Sidste opdatering: januar 2021.
Denne blog er en omfattende oversigt over brugen af OCR med ethvert RPA-værktøj til automatisering af dine dokumentarbejdsgange. Vi undersøger, hvordan de nyeste maskinlæringsbaserede OCR-teknologier ikke kræver regler eller skabelonopsætning.
RPA'er eller Robotic Process Automation er softwareværktøjer, der har til formål at eliminere gentagne forretningsopgaver. Flere CIO'er henvender sig til dem for at reducere omkostningerne og hjælpe medarbejderne med at fokusere på forretningsarbejde med højere værdi. Eksempler omfatter besvarelse af kommentarer på websteder eller kundeordrebehandling. Lidt mere komplekse opgaver omfatter håndtering af dokumenter som f.eks håndskrevne formularer , fakturaer – disse skal typisk flyttes fra det ene ældre system til det andet – sig din e-mail-klient til dit SAP ERP-system, hvor du skal udtrække data. Dette er den problematiske del.
De fleste OCR-værktøjer, der fanger data fra disse dokumenter, er skabelonbaserede (f.eks Abbyy Flexicapture) og skalerer ikke godt på semistrukturerede dokumenter. Der er nyere generation af maskinlæringsbaserede løsninger, der typisk leverer API
integrationer, der kan fange nøgleværdi-par fra dokumenter – virksomhedssystemer er typisk forældede og ikke åbne for integration med eksterne API'er. På den anden side er RPA'er bygget til at håndtere disse ældre systemarbejdsgange, såsom indlæsning af dokumenter fra mapper og indtastning af resultater i ERP'er eller CRM'er.
I takt med at Robotic Process Automation (RPA) og ML udvikler sig mod hyperautomatisering, kan vi gøre brug af softwarebots i forbindelse med ML til at håndtere komplekse opgaver såsom dokumentklassificering, ekstraktion og optisk tegngenkendelse. I en nylig undersøgelse blev det sagt, at ved at automatisere kun 29 % af funktionerne til en opgave ved hjælp af RPA'er, sparer økonomiafdelinger alene mere end 25,000 timers omarbejde forårsaget af menneskelige fejl til en pris af $878,000 om året for en organisation med 40 fuld- tidsregnskabspersonale [1]. I denne blog lærer vi om at bruge OCR'er med RPA'er og dykker dybt ned i dokumentforståelsesarbejdsgange. Nedenfor er indholdsfortegnelsen.
Definitioner og oversigt
RPA er generelt en teknologi, der hjælper med at automatisere administrative opgaver via software-hardware-bots. Disse bots drager fordel af brugergrænseflader; at fange dataene og manipulere applikationer, som mennesker gør. For eksempel kan en RPA se på en række opgaver taget i en GUI, f.eks. bevægelige markører, oprette forbindelse til API'er, kopiere og indsætte dataene og formulere den samme rækkefølge af handlinger i en RPA-wireframe, der oversættes til kode. Yderligere kan disse opgaver udføres uden menneskelig indgriben i fremtiden. Optical Character Recognition (OCR) er et afgørende træk ved enhver funktionel robotprocesautomatisering (RPA)-løsning. Denne teknologi bruges til at læse og udtrække tekst fra forskellige kilder som billeder eller PDF-filer til et digitalt format uden at fange det manuelt.
På den anden side er dokumentforståelse det udtryk, der bruges til automatisk at beskrive læsning, fortolkning og handling på dokumentdata. Det vigtigste i denne proces er, at softwarebots selv udfører alle opgaverne. Disse bots udnytter kraften fra kunstig intelligens og maskinlæring til at forstå dokumenter som digitale assistenter. På denne måde kan vi sige, at dokumentforståelse opstår i skæringspunktet mellem dokumentbehandling, AI og RPA.
Hvordan robotter kan lære at forstå dokumenterne med OCR og ML
Før vi dykker ned i dokumentforståelse først, lad os tale om rollen som Robotter til dokumentforståelse. Disse fuldstændig usynlige hjælpere gør vores liv meget mere behageligt. I modsætning til film og serier er disse robotter ikke fysiske enheder eller kunstig intelligens-programmer, der sidder ved et skrivebord og trykker på knapper for at udføre opgaver. Vi kan tænke på disse som digitale assistenter, der er uddannet til at behandle dokumenter ved at læse og bruge applikationer, som vi gør. På den funktionelle side er robotter gode til at forbedre ydeevnen og effektiviteten af en proces. Alligevel kan de, da de er en selvstændig software, ikke evaluere processen og træffe kognitive beslutninger. Men hvis maskinlæring med succes integreres, vil robotteknologi blive mere dynamisk og adaptiv. For eksempel vil robotter, der bruges til dokumentbehandling, datahåndtering og andre funktioner på tværs af front- og mellemkontoret, udføre mere intelligente handlinger, såsom at eliminere duplikerede poster eller løse ukendte systemundtagelser i processen. Derudover er robotterne trænet i at læse, udtrække, fortolke og handle på data fra dokumenterne ved hjælp af kunstig intelligens (AI).
Hvordan kan virksomheder integrere intelligent OCR med RPA for at forbedre arbejdsgange
Udtrækning af dokumentdata er en afgørende komponent for dokumentforståelse. I dette afsnit vil vi diskutere, hvordan vi kan integrere OCR med RPA eller omvendt. For det første vidste vi alle, at der er forskellige slags dokumenter med hensyn til skabeloner, stil, formatering og nogle gange sprog. Derfor kan vi ikke stole på en simpel OCR-teknik til at udtrække data fra disse dokumenter. For at løse dette problem vil vi bruge både regelbaserede tilgange og modelbaserede tilgange inden for OCR til at håndtere data fra forskellige dokumentstrukturer. Nu skal vi se, hvordan virksomheder, der laver OCR, kan integrere RPA'er i deres eksisterende system baseret på typen af dokumenter.
Strukturerede dokumenter: I denne type dokumenter er layouts og skabeloner normalt faste og næsten konsistente. Overvej for eksempel en organisation, der laver KYC med statsudstedte id'er som et pas eller kørekort. Alle disse dokumenter vil være identiske og have de samme felter som ID-nummer, personnavn, alder og få andre på de samme positioner. Men kun detaljerne varierer. Der kan være få begrænsninger som f.eks. tabeloverfyldte eller uarkiverede data.
Normalt bruger den anbefalede tilgang en skabelon eller regelbaseret motor til at udtrække informationen til strukturerede dokumenter. Disse kan omfatte regulære udtryk eller simpel positionstilknytning og OCR. For at integrere softwarerobotter for at automatisere informationsudtrækning kan vi derfor enten bruge allerede eksisterende skabeloner eller oprette regler for vores strukturerede data. Der er én ulempe ved at bruge den regelbaserede tilgang, da den er afhængig af faste dele, selv mindre ændringer i formstrukturen kan få regler til at bryde sammen.
Semi-strukturerede dokumenter: Disse dokumenter har de samme oplysninger, men er arrangeret i forskellige positioner. Overvej f.eks fakturaer indeholdende 8-12 identiske felter. Om lidt fakturaer, kan købmandsadressen være placeret øverst, og i andre kan den findes nederst. Typisk giver disse regelbaserede tilgange ikke høj nøjagtighed; derfor bringer vi maskinlærings- og deep learning-modeller ind i billedet til informationsudtrækning ved hjælp af OCR. Alternativt kan vi i nogle tilfælde bruge hybridmodeller, der involverer både regler og ML-modeller. Et par populære præ-trænede modeller er FastRCNN, Attention OCR, Graph Convolutions til informationsudtrækning i dokumenter. Men igen har disse modeller få ulemper; derfor måler vi algoritmens ydeevne ved hjælp af målinger som nøjagtighed eller konfidensscore. Fordi modellen er at lære mønstre, snarere end at operere ud fra konkrete regler, kan den begynde at lave fejl lige efter rettelser. Men løsningen på disse ulemper - jo flere prøver ML-modellen behandler, jo flere mønstre lærer den for at sikre nøjagtighed.
Ustrukturerede dokumenter: RPA er i dag ikke i stand til at administrere ustrukturerede data direkte, og kræver derfor, at robotter først udtrækker og skaber strukturerede data ved hjælp af OCR. I modsætning til strukturerede og semistrukturerede dokumenter har ustrukturerede data ikke nogle få nøgleværdipar. For eksempel i nogle få fakturaer, ser vi en købmandsadresse et sted uden noget nøglenavn; på samme måde observerer vi det samme for andre felter som dato, faktura-id. For at ML-modeller kan behandle disse nøjagtigt, skal robotterne lære at oversætte skrevet tekst til handlingsbare data, såsom en e-mail, telefonnummer, adresse osv. Modellen vil derefter lære, at 7- eller 10-cifrede talmønstre skal udtrækkes som telefonnumre og stor tekst indeholdende femcifrede koder og forskellige navneord som tekst. For at gøre disse modeller mere nøjagtige, kan vi også bruge teknikker fra Natural Language Processing (NLP) som Named Entity Recognition og Word Embedding.
Generelt for dokumentforståelse er det først vigtigt at forstå dataene og derefter implementere OCR med RPA'er. Dernæst, i stedet for at kortlægge en proces trin-for-trin, kan vi lære en robot at "gøre som jeg gør" ved at optage processen, som den sker med kraftfulde OCR-funktioner som diskuteret ovenfor, ved at integrere regler og maskinlæringsalgoritmer. Softwarerobotten følger dine klik og handlinger på skærmen og forvandler dem derefter til en redigerbar arbejdsgang. Hvis du udelukkende arbejder i lokale programmer, er det lige så meget, som du har brug for at vide.
OCR-udfordringer, som RPA-udviklere står over for
Vi har set, hvordan vi kan integrere OCRR med RPA'er til forskellige dokumenter, men der er enkelte tilfælde af udfordringer, hvor robotterne skal håndtere det godt. Lad os diskutere dem nu!
- Svage eller inkonsistente data: Data spiller en afgørende rolle i dokumentforståelsen. I de fleste tilfælde scannes dokumenterne ved hjælp af kameraer, hvor der er en chance for at miste dokumentformatering under tekstscanning (dvs. fed, kursiv og understregning genkendes ikke altid). Nogle gange kan OCR udtrække tekst på den forkerte måde, hvilket fører til stavefejl, uregelmæssige afsnitsskift, hvilket reducerer robotters overordnede ydeevne. Derfor er håndtering af alle de manglende værdier og indfangning af data med højere præcision afgørende for at opnå højere nøjagtighed for OCR.
- Forkert sideretning i dokumenter: Sideorientering og skævhed er også et af de almindelige problemer, der fører til forkert tekstkorrektion af OCR. Dette sker normalt, når dokumenterne scannes forkert i dataindsamlingsfasen. For at overvinde dette, bliver vi nødt til at erklære nogle få funktioner til robotter som autotilpasning til siden, autofilter, så de kan øge kvaliteten af det scannede dokument og modtage korrekte data ved output.
- Integrationsproblemer: Ikke alle RPA-værktøjer fungerer godt på eksterne desktop-miljøer - de forårsager nedbrud og kritiske problemer i automatisering. Hvad mere er, skal RPA-udvikleren vide, hvilken OCR-løsning der vil være den bedste til en specifik sag. For at arbejde med specifikke automatiseringsværktøjer skal RPA-udvikleren kun vælge begrænset OCR-teknologi skabt af Microsoft, Google. Derfor er det nogle gange udfordrende at integrere vores tilpassede algoritmer og modeller.
- Hele teksten er krypteret tekst: For brugssager i det virkelige liv er tekst, der er fanget af en generisk OCR, forvrænget og har ingen meningsfuld information, som bots kan bruge til at udføre væsentlige operationer. RPA-udviklere har brug for stærk ML-understøttelse for at kunne bygge nyttige applikationer.
Pipeline til Workflow for dokumentforståelse
I de foregående afsnit har vi set, hvordan bots hjælper med at udføre OCR for forskellige typer dokumenter. Men OCR er blot en teknik, der konverterer billeder eller andre filer til teksten. Nu, i dette afsnit, vil vi se på dokumentforståelse arbejdsgang lige fra begyndelsen af indsamling af dokumenter til endelig at gemme dem meningsfuld information i det ønskede format.
- Indtag dokumentet fra en mappe ved hjælp af din Bot: Dette er det første skridt til at opnå dokumentforståelse gennem bots. Her henter vi dokumentet, der er placeret enten på en cloud-platform (ved hjælp af en API) eller fra en lokal maskine. I nogle få tilfælde, hvis vores dokumenter er på websider, kan vi automatisere scraping-scripts gennem bots, hvor de kan hente dokumenter til tiden.
- Dokument type: Efter at vi har hentet dataene, er det vigtigt at forstå typen af dokument og det format, som de er gemt med i vores systemer, da vi nogle gange modtager data fra forskellige kilder i forskellige filformater som f.eks. PDF, PNG og JPG. Ikke kun filtyperne, nogle gange når dokumenterne scannes med telefonkameraer, bør nogle få udfordrende problemer som billedskævhed, rotation, lysstyrke eller lav opløsning også håndteres. Derved bliver vi nødt til at sikre, at bots klassificerer disse dokumenter i den strukturerede, semi-strukturerede eller ustrukturerede kategori, og dermed gemmer den i et generisk format. Klassificeringsopgaven opnås ved at sammenligne dokumenterne med skabeloner og analysere funktioner som skrifttyper, sprog, tilstedeværelse af nøgleværdi-par, tabeller osv.
- Udtræk af data med OCR: Okay, nu hvor botterne arrangerede vores dokumenter i et generisk format og klassificerede dem, er det tid for os at digitalisere dem ved hjælp af OCR-teknikken. Med dette får vi teksten, dens placering i koordinater fra billederne. Dette hjælper med at standardisere dokumenter og data til de efterfølgende trin. Vi støder også på nogle få, når OCR-software ikke kunne skelne korrekt mellem tegn, såsom 't' versus 'i' eller '0' versus 'O'. Selve de fejl, du ønsker at undvige ved at bruge OCR-software, kan blive ny hovedpine, når OCR-teknologien ikke er i stand til at analysere nuancerne i et dokument baseret på dets kvalitet eller originale form. Det er her Machine Learning kommer ind i billedet, som vi skal diskutere i næste trin.
- Udnyttelse af ML/DL til intelligent OCR ved hjælp af bots: Efter at dataene er digitaliseret, bør OCR-softwaren forstå, hvilken slags dokument den arbejder med, og hvad der er relevant. Men den traditionelle OCR-software kan have svært ved at skalere indsatsen for dokumentklassificering. Derfor bør softwarebots trænes med kognitive evner ved at udnytte maskinlæring og deep learning-teknikker til at gøre OCR'erne mere intelligente. ML-baserede OCR-løsninger kan identificere en dokumenttype og matche den med en kendt dokumenttype, der bruges af din virksomhed. De kan også parse og forstå tekstblokke i ustrukturerede dokumenter. Når først løsningen ved mere om selve dokumentet, kan den begynde at udtrække relevant information baseret på hensigt og mening.
- Bedre dataudtræk og klassificering: Dataudtræk er kernen i dokumentforståelse. Som diskuteret i det foregående afsnit om Integration af RPA'er med OCR i dette trin, skal du vælge dataekstraktionsteknikken baseret på dokumenttypen. Gennem RPA'er kan vi nemt konfigurere, hvilken ekstraktor der skal bruges, hvad enten det er en regelbaseret eller ML-baseret eller en hybrid model OCR-teknik. Baseret på de tillids- og ydeevnemålinger, der returneres efter informationsudtrækningen, vil softwarerobotterne gemme dem i vores ønskede format til yderligere analyse. Nedenfor er et billede af, hvordan vi kan konfigurere ekstraktorer og indstille konfidensniveau i et RPA-værktøj fra UIPath.
6. Validering og styrkende indsigt: OCR- og Machine Learning-modeller er ikke hundrede procent nøjagtige med hensyn til informationsudtrækning, hvorfor tilføjelse af et lag af menneskelig indgriben ved hjælp af robotter kan løse problemet. Måden denne validering fungerer på er, at hver gang robotterne håndterer lav nøjagtighed og undtagelser, sender den straks en notifikation til handlingscentret, hvor en medarbejder kan modtage en anmodning om at validere data eller håndtere undtagelser og kan løse eventuelle usikkerheder i et spørgsmål om klik. Yderligere kan vi frigøre potentialet for kunstig intelligens til at dokumentere data over tid for at lave forudsigelser og identificere potentielle anomalier, der kan indikere svindel, duplikering og andre fejl.
Fordele ved at integrere robotter med Document Understanding
- Automatiser proces: Hovedårsagen til at integrere bots til dokumentforståelse er at automatisere hele processen fra start til slut. Alt, hvad vi skal gøre, er at skabe en arbejdsgang, hvor bots kan lære, læne sig tilbage og slappe af. Under valideringsprocessen bliver vi muligvis nødt til at løse de problemer, der meddeles af bots, hvor eventuelle fejl eller svindel er identificeret.
- Bots med maskinlæring: Under automatiseringsprocessen kan vi gøre bots modstandsdygtige over for maskinlæring. Det betyder, at robotterne også kan lære, hvordan Machine Learning-modeller klarer sig og derved forbedre modellerne for at opnå højere nøjagtighed og ydeevne for tekst- og informationsudtrækning af dokumenter.
- Behandle bred vifte af dokumentbehandling: Til generelle opgaver som tabel- og informationsudtrækning bliver vi nødt til at oprette forskellige deep learning pipelines for forskellige typer dokumenter. Dette fører til at bygge flere applikationer og implementere forskellige modeller på forskellige servere, hvilket kræver en masse kræfter og tid. Når bots er på billedet for en lang række dokumenter, kunne vi kun have en enkelt pipeline, hvor bots kan klassificere dem og derefter bruge den passende model til forskellige opgaver. Vi kan også integrere forskellige tjenester gennem API'er og kommunikere med andre organisationer i forhold til at hente dataene.
- Nem at implementere: For dokumentforståelse, efter at pipelines er oprettet, tager implementeringsprocessen kun et minut. Vi kan enten få API'er eksporteret af bots efter træning, eller også kan vi få bygget en tilpasset RPA-løsning, der kan bruges i vores lokale systemer. Denne type implementering kan også optimere virksomhederne og kan reducere udgifterne med meget minimale risici.
Indtast nanonetter
NanoNets er en maskinlæringsplatform, der giver brugerne mulighed for at fange data fra fakturaer, kvitteringer og andre dokumenter uden skabelonopsætning. Vi har state of the art deep learning og computer vision algoritmer kørende på bagsiden, som kan håndtere enhver form for dokumentforståelsesopgaver som OCR, tabeludtrækning, nøgleværdiparudtrækning. De eksporteres normalt som API'er eller kan implementeres på stedet baseret på forskellige use cases. Her er et par eksempler,
- Fakturamodel: Identificer nøglefelter fra Fakturaer som købers navn, faktura-id, dato, beløb osv.
- Kvitteringsmodel: Identificer nøglefelter fra kvitteringer som sælgers navn, nummer, dato, beløb osv.
- Kørekort (USA): Identificer nøglefelter som licensnummer, DOB, udløbsdato, udstedelsesdato osv.
- CV: Uddrag erfaring, uddannelse, færdighedssæt, kandidatinfo osv.
For at gøre disse arbejdsgange hurtigere og robuste bruger vi UiPath, et RPA-værktøj til problemfri automatisering af dine dokumenter uden nogen skabelon. I næste afsnit gennemgår vi, hvordan du kan bruge UiPath Connect med Nanonets til dokumentforståelse. De 3 største spillere på RPA-markedet er UiPath, Automation Anywhere og Blå prisme. Denne blog fokuserer på Uipath.
NanoNets med UiPath
Vi har lært at skabe en dokumentforståelsespipeline i vores tidligere afsnit. Det kræver grundlæggende viden om OCR, RPA'er og Machine learning, da der er forskellige tilgange og algoritmer til forskellige opgaver på forskellige punkter. Vi skal også bruge mange kræfter på at opbygge neurale netværk, der forstår vores skabeloner, træner og implementerer dem. For at være komfortabel og automatisere alt lige fra at uploade dokumenter, klassificere dem, bygge OCR, integrere ML-modeller, arbejder vi hos Nanonets på Ui Path for at skabe en problemfri pipeline til dokumentforståelse. Nedenfor er et billede af, hvordan dette fungerer.
Lad os nu gennemgå hver af disse og lære, hvordan vi kan integrere Nanonets med UiPath.
Trin 1: Tilmeld dig på UiPath og download UiPath Studio
For at oprette en arbejdsgang skal vi først oprette en konto i UiPath. Hvis du er en eksisterende bruger, kan du logge direkte ind på din konto og omdirigere dit UiPath-dashboard. Dernæst skal du downloade og installere UiPath Studio (Community Edition), som er gratis.
Trin 2: Download Nanonets-komponent
Dernæst for at konfigurere din pipeline til fakturabehandling, skal du downloade Nanonets Connector fra linket nedenfor.
-> NanoNets OCR – RPA-komponent
Nedenfor er et skærmbillede af UiPath Marketplace og Nanonets Component. For at downloade dette skal du også sørge for at logge ind på UiPath fra et Windows-operativsystem.
Dine downloadede filer skal indeholde filerne anført nedenfor,
UiPath OCR Predict ├── Main.xaml
└── project.json
Trin 3: Åbn Main.xaml-filen Nanonets Component
For at kontrollere, om Nanonets UiPath virker eller ej, kan du åbne din Main.xml-fil fra den downloadede Nanonets-komponent ved hjælp af Ui Path Studio. Så kan du se din pipeline, der allerede er oprettet for dig til dokumentbehandling.
Trin 4: Saml dit model-id, API-nøgle og API-endepunkt fra Nanonets APP
Dernæst kan du bruge enhver af de trænede OCR-modeller fra Nanonets APP og samle model-id'et, API-nøglen og slutpunktet. Nedenfor er flere detaljer, så du hurtigt kan finde dem.
Model-ID: Log ind på din Nanonets-konto og naviger til "Mine modeller". Du kan træne en ny model eller kopiere applikations-id'et for en eksisterende model.
API-endepunkt: Du kan vælge enhver eksisterende model og klikke på Integrer for at finde dit API-slutpunkt. Nedenfor er et eksempel på, hvordan dine endepunkter ser ud.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. API-nøgle: Naviger til fanen API-nøgle, og du kan kopiere enhver eksisterende API-nøgle eller oprette en ny.
Trin 5: Tilføj HTTP-anmodning for at få din metode og variabler til UI-stien
Nu for at integrere din model fra Nanonets til UI-stien, skal du først klikke på HTTP-anmodning og tilføje EndPoint, som kan findes i venstre navigation under Input-sektionen. Nedenfor er et skærmbillede.
Tilføj senere alle dine variabler for at etablere en forbindelse fra dit UiPath-studie til Nanonets API. Du kan finde dette afsnit i den nederste rude på fanen "Variables". Nedenfor er skærmbilledet, du skal opdatere/kopiere din API-nøgle, slutpunkt og model-id'et for din model her.
Trin 6: Tilføj filplacering til forudsigelser
Til sidst kan du tilføje din filplacering under fanen attributter, som vist på nedenstående skærmbillede, og trykke på afspilningsknappen på din øverste navigation for at forudsige dine output.
Voila! Her er vores output for det dokument, vi anmodede om i nedenstående skærmbillede. For at behandle mere kan du blot tilføje dine filplaceringer og trykke på Kør-knappen.
Trin 7 – Skub output til CSV / ERP
Til sidst, for at tilpasse vores output til dit ønskede format, kan vi tilføje nye blokke til din pipeline i Main.XML-filen. Vi kan også skubbe dette ind i alle eksisterende ERP-systemer gennem offline filer eller API-kald.
For enhver hjælp, kontakt os på support@nanonets.com
Webinar
Deltag i et webinar næste tirsdag om OCR med RPA, tilmeld dig her.
Referencer
[2] Dokumentforståelse – AI-dokumentbehandling
[3] RPA OCR – løftende procesautomatisering | PÆN
[4] Sådan bruger du kunstig intelligens til at optimere dokumentforståelsen
[5] https://www.uipath.com/product/document-understanding
[6] Brug af NanoNets i UiPath Workflow til Invoice OCR
Yderligere læsning
Du kan være interesseret i vores seneste indlæg om:
Update:
Tilføjet mere læsemateriale om brugen og virkningen af OCR, RPA i dokumentforståelse.
Kilde: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- Konto
- Bogføring og administration
- Handling
- Fordel
- AI
- algoritme
- algoritmer
- Alle
- analyse
- api
- API'er
- app
- Anvendelse
- applikationer
- Kunst
- kunstig intelligens
- Kunstig intelligens (AI)
- Kunstig intelligens og maskinlæring
- Automation
- automatisering overalt
- BEDSTE
- Største
- Blog
- Bot
- bots
- bygge
- Bygning
- virksomhed
- kameraer
- tilfælde
- Årsag
- forårsagede
- karaktergenkendelse
- klassificering
- Cloud
- Cloud platform
- kode
- kognitive
- Indsamling
- kommentarer
- Fælles
- samfund
- Virksomheder
- komponent
- Computer Vision
- tillid
- indhold
- Rettelser
- Omkostninger
- instrumentbræt
- data
- datastyring
- deal
- dyb læring
- Udvikler
- udviklere
- Enheder
- digital
- dokumenter
- Dodge
- kørsel
- Uddannelse
- effektivitet
- medarbejdere
- Endpoint
- Enterprise
- etc.
- udtrække dataene
- udvinding
- Feature
- Funktionalitet
- Fields
- Endelig
- finansiere
- Fornavn
- Fokus
- formular
- format
- bedrageri
- Gratis
- fremtiden
- Gartner
- Generelt
- gif
- godt
- vejlede
- Håndtering
- hovedpine
- link.
- Høj
- Hvordan
- How To
- HTTPS
- kæmpe
- Mennesker
- Hybrid
- identificere
- billede
- KIMOs Succeshistorier
- Forøg
- info
- oplysninger
- informationsudtræk
- Intelligens
- hensigt
- spørgsmål
- IT
- Nøgle
- viden
- KYC
- Sprog
- seneste
- føre
- førende
- LÆR
- lærte
- læring
- Niveau
- Leverage
- Licens
- Limited
- LINK
- lokale
- placering
- machine learning
- ledelse
- Marked
- markedsplads
- Match
- måle
- Merchant
- Metrics
- microsoft
- ML
- model
- Film
- Naturligt sprog
- Natural Language Processing
- Navigation
- net
- Neural
- neurale netværk
- NLP
- underretning
- numre
- OCR
- åbent
- drift
- operativsystem
- Produktion
- optisk tegngenkendelse
- ordrer
- Andet
- Andre
- pas
- ydeevne
- billede
- perron
- Populær
- Indlæg
- magt
- Precision
- Forudsigelser
- Procesautomatisering
- Programmer
- projekt
- kvalitet
- rejser
- rækkevidde
- RE
- Læsning
- reducere
- Resultater
- gennemgå
- robot
- Robot procesautomation
- robotteknik
- robotter
- rpa
- regler
- Kør
- kører
- sap
- besparelse
- Scale
- scanning
- skrabning
- Skærm
- sømløs
- Sælgere
- Series
- Tjenester
- sæt
- Simpelt
- So
- Software
- Software bots
- Løsninger
- SOLVE
- tilbringe
- starte
- Tilstand
- Studere
- support
- systemet
- Systemer
- bordudtræk
- Teknologier
- Teknologier
- Fremtiden
- tid
- top
- Kurser
- ui
- UiPath
- Opdatering
- us
- USA
- brugssager
- brugere
- værdi
- versus
- vision
- web
- webinar
- websites
- WHO
- vinduer
- inden for
- Arbejde
- workflow
- virker
- XML
- år
- youtube