Machine Learning para identificação de NFS-e

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorKutzke, Alexander Robert, 1986--
Autor(es): dc.contributorMontaño, Razer Anthom Nizer Rojas, 1975--
Autor(es): dc.contributorUniversidade Federal do Paraná-
Autor(es): dc.creatorGasparetto, William Virgilio-
Data de aceite: dc.date.accessioned2025-09-01T10:47:06Z-
Data de disponibilização: dc.date.available2025-09-01T10:47:06Z-
Data de envio: dc.date.issued2022-07-01-
Data de envio: dc.date.issued2022-07-01-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/76250-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/76250-
Descrição: dc.descriptionOrientador: Prof. Alexander Robert Kutzke-
Descrição: dc.descriptionCoordenador: Prof. Dr. Razer Anthom Nizer Rojas Montaño-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.-
Descrição: dc.descriptionInclui referências: p. 22-24-
Descrição: dc.descriptionResumo: 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.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAutomação-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectNotas fiscais eletrônicas-
Título: dc.titleMachine Learning para identificação de NFS-e-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.