Möchten Sie Daten aus gescannten Dokumenten extrahieren? Versuchen Nanonetze™ advanced KI-basierter OCR-Scanner um Informationen zu extrahieren und zu organisieren gescannte Dokumente Im Prinzip so, wie Sie es von Google Maps kennen..
Einleitung
Da sich die Welt der Bequemlichkeit halber von Papieren und Handschriften zu digitalen Dokumenten gewendet hat, ist die Bedeutung der Umwandlung von Bildern und gescannten Dokumenten in aussagekräftige Daten sprunghaft angestiegen.
Um mit dem Bedarf an hochpräziser Dokumentendatenextraktion Schritt zu halten, konzentrierten sich zahlreiche Forschungseinrichtungen und Unternehmen (z. B. Google, AWS, Nanonets usw.) tief auf die Technologien in den Bereichen Computer Vision und Natural Language Processing (NLP).
Das Aufblühen von Deep-Learning-Technologien hat für einen riesigen Sprung in die Art der Daten gesorgt, die extrahiert werden können; Wir sind nicht mehr darauf beschränkt, nur Text zu extrahieren, sondern auch andere Datenstrukturen wie Tabellen und Schlüssel-Wert-Paare. Viele Lösungen bieten jetzt verschiedene Produkte an, um die Bedürfnisse von Einzelpersonen und Geschäftsinhabern bei der Dokumentendatenextraktion zu erfüllen.
Dieser Artikel befasst sich mit der aktuellen Technologie, die für die Datenextraktion aus gescannten Dokumenten verwendet wird, gefolgt von einem kurzen praktischen Tutorial in Python. Wir werden uns auch einige der beliebtesten Lösungen ansehen, die derzeit auf dem Markt sind und die besten Angebote in diesem Bereich bieten.
Was ist Datenextraktion?
Datenextraktion ist der Prozess der Umwandlung unstrukturierter Daten in interpretierbare Informationen durch Programme, um eine weitere Datenverarbeitung durch Menschen zu ermöglichen. Hier listen wir einige der gängigsten Datentypen auf, die aus gescannten Dokumenten extrahiert werden sollen.
Textdaten
Die häufigste und wichtigste Aufgabe bei der Datenextraktion aus gescannten Dokumenten ist die Textextraktion. Dieser scheinbar unkomplizierte Vorgang ist tatsächlich sehr schwierig, da gescannte Dokumente oft im Bildformat vorliegen. Zudem sind die Extraktionsmethoden stark von der Textart abhängig. Während Text die meiste Zeit in dicht gedruckten Formaten vorliegt, ist die Fähigkeit, spärlichen Text aus weniger gut gescannten Dokumenten oder aus handgeschriebenen Briefen mit drastisch unterschiedlichen Stilen zu extrahieren, ebenso wichtig. Ein solcher Prozess wird es Programmen ermöglichen, Bilder in maschinencodierten Text umzuwandeln, wo wir sie weiter von unstrukturierten Daten (ohne bestimmte Formatierung) in strukturierte Daten für die weitere Analyse organisieren können.
Tische
Tabellenformen sind der beliebteste Ansatz für die Datenspeicherung, da das Format mit dem menschlichen Auge leicht zu interpretieren ist. Der Prozess des Extrahierens von Tabellen aus gescannten Dokumenten erfordert eine Technologie, die über die Zeichenerkennung hinausgeht – man muss die Linien und andere visuelle Merkmale erkennen, um eine ordnungsgemäße Tabellenextraktion durchzuführen und diese Informationen weiter in strukturierte Daten für weitere Berechnungen umzuwandeln. Computer-Vision-Methoden (im Detail in den folgenden Abschnitten beschrieben) werden häufig verwendet, um eine Tabellenextraktion mit hoher Genauigkeit zu erreichen.
Schlüssel-Wert-Paare
Ein alternatives Format, das wir häufig in Dokumenten zur Datenspeicherung verwenden, sind Schlüssel-Wert-Paare (KVPs).
KVPs sind im Wesentlichen zwei Datenelemente – ein Schlüssel und ein Wert – die zu einem einzigen verknüpft sind. Der Schlüssel wird als eindeutige Kennung für den abzurufenden Wert verwendet. Ein klassisches KVP-Beispiel ist das Wörterbuch, wo die Vokabulare die Schlüssel und die entsprechenden Definitionen die Werte sind. Diese Paare werden, obwohl sie normalerweise unbemerkt bleiben, tatsächlich sehr häufig in Dokumenten verwendet: Fragen in Umfragen wie Name, Alter und Preise von Artikeln in Rechnungen sind alle implizit KVPs.
Im Gegensatz zu Tabellen existieren KVPs jedoch oft in unbekannten Formaten und sind manchmal sogar teilweise handschriftlich. Beispielsweise könnten Schlüssel in Kästchen vorgedruckt und Werte beim Ausfüllen des Formulars handschriftlich eingetragen werden. Daher ist das Auffinden der zugrunde liegenden Strukturen zur automatischen Durchführung der KVP-Extraktion selbst für die fortschrittlichsten Einrichtungen und Labore ein fortlaufender Forschungsprozess.
Zahlen
Schließlich ist es auch sehr wichtig, zu extrahieren oder Daten erfassen aus Abbildungen in einem gescannten Dokument. Statistische Indikatoren wie Torten- und Balkendiagramme enthalten oft wichtige Informationen für Dokumente. Ein guter Datenextraktionsprozess sollte in der Lage sein, aus den Legenden und Zahlen abzuleiten, um Daten teilweise aus Abbildungen für die weitere Verwendung zu extrahieren.
Möchten Sie Daten aus gescannten Dokumenten extrahieren? Gib Nanonetze™ Ein Dreh für höhere Genauigkeit, größere Flexibilität, Nachbearbeitung und eine breite Palette von Integrationen!
Technologien hinter der Datenextraktion
Die Datenextraktion dreht sich um zwei Hauptprozesse: Optische Zeichenerkennung (OCR) gefolgt von Natural Language Processing (NLP).
Die OCR-Extraktion ist der Prozess der Umwandlung von Textbildern in maschinencodierten Text, während letzteres die Analyse der Wörter ist, um auf Bedeutungen zu schließen. Die OCR wird häufig von anderen Computer-Vision-Techniken wie Box- und Linienerkennung begleitet, um die oben genannten Datentypen wie Tabellen und KVPs für eine umfassendere Extraktion zu extrahieren.
Die Kernverbesserungen hinter der Datenextraktionspipeline sind eng mit den Fortschritten im Deep Learning verbunden, die einen großen Beitrag zu den Bereichen Computer Vision und Natural Language Processing (NLP) geleistet haben.
Was ist tiefes Lernen?
Deep Learning spielt eine wichtige Rolle hinter dem Hype der Ära der künstlichen Intelligenz und wurde in zahlreichen Anwendungen ständig in den Vordergrund gerückt. In der traditionellen Technik ist es unser Ziel, ein System/eine Funktion zu entwerfen, die aus einer gegebenen Eingabe eine Ausgabe erzeugt; Deep Learning hingegen stützt sich auf die Inputs und Outputs, um die Zwischenbeziehung zu finden, die durch die so genannten auf neue unsichtbare Daten erweitert werden kann neuronale Netzwerk.
Ein neuronales Netzwerk oder ein mehrschichtiges Perzeptron (MLP), ist eine maschinelle Lernarchitektur, die davon inspiriert ist, wie menschliche Gehirne lernen. Das Netzwerk enthält Neuronen, die biologische Neuronen nachahmen und „aktivieren“, wenn ihnen unterschiedliche Informationen gegeben werden. Sätze von Neuronen bilden Schichten, und mehrere Schichten werden zusammengestapelt, um ein Netzwerk zu bilden, das den Vorhersagezwecken mehrerer Formen dient (dh Bildklassifikationen oder Begrenzungsrahmen für Objekterkennungen).
Auf dem Gebiet des Computersehens wird eine Art neuronaler Netzwerkvariation stark angewendet – Convolutional Neural Networks (CNNs). Anstelle herkömmlicher Schichten verwendet ein CNN Faltungskerne, die zur Merkmalsextraktion durch Tensoren (oder hochdimensionale Vektoren) gleiten. Zusammen mit traditionellen Netzwerkschichten sind CNNs am Ende sehr erfolgreich bei bildbezogenen Aufgaben und bildeten außerdem die Grundlage für die OCR-Extraktion und andere Merkmalserkennung.
Andererseits ist NLP auf andere Netzwerke angewiesen, die sich auf Zeitreihendaten konzentrieren. Im Gegensatz zu Bildern, bei denen ein Bild unabhängig vom anderen ist, kann die Textvorhersage in hohem Maße verbessert werden, wenn auch Wörter davor oder danach berücksichtigt werden. In den vergangenen Jahren ist eine Familie von Netzwerken entstanden, nämlich lange Kurzzeitgedächtnisse (LSTMs), das frühere Ergebnisse als Eingaben verwendet, um die aktuellen Ergebnisse vorherzusagen. Bilaterale LSTMs wurden auch häufig verwendet, um die Vorhersageleistung zu verbessern, wobei sowohl die Ergebnisse davor als auch danach berücksichtigt wurden. In den letzten Jahren beginnt jedoch ein Konzept von Transformatoren, das einen Aufmerksamkeitsmechanismus verwendet, aufgrund seiner höheren Flexibilität zu steigen, was zu besseren Ergebnissen führt als herkömmliche Netzwerke, die sequentielle Zeitreihen handhaben.
Anwendungen der Datenextraktion
Das Hauptziel der Datenextraktion besteht darin, Daten aus unstrukturierten Dokumenten in strukturierte Formate umzuwandeln, in denen ein hochgenauer Abruf von Text, Zahlen und Datenstrukturen für die numerische und kontextbezogene Analyse sehr hilfreich sein kann. Diese Analysen können insbesondere für Unternehmen sehr hilfreich sein:
Geschäft
Unternehmen und große Organisationen müssen sich täglich mit Tausenden von Papierkram in ähnlichen Formaten befassen – Großbanken erhalten zahlreiche identische Anträge, und Forschungsteams müssen Stapel von Formularen analysieren, um statistische Analysen durchzuführen. Daher reduziert die Automatisierung des ersten Schritts des Extrahierens von Daten aus Dokumenten die Redundanz der Personalressourcen erheblich und ermöglicht es den Mitarbeitern, sich auf die Analyse von Daten und die Überprüfung von Anträgen zu konzentrieren, anstatt Informationen einzugeben.
- Verifizieren von Anwendungen — Unternehmen erhalten unzählige Bewerbungen, ob handschriftlich oder nur über Bewerbungsformulare. In den meisten Fällen können diese Anträge von persönlichen IDs zu Überprüfungszwecken begleitet werden. Gescannte Ausweisdokumente wie Pässe oder Karten kommen normalerweise in Stapeln mit ähnlichen Formaten. Daher kann ein gut geschriebener Datenextraktor die Daten (Texte, Tabellen, Abbildungen, KVPs) schnell in maschinenverständliche Texte umwandeln, was die Arbeitsstunden für diese Aufgaben erheblich reduzieren und sich auf die Anwendungsauswahl anstatt auf die Extraktion konzentrieren könnte.
- Zahlungsabgleich — Payment Reconciliation ist der Prozess des Vergleichs von Kontoauszügen, um sicherzustellen, dass die Zahlen zwischen Konten übereinstimmen, was sich stark um die Datenextraktion aus Dokumenten dreht – eine Herausforderung für ein Unternehmen mit beträchtlicher Größe und verschiedenen Einnahmequellen. Die Datenextraktion kann diesen Prozess vereinfachen und es den Mitarbeitern ermöglichen, sich auf fehlerhafte Daten zu konzentrieren und potenzielle betrügerische Ereignisse in Bezug auf den Cashflow zu untersuchen.
- Statistische Analyse — Feedback von Kunden oder Experimentteilnehmern wird von Unternehmen und Organisationen genutzt, um ihre Produkte und Dienstleistungen zu verbessern, und eine umfassende Feedback-Auswertung erfordert normalerweise eine statistische Analyse. Umfragedaten können jedoch in zahlreichen Formaten vorliegen oder zwischen Text mit verschiedenen Formaten versteckt sein. Die Datenextraktion könnte den Prozess erleichtern, indem sie offensichtliche Daten aus Dokumenten in Stapeln hervorhebt, das Auffinden nützlicher Prozesse erleichtert und letztendlich die Effizienz erhöht.
- Frühere Aufzeichnungen teilen — Vom Gesundheitswesen bis zum Wechsel von Bankdienstleistungen benötigen große Industrien oft neue Kundeninformationen, die woanders möglicherweise bereits vorhanden waren. Beispielsweise kann ein Patient, der aufgrund eines Umzugs das Krankenhaus wechselt, über bereits vorhandene Krankenakten verfügen, die für das neue Krankenhaus hilfreich sein könnten. In solchen Fällen ist eine gute Datenextraktionssoftware praktisch, da die Person lediglich eine eingescannte Historie der Aufzeichnungen in das neue Krankenhaus bringen muss, damit sie alle Informationen automatisch ausfüllen kann. Dies wäre nicht nur bequem, sondern könnte insbesondere im Gesundheitswesen auch umfangreiche Risiken vermeiden, dass wichtige Patientenakten übersehen werden.
Möchten Sie Daten aus gescannten Dokumenten extrahieren? Gib Nanonetze™ Ein Dreh für höhere Genauigkeit, größere Flexibilität, Nachbearbeitung und eine breite Palette von Integrationen!
Tutorials
Um einen klareren Überblick darüber zu geben, wie die Datenextraktion durchgeführt wird, zeigen wir zwei Gruppen von Methoden zur Durchführung der Datenextraktion aus gescannten Dokumenten.
Bauen von Grund auf neu
Man kann eine einfache OCR-Engine zum Extrahieren von Daten über die PyTesseract-Engine wie folgt erstellen:
try: from PIL import Image
except ImportError: import Image
import pytesseract # If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:Program Files (x86)Tesseract-OCRtesseract' # Simple image to string
print(pytesseract.image_to_string(Image.open('test.png'))) # List of available languages
print(pytesseract.get_languages(config='')) # French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra')) # In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png')) # Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt')) # Timeout/terminate the tesseract job after a period of time
try: print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error: # Tesseract processing is terminated pass # Get bounding box estimates
print(pytesseract.image_to_boxes(Image.open('test.png'))) # Get verbose data including boxes, confidences, line and page numbers
print(pytesseract.image_to_data(Image.open('test.png'))) # Get information about orientation and script detection
print(pytesseract.image_to_osd(Image.open('test.png'))) # Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f: f.write(pdf) # pdf type is bytes by default # Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr') # Get ALTO XML output
xml = pytesseract.image_to_alto_xml('test.png')
Für weitere Informationen zum Code können Sie deren offizielles Konto besuchen Dokumentation.
Einfach ausgedrückt extrahiert der Code Daten wie Texte und Begrenzungsrahmen aus einem bestimmten Bild. Obwohl die Engine ziemlich nützlich ist, ist sie aufgrund ihrer erheblichen Rechenleistung für das Training nicht so stark wie die von fortschrittlichen Lösungen bereitgestellten.
Verwenden der Google Document-API
def async_detect_document(gcs_source_uri, gcs_destination_uri):
"""OCR with PDF/TIFF as source files on GCS""" import json import re from google.cloud import vision from google.cloud import storage # Supported mime_types are: 'application/pdf' and 'image/tiff' mime_type = 'application/pdf' # How many pages should be grouped into each json output file. batch_size = 2 client = vision.ImageAnnotatorClient() feature = vision.Feature( type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION) gcs_source = vision.GcsSource(uri=gcs_source_uri) input_config = vision.InputConfig( gcs_source=gcs_source, mime_type=mime_type) gcs_destination = vision.GcsDestination(uri=gcs_destination_uri) output_config = vision.OutputConfig( gcs_destination=gcs_destination, batch_size=batch_size) async_request = vision.AsyncAnnotateFileRequest( features=[feature], input_config=input_config, output_config=output_config) operation = client.async_batch_annotate_files( requests=[async_request]) print('Waiting for the operation to finish.') operation.result(timeout=420) # Once the request has completed and the output has been # written to GCS, we can list all the output files. storage_client = storage.Client() match = re.match(r'gs://([^/]+)/(.+)', gcs_destination_uri) bucket_name = match.group(1) prefix = match.group(2) bucket = storage_client.get_bucket(bucket_name) # List objects with the given prefix. blob_list = list(bucket.list_blobs(prefix=prefix)) print('Output files:') for blob in blob_list: print(blob.name) # Process the first output file from GCS. # Since we specified batch_size=2, the first response contains # the first two pages of the input file. output = blob_list[0] json_string = output.download_as_string() response = json.loads(json_string) # The actual response for the first page of the input file. first_page_response = response['responses'][0] annotation = first_page_response['fullTextAnnotation'] # Here we print the full text from the first page. # The response contains more information: # annotation/pages/blocks/paragraphs/words/symbols # including confidence scores and bounding boxes print('Full text:n') print(annotation['text'])
Letztendlich ermöglicht Ihnen die Dokumenten-KI von Google, zahlreiche Informationen aus Dokumenten mit hoher Genauigkeit zu extrahieren. Darüber hinaus wird der Dienst auch für spezifische Verwendungen angeboten, einschließlich Textextraktion sowohl für normale als auch für wilde Bilder.
Bitte beachten Sie hier für mehr.
Aktuelle Lösungen mit Datenextraktion
Neben großen Unternehmen mit APIs für die Dokumentendatenextraktion gibt es mehrere Lösungen, die eine hohe Genauigkeit bieten PDF OCR Dienstleistungen. Wir präsentieren mehrere Optionen von PDF OCR, die auf verschiedene Aspekte spezialisiert sind, sowie einige aktuelle Forschungsprototypen, die vielversprechende Ergebnisse zu liefern scheinen*:
*Randnotiz: Es gibt mehrere OCR-Dienste, die auf Aufgaben wie Bilder in freier Wildbahn ausgerichtet sind. Wir haben diese Dienste übersprungen, da wir uns derzeit nur auf das Lesen von PDF-Dokumenten konzentrieren.
- Google APIs — Als einer der größten Online-Dienstleister bietet Google mit seiner bahnbrechenden Computer-Vision-Technologie beeindruckende Ergebnisse bei der Dokumentenextraktion. Man kann ihre Dienste kostenlos nutzen, wenn die Nutzung ziemlich gering ist, aber der Preis steigt, wenn die API-Aufrufe zunehmen.
- Tiefenleser — Deep Reader ist eine Forschungsarbeit, die auf der ACCV Conference 2019 veröffentlicht wurde. Sie enthält mehrere hochmoderne Netzwerkarchitekturen, um Aufgaben wie z Dokumentenabgleich, Textabruf und Entrauschen von Bildern. Es gibt zusätzliche Funktionen wie Tabellen und die Extraktion von Schlüssel-Wert-Paaren, mit denen Daten auf organisierte Weise abgerufen und gespeichert werden können.
- Nanonets ™ — Mit einem hochqualifizierten Deep-Learning-Team ist Nanonets™ PDF OCR vollständig vorlagen- und regelunabhängig. Daher können Nanonets™ nicht nur mit bestimmten PDF-Typen arbeiten, sondern auch auf jeden Dokumenttyp zum Abrufen von Text angewendet werden.
Möchten Sie Daten aus gescannten Dokumenten extrahieren? Gib Nanonetze™ Ein Dreh für höhere Genauigkeit, größere Flexibilität, Nachbearbeitung und eine breite Palette von Integrationen!
Zusammenfassung
Abschließend bietet dieser Artikel eine umfassende Erklärung zur Datenextraktion aus gescannten Dokumenten, einschließlich der dahinter stehenden Herausforderungen und der für diesen Prozess erforderlichen Technologie.
Es werden zwei Tutorials zu verschiedenen Methoden vorgestellt, und aktuelle Lösungen, die dies standardmäßig anbieten, werden ebenfalls als Referenz vorgestellt.
- 2019
- Über uns
- Absolute
- Konto
- genau
- Erreichen
- Zusatz
- Zusätzliche
- advanced
- Vorschüsse
- AI
- Algorithmen
- Alle
- bereits
- Alternative
- analysieren
- Analyse
- Ein anderer
- Bienen
- APIs
- Anwendung
- Anwendungen
- Ansatz
- Architektur
- um
- Artikel
- künstlich
- künstliche Intelligenz
- Aufmerksamkeit
- Automation
- verfügbar
- AWS
- Hintergrund
- Bank
- Banken
- Grundlage
- Sein
- BESTE
- Beyond
- Größte
- Grenze
- Box
- bauen
- Geschäft
- Unternehmen
- Karten
- Fälle
- Bargeld
- Cash-Flow-
- sicher
- Herausforderungen
- herausfordernd
- Charts
- Kasse
- klassisch
- Cloud
- CNN
- Code
- wie die
- gemeinsam
- Unternehmen
- Unternehmen
- uneingeschränkt
- Abschluss
- umfassend
- Berechnung
- Computer
- konzept
- Konferenz
- Vertrauen
- Sie
- ständig
- enthält
- beigetragen
- sehr beliebtes Sprach- und Freizeitprogramm
- Praktische
- Konvertierungen
- Kernbereich
- Konzerne
- Dazugehörigen
- könnte
- wichtig
- Strom
- Zur Zeit
- Kunde
- Kunden
- technische Daten
- Datenverarbeitung
- Datenspeichervorrichtung
- Deal
- beschrieben
- Design
- Detail
- Entdeckung
- anders
- schwer
- digital
- Unterlagen
- leicht
- Effizienz
- Mitarbeiter
- Motor
- Entwicklung
- insbesondere
- im Wesentlichen
- Schätzungen
- etc
- Auswertung
- Veranstaltungen
- Beispiel
- Außer
- Experiment
- ERKUNDEN
- umfangreiche
- KONZENTRAT
- Familie
- Merkmal
- Eigenschaften
- Feedback
- Felder
- Suche nach
- Vorname
- Flexibilität
- Fluss
- Setzen Sie mit Achtsamkeit
- konzentriert
- konzentriert
- Fokussierung
- Folgende
- Vordergrund
- unten stehende Formular
- Format
- Formen
- Frei
- Französisch
- Erfüllen
- voller
- weiter
- Kundenziele
- gut
- mehr
- sehr
- Handling
- praktische
- ganzer
- Gesundheitswesen
- Healthcare-Industrie
- hilfreich
- hier
- High
- höher
- hoch
- Geschichte
- Krankenhäuser
- Ultraschall
- Hilfe
- aber
- HTTPS
- human
- Human Resources
- Humans
- Image
- Bedeutung
- wichtig
- zu unterstützen,
- das
- Einschließlich
- Einkommen
- Erhöhung
- Krankengymnastik
- Einzelpersonen
- Branchen
- Energiegewinnung
- Information
- Eingabe
- inspirierte
- Intelligenz
- Problem
- IT
- Job
- Wesentliche
- Tasten
- Labs
- Sprache
- Sprachen
- grosse
- führenden
- LERNEN
- lernen
- Line
- Liste
- Lang
- Maschine
- Maschinelles Lernen
- Dur
- Mehrheit
- Mann
- Weise
- Markt
- Spiel
- Abstimmung
- sowie medizinische
- Methoden
- mehr
- vor allem warme
- Am beliebtesten
- ziehen um
- mehrere
- nämlich
- Natürliche
- Bedürfnisse
- Netzwerk
- Netzwerke
- normal
- Zahlen
- und viele
- bieten
- angeboten
- bieten
- Angebote
- Angebote
- offiziell
- laufend
- Online
- Betrieb
- Optionen
- Auftrag
- Organisationen
- Organisiert
- Andere
- Besitzer
- Teilnehmer
- Zahlung
- Durchführung
- Zeit
- persönliche
- Pionierarbeit
- Beliebt
- Potenzial
- Werkzeuge
- vorhersagen
- Prognose
- Gegenwart
- ziemlich
- früher
- Preis
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkte
- Programm
- Programme
- aussichtsreich
- die
- Bereitstellung
- Zwecke
- schnell
- RE
- Leser
- Lesebrillen
- erhalten
- Versöhnung
- Aufzeichnungen
- Veteran
- in Bezug auf
- Beziehung
- Anforderung
- erfordern
- falls angefordert
- erfordert
- Forschungsprojekte
- Downloads
- Antwort
- Die Ergebnisse
- Rückkehr
- Risiken
- Scannen
- Sekunden
- Leistungen
- kompensieren
- mehrere
- Short
- kurzfristig
- ähnlich
- Einfacher
- da
- Größe
- Software
- solide
- Lösungen
- einige
- spezialisiert
- Wirbelsäule ... zu unterstützen.
- State-of-the-art
- Aussagen
- statistisch
- storage
- Strom
- stark
- strukturierte
- wesentlich
- erfolgreich
- Unterstützte
- Umfrage
- gezielt
- und Aufgaben
- Team
- Techniken
- Technologies
- Technologie
- Test
- die Welt
- deswegen
- Tausende
- Durch
- Zeit
- mal
- gemeinsam
- Ton
- gegenüber
- traditionell
- Ausbildung
- Tutorials
- Typen
- verstehen
- einzigartiges
- -
- gewöhnlich
- Wert
- verschiedene
- Verification
- Anzeigen
- Seh-
- ob
- während
- .
- ohne
- Worte
- Arbeiten
- Arbeiter
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- würde
- XML
- Jahr