Latest / Claris/FileMaker Wissen in 5 Minuten / Neue EpisodeTEil 3 : Text aus PDF auslesen

Transcript

Neue EpisodeTEil 3 : Text aus PDF auslesen · Claris/FileMaker Wissen in 5 Minuten

• 0:00
  Speaker 0: Teil drei Belege, mit KI auslesen.
• 0:03
  Speaker 0: Hallo und herzlich willkommen bei Klares Filemaker in fünf Minuten!
• 0:08
  Speaker 0: Heute kommen wir zum dritten Teil unserer Serie – Wie werden aus einem ausgelesenen Beleg sinnvoll gefüllte Filemaker-Felder?
• 0:15
  Speaker 0: Und wo kann uns KI dabei
• 0:16
  Speaker 0: helfen?!
• 0:17
  Speaker 0: In der ersten Folge haben wir Text aus PDFs geholt.
• 0:20
  Speaker 0: In der zweiten ging es um Whole Life Text die JSON Variante und meine Kritik an einer Zuordnung über Positionsdaten.
• 0:28
  Speaker 0: Jetzt gehen wir einen Schritt weiter.
• 0:30
  Speaker 0: Wenn der gesamte Inhalt einer Rechnung übernommen in einem einzigen Textfeld steht, haben wir zwar das Abtippen vermieden – unsere Datenbank weiß damit aber noch nicht welcher Wert die Rechnungsnummer ist, welches Datum die Fälligkeit beschreibt und welcher Betrag tatsächlich bezahlt werden soll.
• 0:46
  Speaker 0: Genau diese Zuordnung ist die nächste Aufgabe!
• 0:49
  Speaker 0: Bei Rechnungen verschiedener Lieferanten kommen weitere Unterschiede dazu.
• 0:53
  Speaker 0: Der eine schreibt Rechnumsnummer?
• 0:56
  Speaker 0: Der Nächste
• 0:57
  Speaker 0: Belegnummer?!
• 0:58
  Speaker 0: Und ein dritter Invoice-Number.
• 1:01
  Speaker 0: Das Rechnungsdatum steht einmal oben rechts, einmal unter der Anschrift und einmal gemeinsam mit mehreren anderen Angaben in einer Tabelle.
• 1:09
  Speaker 0: Und selbst wenn wir alle Texte richtig erkannt haben bleibt die Frage welcher davon gehört in welches Feld?
• 1:16
  Speaker 0: Hier kann KI wirklich helfen!
• 1:18
  Speaker 0: Wir können einem geeigneten Modell den ausgelesenen Text übergeben und genau beschreiben welche Angaben wir daraus benötigen – zum Beispiel Den Lieferanten die Rechnungsnummer, das Rechnungstatum, das Fälligkeitsdatum den Gesamtbetrag und die Währung.
• 1:36
  Speaker 0: Die Aufgabe lautet dann sinngemäß, liest diesen Rechnungenstext und gibt mir die Angaben strukturiert mit Label und Wert so zurück dass ich sie einzelnen Feldern eindeutig zuordnen kann.
• 1:49
  Speaker 0: Ein praktisches Rückgabeformat ist JSON.
• 1:52
  Speaker 0: Nehmen wir eine einfache Beispielrechnung.
• 1:55
  Speaker 0: Im Dokument stehen drei Datumsangaben.
• 1:57
  Speaker 0: Das Rechnungsdatum, das Lieferdatum und das Zahlungsziel.
• 2:01
  Speaker 0: Außerdem finden wir einen Netto-Betrag die Umsatzsteuer und den Gesamtbetrag.
• 2:07
  Speaker 0: Eine Suche nach dem ersten Datum oder dem größten Geldbetrag wäre hier keine verlässliche Lösung.
• 2:13
  Speaker 0: Ein geeignetes KI-Modell kann die Beschriftungen und den sprachlichen Zusammenhang berücksichtigen.
• 2:19
  Speaker 0: Es kann erkennen welches Datum welche Bedeutung hat und welcher Betrag der geforderte Gesamtbetrag ist.
• 2:26
  Speaker 0: Das ist der Nutzen, den wir an dieser Stelle suchen.
• 2:29
  Speaker 0: Ich würde zunächst die erkannten Angaben als Vorschlag anzeigen.
• 2:33
  Speaker 0: Links das Originaldokument rechts die vorgeschlagenen Feldwerte.
• 2:37
  Speaker 0: So kann der Anwender vergleichen korrigieren und die Übernahme bestätigen falls eine manuelle Kontrolle gewünscht ist.
• 2:44
  Speaker 0: Zusätzlich kann FileMaker auch weitere automatische Prüfungen durchführen.
• 2:48
  Speaker 0: Noch ein Fall ist mir wichtig.
• 2:51
  Speaker 0: Elektronischen Rechnungen bringen ihre Daten bereits in strukturierter Form mit.
• 2:55
  Speaker 0: Bei Zug für RD kann beispielsweise eine XML-Datei in der PDF-Rechnung eingebettet sein.
• 3:02
  Speaker 0: Das wird mit Sicherheit deutlich zunehmen, da es ja nach und nach für alle Unternehmen im B-IIB und Behördengeschäften Pflicht wird.
• 3:09
  Speaker 0: Wenn solche Daten vorhanden sind, wird es prinzipiell einfacher.
• 3:13
  Speaker 0: Dann müssen wir Rechnungsnummer und Beträge nicht erst aus dem sichtbaren Seiteninhalt rekonstruieren.
• 3:20
  Speaker 0: Für gewöhnliche PDFs und Scans ist KI meiner Erfahrung nach der einzig sinnvolle Weg.
• 3:26
  Speaker 0: Dabei darf es ruhig eine lokale KI sein, wenn man die nötigen Zusatzarbeiten und Werkzeuge für das Auslesen von Scans und PDFs jeder Art dort bereitgestellt hat.
• 3:36
  Speaker 0: Und damit schließt sich unsere kleine Serie!
• 3:39
  Speaker 0: Im ersten Teil haben wir Text aus einem Auslesenen wollen – und die Möglichkeiten abgewogen.
• 3:45
  Speaker 0: Danach haben wir kritisch betrachtet warum zusätzliche Positionsinformationen für meine Feldzuordnung nicht ausreichen.
• 3:52
  Speaker 0: Und heute ging es darum, die erkannten Inhalte fachlich zuzuordnen und für unsere Datenbank nutzbar zu machen – und wie das am besten geht!
• 4:00
  Speaker 0: Als ich meine Kollegin vor ein paar Monaten fragte, wie die Informationen aus Bankauszügen nicht nur aus dem PDF lesen sondern auch strukturiert weiterverbreiten kann, konnte ich ihr aus meiner Sicht auch nur den Rat geben, dass mit KI machen zu
• 4:14
  Speaker 0: lassen.".
• 4:15
  Speaker 0: Hier zeigt KI eindeutig eine ihrer Stärken und kann diese voll zum Einsatz bringen.
• 4:21
  Speaker 0: Ein manuelle Weg über einen noch schlauen Algorithmus lohnt sich hier kaum!
• 4:25
  Speaker 0: Gerade zum Zuordnen- und Verarbeiten von Bankauszügen habe ich solche Lösungen mehrfach über die Jahre bereitgestellt – und fast jedes Mal, je nach Vorlage war es eine neue Herausforderung, die immer eine Restmenge zur manuellen Prüfung und Bearbeitung beinhaltete.
• 4:41
  Speaker 0: Das sieht heute entschieden anders aus dank KI.
• 4:44
  Speaker 0: Vielen Dank fürs Zuschauen und Zuhören.
• 4:46
  Speaker 0: Bis zur nächsten Folge von Clarice Filemaker in fünf Minuten!