Les factures sont au cœur de l'entreprise, que ce soit B2B ou B2C. Chaque entreprise doit traiter des factures de différents volumes provenant de fournisseurs.

Pour nos clients et leurs équipes de comptabilité fournisseurs, les factures étaient à la fois une ressource et un obstacle. Leur défi consistait à traiter de nombreux fichiers PDF et à saisir manuellement les détails des factures dans leur système, une tâche extrêmement chronophage et redondante.

Nous avons entrepris de créer un logiciel capable d'automatiser et d'accélérer cette tâche en utilisant la reconnaissance optique de caractères (OCR) de la technologie. En d'autres termes, la capacité de l'IA à reconnaître le texte présent dans les documents. Diverses industries qui traitent de nombreuses données et processus documentaires devraient trouver cette technologie utile pour de nombreux cas d'utilisation.

Outils existants

Sur le marché, il existe divers projets pour le traitement des factures. Nous avons décidé d'explorer cela d'abord pour évaluer les outils disponibles les plus avancés. Malgré plusieurs projets, nous n'avons pas pu conclure sur un outil pouvant simultanément montrer :

• un niveau de précision de lecture suffisant,

• un niveau de flexibilité des modèles suffisant,

• et un niveau de personnalisation suffisant pour répondre aux besoins de nos clients.

Pour répondre à ce besoin, nous avons développé notre propre solution.

La solution OCR

Nous avons développé un outil pour traiter les factures reçues sous forme de PDF ou d'image. Le premier obstacle était la capacité d'extraire le champ exact nécessaire, qui pouvait être de différentes formes. Pensez à une date, par exemple. Elle peut avoir plusieurs formats, comme jj/MM/AAAA, jj/mm/AA,  AA/mm/jj, ou écrite avec des lettres. Nous avons commencé par définir des expressions régulières pour chaque champ pour résoudre ce problème. Mais cela ne suffisait pas. Vous pourriez avoir différentes dates sur les factures — date de naissance, date de facture, date d'échéance, date de rappel, etc.

Nous avons décidé de réduire ce problème en incluant une deuxième couche logique. Nous pouvons supposer certaines règles pour toutes les dates identifiées pour trier et étiqueter les candidats dates. Par exemple, si la date identifiée est la plus ancienne et date de plusieurs décennies,  vous pouvez supposer qu'il s'agit de la date de naissance.

Une fois que nous avons préparé cette action initiale, nous avons constaté que notre résultat ne correspondait pas au niveau de précision souhaité. Maintenant, imaginez que vous puissiez indiquer manuellement sur la facture où se trouve la date de naissance. À ce stade, vous avez les coordonnées, l'expression régulière et les règles logiques pour détecter la date de naissance sur un fichier de centaines de mots et parfois plusieurs pages. Appliquez cette logique à chaque champ nécessaire, et vous obtenez un modèle capable de lire presque toutes les factures avec une précision suffisante.

Coordonnées

Cependant, le problème est que notre modèle OCR repose sur l'accès aux coordonnées de chaque champ. Nous devons encore identifier et structurer quel morceau de texte se trouve dans quel champ extrait. Cela signifie-t-il que pour chaque facture, nous devons encore enregistrer manuellement chaque coordonnée pour chaque champ ? Heureusement, non.

Notre modèle est convivial pour l'identification des champs. Il affichera simplement l'image et permettra à l'utilisateur de cliquer et de faire glisser sur la zone spécifique. Disons que vous avez dix champs à identifier. Vous répétez cela dix fois. Ensuite, pour chaque facture, notre programme reconnaîtra son modèle et vérifiera s'il est référencé dans notre base de données existante. Si c'est le cas, les utilisateurs n'ont plus rien à faire. Sinon, ils auront la possibilité d'enregistrer le modèle en utilisant la méthode décrite précédemment. Voici un exemple de comment nous pouvons identifier les coordonnées dans le modèle :

Résultats

Les résultats de notre modèle sont affichés dans un fichier Excel avec un score de précision et divers indicateurs d'alerte.

Notre score de précision dépend de la qualité du scan PDF, de la moyenne pondérée de la notation de qualité OCR, et de la présence ou de l'absence de caractères invalides. Par exemple, des chiffres dans un nom. Les indicateurs d'alerte permettent une supervision humaine rapide. Nos alertes incluent la qualité du scan, l'identification des champs potentiellement incohérents, ou des montants invalides. Dans ce cas, nous avons inclus un indicateur pour les montants hors normes par rapport à la distribution des fichiers batch.

Enfin, cet Excel peut être révisé par une personne pour d'éventuelles incohérences. La principale valeur ajoutée de notre projet OCR est ses capacités de gain de temps. Pourtant, l'automatisation du traitement des factures peut également réduire les coûts et éliminer les erreurs, entraînant moins d'obstacles et une productivité accrue.

Ce qui aurait dû prendre des heures peut maintenant être lancé et en cours d'exécution pendant que vous travaillez sur un autre projet ou que vous prenez une pause café bien méritée pour lire un autre article d'Agilytic!