No meu artigo anterior, mostrei como utilizar o AI Builder para extrair dados estruturados de documentos em formato de imagem ou PDF. Uma das principais vantagens de estruturar os dados, como referi, é a possibilidade de os utilizar para treinar modelos preditivos. É precisamente isso que vamos explorar neste artigo: utilizar os dados das faturas para treinar um modelo de classificação capaz de prever que lançamentos contabilísticos devem ser registados para cada documento. Esta é a base de um sistema inteligente de automação contabilística.
Treinar o modelo AI Builder
O primeiro passo para treinar o modelo de classificação contabilística é definir o tipo de modelo pretendido. Como estamos a lidar com dados estruturados e resultados preditivos, vamos utilizar um modelo de classificação. O resultado será sempre a classe mais provável.
Para treinar o modelo, os dados de treino têm de estar guardados numa tabela do Dataverse — trata-se de um requisito do AI Builder. Normalmente não é difícil encontrar dados para este tipo de tarefa. Extratos contabilísticos de contas utilizadas com frequência funcionam bem.
Na nossa demonstração, utilizámos três classes:
- Rendas e alugueres
- Serviços especializados
- Comunicações
Estes tipos de gastos são comuns e estão associados a serviços externos, o que os torna ideais para treinar um modelo preditivo — existe uma boa quantidade de dados disponíveis e o modelo pode ser muito útil em cenários de automação.
Criámos uma coluna do tipo Choices (escolhas) na tabela do Dataverse, que permite ao utilizador selecionar uma das classes:
Esta é a variável de saída (label) que o modelo vai tentar prever. As variáveis de entrada (features) são:
- Data da fatura
- Descrição de cada item
- NIF do fornecedor
- Valor total da fatura
Outras variáveis, como a taxa e o valor do IVA, também poderiam ser úteis, mas, para reduzir a correlação e simplificar o treino do modelo, mantivemos apenas as mais relevantes.
Tudo isto é feito através da interface sem código e intuitiva do AI Builder. Apesar de a interface ser simples, é importante escolher o tipo de modelo e as variáveis certas, e perceber como avaliar o desempenho do modelo. Temos de verificar os resultados tanto nos dados de treino como nos de teste, para evitar o sobreajustamento (overfitting).
Operacionalizar o modelo preditivo
Como mostrei no artigo anterior, implementar o modelo na Power Platform é fácil. (Seria interessante saber se os modelos AI Builder podem ser usados fora da plataforma — tanto quanto sei, não podem.)
Dentro da plataforma, podemos acionar o modelo através do Power Automate e integrá-lo nos processos de negócio. Isto abre muita flexibilidade e muitas oportunidades de automação inteligente.
Também podemos sincronizar a tabela do Dataverse com o modelo, de forma a que novos registos desencadeiem previsões automaticamente. Isto torna a solução altamente integrada e de baixa manutenção.
Na nossa demonstração, criámos uma aplicação Power Apps que permite aos utilizadores correr o modelo em tempo real e rever os resultados. Embora esta abordagem não seja a ideal para grandes volumes de dados, permite uma interação mais rápida e deixa os utilizadores corrigir rapidamente erros de classificação.
No nosso caso, o fluxo do Power Automate é acionado por uma ação do utilizador na aplicação:
Como se vê acima, a aplicação envia os dados da fatura para o Power Automate, que os processa e devolve o resultado previsto. Este passo surge logo a seguir à estruturação dos dados.
Na interface da aplicação, os utilizadores podem ver cada documento e clicar num botão para correr o modelo:
À direita, a aplicação mostra o PDF da fatura. Quando o utilizador clica no botão azul, os parâmetros são enviados para o Power Automate e é devolvida a classificação prevista:
Se a classificação estiver correta, as regras de débito e crédito podem ser aplicadas automaticamente. O utilizador pode então validar (ou corrigir) o resultado e clicar em “Post Entry” (registar lançamento).
Esta é mais uma solução simples com grande impacto. Aguardo o vosso feedback!
