Validação de relatórios de despesas com IA usando saídas estruturadas e regras de negócio

Aprenda a usar IA para transformar documentos não estruturados em dados confiáveis e aplicar regras de negócio para automatizar a validação e aprovação de relatórios de despesas em escala.

Visão geral

Este guia mostra como criar um sistema automatizado de validação de relatórios de despesas que usa IA para extrair dados de arquivos PDF e aplicar regras de negócio para decidir como cada relatório é aprovado.

Ao final, você terá um pipeline que:

• Recebe um documento via API.

• Extrai dados estruturados usando IA.

• Aplica regras de negócio determinísticas.

• Encaminha relatórios com base em limites predefinidos.

Padrões relacionados

Essa extração com IA se aplica a diversos cenários de processamento de documentos:

• Processamento de faturas: Extrai o fornecedor, o valor e a data de vencimento, e encaminha as informações para o time financeiro.

• Revisão de contratos: Extrai os principais termos, datas relevantes e as partes envolvidas, e envia para revisão jurídica.

• Triagem de currículos: Extrai competências, experiência profissional e formação acadêmica, e encaminha o perfil para o gestor responsável pela contratação.

• Sinistros de seguros: Extrai o número da apólice e os detalhes do incidente, e encaminha a solicitação para o analista responsável.

O princípio central é sempre o mesmo: a IA extrai dados estruturados e as regras de negócio determinam o que acontece em seguida.

1

Configuração do pipeline

Configurando o trigger

O pipeline começa com um HTTP File Trigger que aceita uploads de PDFs. Quando um arquivo é enviado, ele fica disponível no pipeline por meio do array files[].

Validando a requisição

Valide a requisição antes da etapa de IA. Isso garante que tokens sejam utilizados apenas quando o arquivo obrigatório estiver presente.

Você pode validar o payload de diferentes formas.

Para este cenário, use o conector Validator v2. Configure o Validator v2 com um JSON Schema que exija um nome de arquivo compatível com o padrão ^.+\\.(pdf)$.

• Se a validação falhar, use um conector Choice para direcionar para o fluxo de erro.

• Se a validação for bem-sucedida, prossiga para a extração com IA.

2

Extração com IA

Entendendo saídas estruturadas

Sem saídas estruturadas, a IA pode retornar um texto livre difícil de processar:

O funcionário John Smith (ID: EMP001) do departamento de Sales enviou um relatório de despesas em 15 de novembro de 2024 para uma viagem no valor total de US$ 1.250,00...

Esse formato é difícil de trabalhar. Seria necessário implementar lógica de parsing complexa, lidar com muitas variações e tratar erros.

Com saídas estruturadas, você define um JSON Schema e a IA retorna:

{
  "employee_id": "EMP001",
  "employee_name": "John Smith",
  "department": "Sales",
  "total": 1250.00
}

Esse resultado pode ser usado imediatamente para roteamento, validação e armazenamento. Não há necessidade de parsing.

Configurando o Agent Component

Ao configurar o Agent Component, concentre-se nas seguintes configurações:

Seleção do modelo

• Modelo: Selecione o modelo que deseja utilizar.

  • Conta: Escolha a conta a ser usada pelo LLM.

  • Temperatura: 0.3 (Uma temperatura baixa ajuda a garantir extrações consistentes e previsíveis.)

  • Máximo de Tokens de Saída: 1024 (Suficiente para a maioria dos relatórios de despesas. Ajuste se estiver processando relatórios muito detalhados.)

  • Outros parâmetros: Mantenha Top-P, Top-K e penalidades com os valores padrão.

Arquivos

• Arquivos: {{ message.fileName }} (Este campo aceita Double Braces, permitindo referenciar o arquivo de forma dinâmica.)

• Guardrails:

  • Habilite a proteção de PII (Informações de Identificação Pessoal): Detecta e mascara dados pessoais sensíveis.

  • Habilite JSON Schema: Força o LLM a retornar dados estruturados no formato esperado (altamente recomendado).

  • Habilite padrões Regex: Valida formatos específicos de campos.

Para este caso de uso de extração de despesas, habilitaremos o JSON Schema para garantir uma saída estruturada que possa ser usada diretamente nas decisões de roteamento. A definição do schema é apresentada na próxima seção.

Mensagens

Mensagem do Sistema (define o papel da IA):

Você é um agente de extração de relatórios de despesas.
Sua tarefa é extrair dados estruturados do documento fornecido.
Não tome decisões.
Não aplique regras de negócio.
Retorne apenas os dados extraídos, seguindo o JSON Schema fornecido.

Mensagem do Usuário (a solicitação específica):

Extraia os dados do relatório de despesas do PDF anexado.

Definindo o JSON Schema

As saídas estruturadas agregam valor porque mantêm os dados consistentes. Aqui, use o Agent como um normalizador de dados, não como uma ferramenta de raciocínio.

JSON Schema:

{
  "type": "object",
  "required": ["employee_name", "department", "total", "trip_type", "itemized_expenses"],
  "properties": {
    "employee_name": {
      "type": "string",
      "description": "Nome completo do funcionário"
    },
    "department": {
      "type": "string",
      "description": "Nome do departamento"
    },
    "total": {
      "type": "number",
      "description": "Valor total da despesa"
    },
    "trip_type": {
      "type": "string",
      "enum": ["Domestic", "International"],
      "description": "Tipo de viagem"
    },
    "itemized_expenses": {
      "type": "array",
      "items": {
        "type": "object",
        "required": ["date", "description", "category", "amount"],
        "properties": {
          "date": { "type": "string" },
          "description": { "type": "string" },
          "category": { "type": "string" },
          "amount": { "type": "number" }
        }
      }
    }
  }
}

Exemplo de saída:

{
  "employee_name": "John Smith",
  "department": "Sales",
  "total": 1250.00,
  "trip_type": "Domestic",
  "itemized_expenses": [
    {
      "date": "11/05/2024",
      "description": "Hotel - Centro (3 noites)",
      "category": "Hospedagem",
      "amount": 600.00
    },
    {
      "date": "11/05/2024",
      "description": "Jantar da equipe",
      "category": "Refeições",
      "amount": 150.00
    }
  ]
}

Guia de início rápido relacionado: Transforme respostas de IA em uma saída JSON estruturada

Os dados extraídos agora estão disponíveis em message.body e prontos para roteamento.

Monitorando o uso de tokens (Opcional)

Monitorar o uso de IA é uma boa prática para controle de custos. Neste exemplo, um Event Publisher foi adicionado após o Agent para acompanhar o consumo:

{
  "timestamp": {{ NOW() }},
  "step_name": "expense-extraction",
  "model": "gpt-4o",
  "tokens": {
    "input": {{ message.tokenUsage.inputTokenCount }},
    "output": {{ message.tokenUsage.outputTokenCount }},
    "total": {{ message.tokenUsage.totalTokenCount }}
  },
  "cost_calc": {{ COST_CALCULATION }}
}

Isso publica o uso de tokens em um pipeline de eventos para análise de custos.

3

Lógica de negócio

Agora que você tem dados estruturados vindos da IA, é possível encaminhar os relatórios com base em regras de negócio.

Roteamento simples por valor total

Na maioria dos casos, o roteamento depende do valor total da despesa:

• Abaixo de US$ 500: Aprovação automática

• Entre US$ 500 e US$ 2.000: Aprovação do gestor

• Acima de US$ 2.000: Aprovação da diretoria

Para este exercício, usaremos um conector Choice, já que o roteamento é feito com base no campo total, sem necessidade de cálculos ou agregações.

{
  "when": [
    {
      "path": "auto-approve",
      "jsonPath": "$.[?(@.body.total < 500)]"
    },
    {
      "path": "manager-approval",
      "jsonPath": "$.[?(@.body.total >= 500 && @.body.total < 2000)]"
    },
    {
      "path": "director-approval",
      "jsonPath": "$.[?(@.body.total >= 2000)]"
    }
  ],
  "otherwise": "error"
}

Após o roteamento, cada fluxo gera uma resposta apropriada.

Exemplo: Resposta de aprovação automática

JSON:

{
  "status": 200,
  "decision": "APPROVED",
  "employee": {{ message.body.employee_name }},
  "department": {{ message.body.department }},
  "total": {{ message.body.total }},
  "message": "Relatório de despesas aprovado automaticamente, abaixo do limite de US$ 500"
}

Extensões

Você pode estender esta solução de várias formas:

• Notificações por email: Enviar emails para o aprovador correto após o roteamento.

• Limites por departamento: Aplicar regras de aprovação diferentes para cada departamento.

• Armazenamento em banco de dados: Adicionar um conector de banco de dados após a resposta para registrar as decisões de despesas.

Isso cria uma trilha de auditoria e permite análises sobre padrões de despesas.

Principais aprendizados

• Saídas estruturadas são essenciais: O JSON Schema garante que a IA retorne dados confiáveis e previsíveis, e não texto livre.

• Monitore os custos: Sempre acompanhe o uso de tokens ao utilizar LLMs. Mesmo PDFs pequenos podem consumir centenas de tokens em escala.

• Falhe rápido: Valide as entradas (existência e tipo do arquivo) o quanto antes para evitar desperdício de tokens de IA. O conector Validator é sua primeira linha de defesa.

• Combine IA e regras: Use a IA para extrair dados (não estruturados para estruturados) e aplique lógica de negócio determinística para tomar decisões. Isso garante flexibilidade e controle.