Machine Learning para identificação de NFS-e

Detalhes bibliográficos
Autor(a) principal: Gasparetto, William Virgilio
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/76250
Resumo: Orientador: Prof. Alexander Robert Kutzke
id UFPR_a7ab072eb7c9701461b156051ab4e5a3
oai_identifier_str oai:acervodigital.ufpr.br:1884/76250
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Gasparetto, William VirgilioMontaño, Razer Anthom Nizer Rojas, 1975-Universidade Federal do ParanáKutzke, Alexander Robert, 1986-2022-07-01T16:18:02Z2022-07-01T16:18:02Z2021https://hdl.handle.net/1884/76250Orientador: Prof. Alexander Robert KutzkeCoordenador: Prof. Dr. Razer Anthom Nizer Rojas MontañoMonografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.Inclui referências: p. 22-24Resumo: A digitalização de dados contidos em Documentos Auxiliares da Nota Fiscal de Serviços Eletrônica (DANFSE) é uma tarefa comum em empresas do Brasil. Com frequência, este trabalho é realizado de forma manual. Nesse sentido, a automação de trabalhos repetitivos é uma das principais áreas de aplicação da inteligência artificial e a digitação de documentos para alimentar sistemas corporativos é um processo que pode ser substituído. Esse processo de automação pode ser otimizado se a primeira etapa for uma filtragem do tipo de documento. Nesse contexto, o presente trabalho visa apresentar uma metodologia para a primeira etapa do processo de digitalização de DANFSEs, a filtragem dos documentos. O sistema proposto filtra documentos em duas classes: ‘DANFSE’ e ‘outros documentos’. Para simplificação do treinamento do modelo, os documentos que compuseram a base de testes foram divididos em dois grupos. O primeiro conjunto foi composto de 500 exemplares de notas fiscais de serviço, enquanto o segundo apresentou 400 documentos de diferentes tipos selecionados aleatoriamente. Para a criação do modelo foi utilizado redes convolucionais. Após os treinamentos com diversas configurações de redes, o melhor resultado obtido apresentou acurácia de 96,93% de detecção de notas fiscais. Arquivos que continham tabelas, como por exemplo boletos, foram classificados erroneamente em 1,6% da amostra de validação. E, por fim, sete arquivos de notas fiscais que não faziam parte da base de treinamento, foram identificadas com sucesso.1 recurso online : PDF.application/pdfInteligência artificialAutomaçãoAprendizado do computadorNotas fiscais eletrônicasMachine Learning para identificação de NFS-einfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - E - WILLIAM VIRGILIO GASPARETTO.pdfapplication/pdf3508395https://acervodigital.ufpr.br/bitstream/1884/76250/1/R%20-%20E%20-%20WILLIAM%20VIRGILIO%20GASPARETTO.pdf9139db6b5d598dbfd2d84c181da90972MD51open access1884/762502022-07-01 13:18:02.924open accessoai:acervodigital.ufpr.br:1884/76250Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-07-01T16:18:02Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Machine Learning para identificação de NFS-e
title Machine Learning para identificação de NFS-e
spellingShingle Machine Learning para identificação de NFS-e
Gasparetto, William Virgilio
Inteligência artificial
Automação
Aprendizado do computador
Notas fiscais eletrônicas
title_short Machine Learning para identificação de NFS-e
title_full Machine Learning para identificação de NFS-e
title_fullStr Machine Learning para identificação de NFS-e
title_full_unstemmed Machine Learning para identificação de NFS-e
title_sort Machine Learning para identificação de NFS-e
author Gasparetto, William Virgilio
author_facet Gasparetto, William Virgilio
author_role author
dc.contributor.other.pt_BR.fl_str_mv Montaño, Razer Anthom Nizer Rojas, 1975-
Universidade Federal do Paraná
dc.contributor.author.fl_str_mv Gasparetto, William Virgilio
dc.contributor.advisor1.fl_str_mv Kutzke, Alexander Robert, 1986-
contributor_str_mv Kutzke, Alexander Robert, 1986-
dc.subject.por.fl_str_mv Inteligência artificial
Automação
Aprendizado do computador
Notas fiscais eletrônicas
topic Inteligência artificial
Automação
Aprendizado do computador
Notas fiscais eletrônicas
description Orientador: Prof. Alexander Robert Kutzke
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-07-01T16:18:02Z
dc.date.available.fl_str_mv 2022-07-01T16:18:02Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/76250
url https://hdl.handle.net/1884/76250
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/76250/1/R%20-%20E%20-%20WILLIAM%20VIRGILIO%20GASPARETTO.pdf
bitstream.checksum.fl_str_mv 9139db6b5d598dbfd2d84c181da90972
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860326478577664

Registros relacionados