Machine Learning para identificação de NFS-e
Autor(a) principal: | |
---|---|
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 |