Behandling af udgifts- og fakturadata

Gevinster:

• Mulighed for at konvertere fri tekst og fakturadata til en tabel opbygget efter et fast skema
• Mulighed for at opsætte gentagelige prompter til udgiftskategorisering, tilbageberegning af moms og registrering af uregelmæssigheder
• Evne til at verificere udtrukne finansielle felter med moms-lighed og total konsistenstjek

En af de opgaver, som regnskabshold bruger mest tid på, er at organisere spredte udgifts- og fakturadata i organiserede tabeller. En faktura vedhæftet en e-mail, et foto af en kvittering sendt fra WhatsApp, en fritekstudgiftsnota som "Ankara mødemåltid + taxa 840 TL"... De skulle alle ende samme sted: en linje struktureret med kategorier, beløb, moms (Value Added Tax), dato og leverandørfelter.

Kunstig intelligens (AI) er meget kraftfuld i denne "fri tekst til struktur"-transformation. Men i finansielle data er det uacceptabelt, at selv en krone går galt. Så i denne enhed lærer vi to ting sammen: at få AI til at producere data i henhold til et fast skema (forudbestemt liste over felter) og at validere outputtet med aggregerede konsistenstjek.

Hvorfor er "skema" så vigtigt?

Skema er, når du på forhånd fortæller, hvilke felter der vil være i hver række, i hvilken rækkefølge og i hvilket format. Hvis du ikke angiver et skema, producerer modellen et andet format for hver faktura. Så ville det være svært at kombinere dem til en enkelt tabel uden at rette manuelt. Hvis du angiver et skema, vil outputtet være både konsistent og verificerbart.

Et godt udgiftsskema indeholder følgende felter: dato, leverandør, beskrivelse, kategori, momsfritagelsesbeløb (grundlag), momssats, momsbeløb, total inklusive moms, bilagsnr.

Tip: Definer altid numeriske felter med "punktum/komma"-konventionen. Hvis du siger "Skriv beløbene i formatet 1234.56, uden tusinde-separatoren" vil du undgå timers formateringsmareridt, når du eksporterer til Excel senere.

Trin for trin: Fra fri tekst til tabel

1. Ret ordningen. Skriv feltnavne, rækkefølge og format.
2. Giv kategorilisten. Bed modellen om at vælge fra din liste, ikke at finde på kategorier i hendes hoved.
3. Lav en usikkerhedsregel. Lad ham forlade det område, han ikke er sikker på, tomt og sæt et "tjek"-skilt.
4. Bekræft momslogik. Få modellen til at tjekke ligningsgrundlaget + moms = i alt.
5. Krydstjek totalen. Stemmer summen af ​​alle linjer med din kontrolsum?

Svag prompt / stærk prompt

Svag prompt: Gør følgende udgifter til et bord: - Ankara madtaxi 840 - papirvarer 300 inkl. moms - hotel 2 nætter 3600

Dette giver et output med kategori inkonsistent, moms blandet, format forskelligt på hver linje.

Kraftig prompt:Konverter følgende fritekstafgifter til en tabel PRÆCIS i henhold til dette skema:Felter (i denne rækkefølge): dato | leverandør | beskrivelse | kategori |base | momssats | momsbeløb | i alt | noteRegler:- Kun kategori fra følgende liste: [Rejser, Overnatning, Mad, Papirvarer, Transport, Andet]- Skriv beløbene i formatet 1234.56 (ingen tusindeadskiller).- Hvis "moms inkluderet" er angivet, beregn basis og moms tilbage; Hvis du ikke kender momssatsen, så skriv "takstbekræftelse" i bemærkningsfeltet og lad det stå tomt. - Angiv lighed mellem beskatningsgrundlag + VAT_amount = total i hver linje; Hvis det ikke giver det, skriv "MØDER IKKE" i bemærkningsfeltet. - Forlad det felt, du ikke er sikker på, tilføj "check" til noten.

Denne prompt beregner grundlaget for papirvarer inklusive moms til 250 og moms til 50, markerer varer med tvetydige priser og producerer et rent output, der kan kombineres til en enkelt tabel.

moms Tilbage Beregningslogik

At finde beskatningsgrundlaget ud fra et beløb inklusive moms er en hyppigt påkrævet procedure i regnskabet. Formel: base = total / (1 + rate). For eksempel, for 300 TL inklusive 20% moms, er basis = 300 / 1,20 = 250, moms = 50. Hvis du udtrykkeligt giver denne formel til modellen, falder fejlmarginen.

transaktion

formel

Prøve (20 %)

moms ekskl. → inkluderet

total = basis × (1 + rate)

250 × 1,20 = 300

moms inkluderet → basis

base = total / (1 + rate)

300 / 1,20 = 250

momsbeløb

vat = total − base

300 − 250 = 50

kontrol

base + kar = i alt

250 + 50 = 300

Arbejde med Fakturafoto og OCR-udskrift

Udgifter fra marken kommer ofte som kvitteringsfoto eller PDF-faktura. Teknologien, der udtrækker tekst fra disse billeder, kaldes OCR (Optical Character Recognition). Visuelle AI-værktøjer kan gøre arbejdet, men OCR-outputtet er altid fejlbehæftet: et komma kan læses som et punktum, "5" kan forveksles med et "S", et ciffer i mængden kan gå tabt. Medtag derfor aldrig beløb fra OCR direkte i regnskabet.

Udtræk følgende felter fra dette fakturabillede og skriv dem PRÆCIS i følgende skema:dato | leverandør | skat_nr | base | momssats | momsbeløb | totalRegler:- Skriv "ULÆST" i ethvert felt, du ikke kan læse eller ikke er sikker på, gæt ikke.- base + vat_amount = check total; Hvis ikke, marker "CHECK". - Angiv beløbene i formatet 1234,56.

Det er en kritisk sikkerhedsregel ikke at få nogen til at gætte det usikre område. Hvis modellen udfylder et nummer med "mest sandsynligt", indtaster posten lydløst fejlen. Flaget "ULÆST" tillader mennesket at gå tilbage til det originale dokument og bekræfte det.

Tip: I OCR-udskriften er den samlede mængde normalt det mest pålidelige felt at læse, fordi det er skrevet med stor skrift. Hvis afgiftsgrundlaget + moms = samlet ligning ikke holder, kan du finde i hvilket område fejlen ligger ved at gå tilbage fra denne ligning.

Detektion af uregelmæssigheder og duplikatregistrering

AI oversætter ikke kun; Den finder også mistænkelige genstande. For eksempel næsten det samme beløb fra samme leverandør to gange på samme dag, eller en usædvanlig stor udgift for kategorien.

I udgiftstabellen nedenfor skal du markere følgende uregelmæssigheder og skrive årsagen:1) Mulig duplikatpost (samme leverandør + tilsvarende beløb + seneste dato)2) Beløb større end 3 gange kategorigennemsnittet3) Momssats forskellig fra den forventede for kategorien Du skal blot markere og skrive årsagen; slet ikke eller ændre nogen rækker.

Forsigtig: AI's advarsel om "dette kan gentages" er et hint, ikke en beslutning. De to poster kan faktisk være to forskellige tjenester. Beslutningen om at slette eller flette træffes altid af mennesker; Modellen fanger bare din opmærksomhed.

Mini sager

Case 1 — Stak med 300 chips. En regnskabsekspert konverterede en 300-linjers fritekstliste over månedsudgifter til en tabel på cirka 15 minutter med diagramprompten. Jobbet, som tog 4 timer, når det blev udført manuelt, blev reduceret til 40 minutter med verifikation. Gevinsten er ikke kun hastighed; kategorikonsistensen steg også.

Sag 2 — Fanget dobbelt betaling. Anomali-prompten markerede, at en faktura på 4.720 TL til en leverandør blev indtastet to gange med to forskellige dokumentnumre. Undersøgelsen viste, at den ene var en kladde, og den anden var en endelig faktura, og begge skulle betales. Uden AI ville der være dobbelt betaling.

Sag 3 — Momssatsfælde. Modellen tildelte 20 % moms til køb af en basisfødevare; hvorimod varen var i den lavere satsgruppe. Takket være reglen om "prisbekræftelse" blev linjen markeret, verificeret og rettet af ekspertkilden. Lektion: Overlad ikke momssatsen til modellen, bekræft den fra listen eller dokumentet.

Almindelige fejl

• Oversættelse af data uden at angive et skema. Hver linje kommer i et andet format, at kombinere kræver manuel korrektion.
• Leverer ikke kategorilisten. Modellen passer til sine egne kategorier; rapportering bliver inkonsekvent.
• Ikke at få tjekket momsligheden. afgiftsgrundlag + moms = rækker, der ikke tæller til totalen, indtastes stille i tabellen.
• At forveksle en advarsel om uregelmæssigheder for en beslutning. "Kan blive gentaget" er en start; Mennesket træffer beslutningen om at slette.
• Springer kontrolsummen over. At stole på outputtet uden at sammenligne totalen af ​​rækkerne med en kendt kontrolmængde.

Sammenfattende

• Når du behandler fritekstudgifts-/fakturadata med AI, er den mest pålidelige måde at anmode om output i henhold til et fast skema.
• Ved at give en liste over kategorier og tydeliggøre formateringsregler (punktum/komma, tusinde-separator) holdes output konsistent og overførbart.
• Giv eksplicit momstilbageberegningsformlen til modellen og kontroller ligheden mellem afgiftsgrundlag + moms = total i hver linje.
• AI er stærk til at markere duplikerede og unormale optegnelser, men beslutningen om at slette/flette er altid taget af mennesket.
• Krydsvalidering af linjetotalerne med en kendt kontrolsum sikrer hele jobbet.

Ansøgningsopgave

Forbered en blandet liste over udgifter (faktisk eller prøve) på mindst 10 linjer; bevidst medtage en duplikatpostering og en vare med den forkerte momssats. Konverter den til en tabel med den kraftfulde promptskabelon, og kør derefter anomaliprompten. Tjek, om modellen fanger de to fælder, du sætter, og kontroller manuelt moms-ligheden i tre rækker.

tjekliste

• [ ] Jeg definerede et fast skema med feltnavne, rækkefølge og format.
• [ ] Jeg gav kategorilisten til modellen, jeg lod den ikke fylde.
• [ ] Jeg tilføjede reglen for numerisk format (punktum/komma, ingen tusinde-separator).
• Jeg tjekkede [ ] skattegrundlaget + moms = total lighed.
• [ ] Jeg fik lavet en anomali/duplikatscanning og tog beslutningerne som menneske.
• [ ] Jeg sammenlignede rækketotalen med en kendt kontrolsum.