មេរៀនទី១៦
DOCUMENT INTELLIGENCE • LESSON ១៦

Tables, Forms និង Document Data QA

Sot Dimong by Sot Dimong
១៨ សីហា ២០២៦

ផ្ទៀងផ្ទាត់តួលេខ ផលបូក ឯកតា ភាពមិនស៊ីសង្វាក់ និងទិន្នន័យស្ទួនក្នុងតារាង និង Form ។

រយៈពេលប្រហែល ២៤ នាទី
Document Mission • Level 4 ⚡ Document Master 0 XP
ចាប់ផ្តើម
Tables, Forms និង Document Data QA
សេចក្តីផ្តើម
នៅក្នុងរបាយការណ៍ហិរញ្ញវត្ថុ កិច្ចសន្យាដេញថ្លៃ និងវិក្កយបត្រពាណិជ្ជកម្ម កំហុសតួលេខសូម្បីតែមួយខ្ទង់ ឬការច្រឡំរវាងសញ្ញាក្បៀស និងចុច អាចបណ្តាលឱ្យស្ថាប័ន ខាតបង់ថវិការាប់ម៉ឺនដុល្លារ ឬប្រឈមនឹងការផាកពិន័យពីអាជ្ញាធរពន្ធដារ។

Document Data Quality Assurance (Data QA) គឺជាការប្រើប្រាស់ AI បំពាក់ជាមួយក្បួនច្បាប់គណិតវិទ្យា (Math Validation Engine) ដើម្បីស្កេន និងផ្ទៀងផ្ទាត់រាល់តារាង និងទម្រង់បែបបទទាំងអស់ ធានាភាពសុក្រឹតឥតខ្ចោះ ១០០% ។ នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនពីបច្ចេកទេសធ្វើ Data QA កម្រិតសវនកម្មអន្តរជាតិ!

គោលបំណងនៃមេរៀននេះ

ចេះបង្កើតប្រព័ន្ធ Document Data QA ដោយស្វ័យប្រវត្តិដើម្បីស្វែងរក និងកែតម្រូវកំហុសគណិតវិទ្យា (Math Cross-Checks), ការផ្ទៀងផ្ទាត់ឯកតារង្វាស់ (Unit Conversions), ការស្វែងរកទិន្នន័យស្ទួន (Duplicates), និងការផ្ទៀងផ្ទាត់ទម្រង់បែបបទស្មុគស្មាញ មុនពេលបញ្ជូនទិន្នន័យទៅប្រព័ន្ធ ERP/Core Database ។

១. សសរស្តម្ភទាំង ៤ នៃ Document Data QA (The 4 Pillars)

ការធ្វើតេស្តគុណភាពទិន្នន័យលើឯកសារត្រូវឆ្លងកាត់ ៤ សសរស្តម្ភ ៖

១. Mathematical Integrity (សុចរិតភាពគណិតវិទ្យា) តើ Unit Price × Quantity = Line Total ដែរឬទេ? តើផលបូកគ្រប់ជួរដេកស្មើនឹង Subtotal និង Grand Total ដែរឬទេ?
២. Unit & Currency Consistency (ភាពស៊ីសង្វាក់នៃឯកតា) តើឯកតារង្វាស់ (KG, Ton, PCS, Hours) និងរូបិយប័ណ្ណ (KHR vs USD) ត្រូវបានបញ្ជាក់ច្បាស់លាស់ និងមិនមានការបូកច្រឡំចូលគ្នាដែរឬទេ?
៣. Deduplication & Cross-Referencing (ទិន្នន័យស្ទួន) ស្វែងរកវិក្កយបត្រស្ទួន លេខកូដទំនិញស្ទួន ឬឈ្មោះបុគ្គលិកដែលមានទិន្នន័យជាន់គ្នា។
៤. Mandatory Field Completeness (ភាពពេញលេញនៃទិន្នន័យ) ពិនិត្យមើលថាតើមានប្រអប់ចាំបាច់ណាខ្លះដែលត្រូវបានទុកចោលទទេ (Missing Required Fields) ឬមានទម្រង់ខុសស្តង់ដារ។

២. គំរូតារាង QA Discrepancy & Anomaly Audit Log

ទម្រង់របាយការណ៍ដែល AI ត្រូវបង្កើតដើម្បីបង្ហាញកំហុសតួលេខ ៖

ទំព័រ / ជួរដេក ទិន្នន័យក្នុងឯកសារ (Found) ការគណនាពិត (Calculated) ផលខុសគ្នា (Discrepancy) កម្រិតធ្ងន់ធ្ងរ (Severity)
ទំព័រ ៣, ជួរ ៤ 10 Items × $45.00 = $550.00 10 × $45.00 = $450.00 +$100.00 (គិតលើស) HIGH
ទំព័រ ៥, Grand Total Subtotal $1,000 + VAT 10% = $1,000.00 $1,000 + $100 = $1,100.00 -$100.00 (បាត់ពន្ធ VAT) CRITICAL

៣. បច្ចេកទេសសរសេរ Data QA Engine Prompt

របៀបបញ្ជា AI ឱ្យធ្វើការ Audit តួលេខយ៉ាងម៉ឺងម៉ាត់ ៖

  1. បង្គាប់ឱ្យគណនាផលបូកឡើងវិញគ្រប់ Cell ៖ «ហាមទុកចិត្តលើលេខសរុបក្នុងឯកសារ ត្រូវយកតម្លៃលេខក្នុងជួរនីមួយៗមកគុណ និងបូកឡើងវិញដោយខ្លួនឯង»។
  2. បង្កើត Flag Alert លើគ្រប់ Discrepancy ៖ ប្រសិនបើតួលេខគណនាខុសគ្នាលើសពី $0.01 ត្រូវដាក់ទង់សម្គាល់ភ្លាមៗ។
Infographic Tables, Forms និង Document Data QA
LIVE DOCUMENT LAB

សាកល្បងលំហូរការងារ Document Intelligence

READY

ជ្រើសរើសប្រភេទឯកសារ ដើម្បីមើលរបៀបដែល AI ជួយដំណើរការ ស្រង់ទិន្នន័យ និងពិនិត្យផ្ទៀងផ្ទាត់។

Procurement Bid Evaluation Sheet តារាងដេញថ្លៃផ្គត់ផ្គង់សម្ភារសំណង់
Doc Intelligence Parse → Ground → Verify
Math QA Audit Report Discrepancy Found in Row 7 ($500 Overstated)
លទ្ធផលគំរូ ៖ AI គណនាផលបូកឡើងវិញ និងរកឃើញថាក្រុមហ៊ុនដេញថ្លៃបានគណនាថ្លៃដឹកជញ្ជូនលើស $500 ក្នុងជួរទី ៧ ព្រមទាំងផ្តល់តារាងកែតម្រូវត្រឹមត្រូវភ្លាមៗ។
Workflow Tables, Forms និង Document Data QA

អនុវត្តជាក់ស្តែង ៖ សាកល្បង PROMPT គំរូ

សាកអនុវត្ត • DOCUMENT PROMPT ជាភាសាខ្មែរ

សូមដើរតួជា Document Data QA Specialist & Senior Financial Auditor ។ ផ្អែកលើតារាង/ទម្រង់បែបបទ [បញ្ចូលតារាងទិន្នន័យ] សូមធ្វើការ Audit យ៉ាងម៉ឺងម៉ាត់ ៖ ### ១. ការផ្ទៀងផ្ទាត់គណិតវិទ្យា (Math Cross-Check) - គណនាផលគុណ និងផលបូកឡើងវិញគ្រប់ជួរដេក និងជួរឈរ - បង្កើតតារាង Discrepancy Log ប្រសិនបើមានតួលេខណាមិនត្រឹមត្រូវ ### ២. ការត្រួតពិនិត្យភាពស៊ីសង្វាក់ (Consistency & Duplicates) - ស្វែងរកទិន្នន័យស្ទួន (Duplicates), ការច្រឡំឯកតា (Units), ឬកាលបរិច្ឆេទខុសលំដាប់ ### ៣. ភាពពេញលេញ (Missing Fields) - រាយបញ្ជីចន្លោះដែលខ្វះទិន្នន័យសំខាន់ៗ ### ៤. តារាងទិន្នន័យស្អាត (Clean Normalized Table) - ផ្តល់តារាង Markdown ដែលបានកែតម្រូវរួចរាល់ និងត្រឹមត្រូវ ១០០% ។

ពិនិត្យការយល់ដឹង (Knowledge Check)

QUIZ ខ្លី

តើគោលបំណងសំខាន់បំផុតនៃ Document Data QA គឺជាអ្វី?

ចម្លើយត្រឹមត្រូវ ៖ Data QA ធានាថារាល់ទិន្នន័យដែលស្រង់ចេញពីឯកសារមានភាពសុក្រឹតខ្ពស់ គ្មានកំហុសគណិតវិទ្យា និងមិនបង្កបញ្ហាដល់ប្រព័ន្ធគណនេយ្យ ឬ Database ។

ចំណុចគន្លឹះត្រូវចងចាំក្នុងមេរៀននេះ

  • អនុវត្ត ៤ សសរស្តម្ភ Data QA ៖ គណិតវិទ្យា, ឯកតារង្វាស់, ទិន្នន័យស្ទួន, និងភាពពេញលេញ។
  • ហាមទុកចិត្តលើ Grand Total ក្នុងឯកសារ ត្រូវគណនាឡើងវិញដោយម៉ាស៊ីនជានិច្ច។
  • បង្កើត Anomaly & Discrepancy Audit Log រាយការណ៍រាល់តួលេខដែលខុសប្រក្រតី។
  • សម្អាតទិន្នន័យ និងបម្លែងទៅជា Normalized Markdown Table មុនបញ្ចូល Database ។
MISSION COMPLETED

កំពុងបង្កើតជំនាញ Document Intelligence របស់អ្នក

បន្តអានគ្រប់ Checkpoint និងឆ្លើយ Quiz ដើម្បីបើក Badge និង XP របស់អ្នក។

មេរៀនផ្សេងទៀត

មេរៀនផ្សេងទៀត

ទំព័រដើម
រៀនត្រេត
រៀន AI
ការកំណត់