documentos, ou apenas um formulário que gere internamente, um formulário web ou uma regra fixa no seu sistema é muitas vezes uma escolha melhor. Se as faturas já chegarem como faturas eletrónicas estruturadas, não há nada a extrair; segundo a definição europeia, um pdf ou uma digitalização não é uma fatura eletrónica. E, se os números das ordens de compra faltarem de forma sistemática, resolva primeiro esse problema no processo de compras.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Diga-nos que documentos recebe e em que sistema devem ser registados. Avaliamos consigo se a IA pode ajudar ou se basta uma alteração mais simples.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
