Introducción
Este artículo lo guiará a través de qué son las transformaciones digitales, qué las impulsa, cómo ayudar a las transformaciones digitales exitosas, cómo la IA y el aprendizaje profundo pueden ayudar, los desafíos que podría enfrentar en la implementación y cómo solucionarlos. También hablaremos sobre lo que significa el ritmo actual de crecimiento tecnológico para el futuro del trabajo y lo que podemos hacer con la paranoia que acompaña al aumento de la automatización. Mientras hablando de singularidad o Skynet asumiendo el control no es el punto de este blog, sería un poco apático no reconocer los riesgos que vienen con la aceleración en el avance tecnológico.
¿Tiene un problema de extracción de datos en mente? Dirigirse a Nanonetas ¡y comienza a construir modelos gratis!
Transformación digital
A medida que avanza la tecnología, también lo hacen nuestros flujos de trabajo, la estructura de nuestras instituciones y organizaciones y las herramientas que nos ayudan a realizar las tareas requeridas. Esto requiere que una organización desarrolle nuevas competencias, como ser más centrada en el cliente, innovadora, optimizada, eficiente, ser capaz de procesar el creciente volumen de información y aprovechar estos nuevos medios de ingresos. La construcción de una estrategia de transformación digital para una empresa puede estar cargada de obstáculos y nos obliga a pensar en una variedad de cosas, incluidas las colaboraciones, la cultura, los ecosistemas, el empoderamiento, etc., y tener una hoja de ruta clara para realizar dicha transición es algo difícil de formular.
Según este McKinsey artículo, menos del 30% de las transformaciones digitales tienen éxito. El número es aún menor para las organizaciones con conocimientos digitales como las empresas de medios y telecomunicaciones: menos del 26%. Las cifras descienden aún más en industrias tradicionales como las de petróleo y gas, infraestructura y productos farmacéuticos, con una tasa de éxito de entre el 4 y el 11%.
Comprender por qué necesita una transformación y formular una estrategia integral para lograr objetivos claramente definidos requiere un buen liderazgo que tenga un buen conocimiento de varias facetas del mundo empresarial.
Asegurar una transformación exitosa
Asegurar una transformación exitosa requiere que una organización se desempeñe en varios niveles, requiere que su gente sea más comprometida, productiva y deseosa de encontrar soluciones innovadoras a problemas nuevos o persistentes.
Algunos factores que pueden decidir si los esfuerzos de su organización tienen éxito incluyen
- Buen liderazgo, compromiso visible de la alta dirección y canalización eficaz de la fuerza laboral para maximizar la producción.
- Una estrategia cohesiva para unir diferentes departamentos como ventas, marketing, cadena de suministro, desarrollo empresarial y tecnología.
- Comunicación clara de visión, metas y responsabilidades entre colegas, equipos, departamentos y alta dirección.
- Innovación en los frentes tecnológico, cultural y organizativo.
- Automatización para facilitar los flujos de trabajo, mejorar la productividad, aumentar la eficiencia y los ingresos.
- Conectividad entre varios departamentos, clientes y proveedores, y sistemas de respuesta rápida implementados.
- Voluntad de los empleados y conveniencia de los clientes para adaptarse a un panorama tecnológico cambiante.
- Toma de decisiones impulsada por conocimientos sólidos extraídos de datos distribuidos a lo largo del tiempo y que capturan múltiples paisajes y escenarios
- Desarrollar el talento y las habilidades necesarias para sostener la transformación en el futuro.
- Actualizar las herramientas del día a día para permitir una mejor digitalización de la información y una mejor experiencia del usuario.
Puedes encontrar un recurso mucho mejor esta página si tiene la intención de profundizar en las transformaciones digitales, cómo se pueden implementar, con qué tener cuidado y los factores clave que hacen que una transformación sea exitosa. Aquí hay un artículo que explica al lector cómo aprovechar la ola de cambios regulatorios relacionados con la privacidad y el lavado de dinero con la ayuda de la inteligencia artificial y el aprendizaje profundo.
La información como facilitador
Con el tiempo, hemos visto un cambio hacia economía de plataforma impulsado por tecnologías de vanguardia como inteligencia artificial, análisis de big data, computación en la nube e Internet de las cosas. Mantener la relevancia en una era de empresas como Airbnb, Uber, Amazon, Google, Salesforce y Facebook requiere que adoptemos un enfoque centrado en los datos y basado en la información. Comprender el poder de la información y cómo puede ayudar a la transformación digital es clave.
- El qué – Existe un flujo constante de información en varios medios: imágenes, artículos, informes, trabajos de investigación, documentos impresos, documentos digitales, etc. Una empresa, dependiendo de lo que haga, podría tener que lidiar con algunos o muchos de estos medios. A menudo, existe toda esta información que las empresas recopilan de sus clientes y clientes que no saben cómo utilizar y generar valor.
- El porque – Determinar de antemano sus objetivos para una transformación digital puede contribuir en gran medida a crear una estrategia sólida basada en métricas y KPI sólidos. ¿Su objetivo final es aumentar las ventas y los ingresos, impulsar un cambio cultural hacia tecnologías más nuevas o tal vez promover una mejor experiencia del cliente? Saber lo que quiere al final puede ayudar a los científicos e ingenieros de datos a diseñar soluciones de una manera que se alinee con la visión más amplia de la empresa.
- El como – Se deben discutir varias cosas como la viabilidad del producto con los gerentes de ingeniería e infraestructura, datos de capacitación, definición de KPI, elección / diseño de algoritmos, implementación e integración, prueba e implementación. Un flujo de trabajo conveniente que automatiza la digitalización de la información, facilita la revisión y la corrección de errores, la hace accesible para cualquier persona sin muchos conocimientos de ciencia de datos o desarrollo de software puede ser de gran ayuda para impulsar una transformación exitosa.
Ayudando a la transformación con IA
El aprendizaje automático y la inteligencia artificial pueden ayudar a las empresas a automatizar varias tareas tediosas, laboriosas y repetitivas, y liberar tiempo y valiosos recursos humanos para tareas más importantes.
Tomemos el ejemplo de un sistema de administración de la cadena de suministro que ayuda a las empresas a administrar inventarios, pagos, ventas, distribución, etc. En un software tradicional, los datos sobre recibos y bienes comprados y vendidos deberían ingresarse manualmente. Se contrataría a varias personas únicamente para revisar recibos y facturas.
Los beneficios que puede generar la digitalización de estas facturas y recibos son infinitos si la información ahora digital se procesa utilizando herramientas basadas en aprendizaje automático. Puedes aprender más sobre digitalización aquí. Calidad de imagen, extracción de información, estructuración de información, corrección de errores, entrada de datos, almacenamiento de datos: todos estos pasos que generalmente requieren que varias personas dediquen horas y horas a realizar el trabajo, pueden ser semiautomatizados, lo que reduce la cantidad de personas necesarias para la misma cantidad de trabajo, que también en una fracción del tiempo que requería antes.
Digitalización de información
Los enfoques de aprendizaje profundo han avanzado en el problema particular de leer el texto y extraer información estructurada y no estructurada de las imágenes. Para que esta digitalización funcione para usted, hay varias cosas de las que debe estar seguro. Algunos de ellos se mencionan a continuación.
- Procesando datos - Los datos recopilados deben procesarse de manera adecuada para que nuestros algoritmos funcionen bien. Esto implica limpiar nuestro conjunto de datos, equilibrar las clases, asegurarnos de la calidad de nuestros datos, etc. Las imágenes ruidosas y borrosas pueden dañar gravemente sus predicciones. La información extraída de datos desordenados e inconsistentes puede llevar a decisiones desastrosas.
- Asegurando precisión – Si bien la investigación en aprendizaje automático se esfuerza constantemente por la generalización en sus algoritmos de aprendizaje, logrando una verdadera inteligencia general es un objetivo inverosímil para cualquier empresa que intente aprovechar la tecnología para su beneficio. Los diferentes casos de uso pueden permitir diferentes tasas de error, lo que a su vez decide cómo se definen sus objetivos de aprendizaje automático.
- Manejo de almacenamiento y recuperación – Una plataforma o software que procesa información debe tener una sólida integración de backend con las bases de datos de la empresa y una infraestructura sólida construida sobre tecnologías de big data sólidas para poder realizar operaciones a escala con baja latencia, tiempo de inactividad mínimo y alta tolerancia a fallas.
- Fácil accesibilidad – Un flujo de trabajo que sea evidente, fácil de entender, fácil de trabajar y que requiera pocos conocimientos previos por parte del usuario puede ayudar a que la transformación se desarrolle sin problemas. Permitir que los humanos estén en el circuito puede ayudar a procesar la información y revisarla más rápido y con menos errores. A escala, esto ayuda a aumentar la productividad en la organización.
Desafíos de implementación
La automatización de procesos que utilizan el aprendizaje profundo conlleva muchos obstáculos y una canalización completamente automatizada de extremo a extremo para las tareas relacionadas con la digitalización, la entrada y la revisión es muy difícil de lograr y a menudo es un objetivo poco práctico tener. Algunos de los problemas a los que podría enfrentarse al intentar aplicar el aprendizaje profundo y la inteligencia artificial para ayudar a una transformación digital impulsada por los esfuerzos de digitalización son:
- Falta de datos de entrenamiento – Varios tipos de documentos para analizar significa que necesita modelos que puedan funcionar con varias plantillas, idiomas, fuentes, tamaños de fuente, colores, fondos, orientaciones, etc. Una solución única para todos los modelos casi nunca es posible para una tarea tan diversa y Requiere una recopilación cuidadosa de datos para cada modelo para poder ejecutar modelos de aprendizaje automático efectivos.
- La calidad de imagen – Muy a menudo, las imágenes de documentos o recibos y facturas con las que están tratando sus empleados se toman con diferentes teléfonos equipados con cámaras que, en términos de calidad, se encuentran en un rango diverso, todos actuando en diferentes condiciones de luz, en varios fondos, en los que se hace clic en diferentes orientaciones y todos con diferentes capacidades para lidiar de manera efectiva con el ruido, el desenfoque, etc. Manejar estos problemas con algoritmos efectivos y robustos es clave, pero puede ser una tarea abrumadora si maneja varios documentos de varios tipos a diario.
- Precisión de caracteres vs precisión de secuencia – La automatización de las tareas de digitalización y revisión requiere que las precisiones sean extremadamente altas para evitar un almacenamiento de datos inconsistente. Si bien las técnicas actuales de OCR pueden proporcionar una precisión de caracteres aceptable, los mismos modelos cuando se miden para la precisión de la secuencia a menudo funcionan muy por debajo de nuestras necesidades y expectativas. Si bien tener modelos que se ajusten en exceso a sus datos para casos de uso de nicho podría funcionar, a escala, involucrar a los humanos en el ciclo de revisión y corrección es la forma más prudente y eficiente a seguir.
Cómo hacer que funcione
Los métodos de aprendizaje profundo han podido ayudar a la tecnología OCR a facilitar la digitalización y hacer posible la automatización. Arquitecturas como redes de transformadores espaciales, mecanismos de atención, redes convolucionales recurrentes (se puede encontrar una descripción general y un tutorial sobre la tecnología esta página) y las redes convolucionales de gráficos nos han ayudado a lograr altas precisiones entregadas en menos tiempo, haciendo posible procesar documentos, recibos, facturas, etc.con errores mínimos y allanando nuestro camino hacia la automatización. Aquí hay algunas formas en que el aprendizaje profundo lo hace posible:
- Automatizar la extracción de información – Con el aprendizaje automático, no tiene que perder tiempo revisando imágenes de varios documentos, leyendo información sobre clientes, datos sobre transacciones, precios de productos comprados o vendidos, etc. cuando una máquina puede manejarlo por usted. OCR nos permite extraer automáticamente información en imágenes y convertirla en texto legible por máquina que se puede colocar en la estructura correcta.
- Revisión de información de Human-in-the-loop – Una vez que se extrae la información, un revisor puede revisarla para asegurarse de que la ortografía sea correcta, que la información se ingrese en los campos correctos, etc. Esto es una reducción de casi un 90% en el tiempo en comparación con los procesos que requieren que leamos los datos e introdúzcalos en un software manualmente. Hablaremos más sobre por qué la automatización al 100% no es factible en la siguiente sección del artículo.
- Mejorando la precisión y el rendimiento – Incluso si el proceso es completamente realizado por humanos, las empresas a menudo se enfrentan a malas prácticas de entrada de datos por parte de sus empleados, lo que lleva a almacenar información inexacta. Esto se puede remediar con modelos bien entrenados que puedan funcionar al menos tan bien como los humanos en un tiempo mucho más corto. El aprendizaje continuo y la integración en un entorno de producción también ayudan a que los modelos mejoren con el tiempo.
IA, automatización y el futuro del trabajo
Al fusionar los métodos de aprendizaje profundo existentes con la tecnología de reconocimiento óptico de caracteres, las empresas y las personas han podido automatizar el proceso de digitalización de documentos y han permitido procedimientos de entrada de datos manuales más fáciles, mejor registro y almacenamiento, menos errores y mejores tiempos de respuesta. Pero la automatización no siempre ha sido tomada de la manera más positiva por una gran parte de la población.
¿Crear oportunidades o eliminarlas?
Como se menciona en este artículo,
"Datos de la Oficina de Estadísticas Laborales muestran que existe una distribución de género desequilibrada entre los trabajos más comunes en los Estados Unidos hoy en día. Los trabajos tales como maestros de escuela primaria y secundaria, enfermeras registradas y secretarias y asistentes administrativas comprenden al menos 80% de mujeres; mientras que trabajos como conductores de camiones y trabajadores de la construcción emplean a más del 90% de hombres ”.
La autora señala que la subrepresentación de las mujeres puede abordarse con organizaciones cautelosas sobre el uso de herramientas con sesgo de género para fines de contratación y que tener más mujeres en un conjunto diverso de roles puede facilitar la búsqueda de estos sesgos y actuar sobre ellos.
La paranoia de que la tecnología nos quitará el trabajo es real, como se demuestra en un encuesta del 2017 mencionado en este artículo sobre el episodio “Metalhead” del programa Black Mirror. Según la encuesta, el 26% de las personas entrevistadas creían que perderían sus trabajos debido a los avances tecnológicos en los próximos 20 años.
Según la este artículo,
"Aproximadamente la mitad de actividades (no trabajos) realizado por los trabajadores podría automatizarse. Nuestro análisis de más de 2000 actividades laborales en más de 800 ocupaciones muestra que ciertas categorías de actividades son más fácilmente automatizables que otras. Incluyen actividades físicas en entornos estructurados y altamente predecibles, así como recopilación y procesamiento de datos ".
Si bien esto es definitivamente un motivo de preocupación, las cifras mencionadas anteriormente son un poco engañosas. Acelerar el progreso en IA y automatización está creando oportunidades para las empresas, la economía y la sociedad.
El problema es de dos caras: la primera parte donde las tecnologías de inteligencia artificial proliferan de una manera que no reemplaza a los humanos, sino que los ayuda en su trabajo y al mismo tiempo crea nuevos mercados, oportunidades y empleos que no existían antes. La otra cara del rompecabezas es mostrarle a la gente cómo es posible, a través de números y experiencias, que la tecnología mejore sus vidas, les facilite el trabajo y las haga más satisfactorias y satisfactorias. Acelerar el progreso en IA y automatización está creando oportunidades para las empresas, la economía y la sociedad.
Máquinas como ayudantes, no amenazas
Si bien el artículo mencionado anteriormente menciona:
"... Casi todas las ocupaciones se verán afectadas por la automatización, pero solo alrededor del 5 por ciento de las ocupaciones podrían automatizarse completamente con las tecnologías actualmente demostradas".
También dice esto:
"... También surgirán muchas otras ocupaciones nuevas que no podemos imaginar en la actualidad y pueden representar hasta el 10 por ciento de los empleos creados para 2030".
La automatización parcial será mucho más frecuente en el futuro, como en Amazon donde los empleados que antes tenían la tarea de levantar y apilar objetos pesados ahora encuentran roles que requieren que operen y monitoreen robots que hacen lo mismo. A medida que la tecnología avanza y más tareas se vuelven más fáciles, las campañas de concienciación que informan a las personas sobre todas las cosas que la tecnología puede hacer por ellas pueden ser de gran ayuda.
Flujos de trabajo humanos in the loop
Coexisten perspectivas contrapuestas sobre la automatización, la IA y el futuro del trabajo, como se menciona en este artículo Que estados, "Mientras que algunos temen el fin del empleo y el aumento de la desigualdad de la riqueza, otros celebran el aumento de la productividad y las nuevas fronteras para la innovación y la inversión".
Human in the loop workflows es un intento de salvar esta brecha entre las dos perspectivas sobre cómo el trabajo podría resultar para diferentes personas en el futuro. Al utilizar la tecnología para ayudar a los humanos a aumentar su productividad, automatizando tareas repetitivas y mundanas, las organizaciones pueden liberar valiosos recursos humanos para tareas más importantes, tareas que requieren pensamiento y creatividad.
Implementar un flujo de trabajo tan humano en el bucle en un esfuerzo impulsado por la digitalización para la transformación con éxito nos obliga a tener cuidado con las siguientes cosas:
- Recopilación de datos - Las empresas dedican mucho tiempo a recopilar los datos correctos que se ajustan a su caso de uso para que los casos extremos se manejen con elegancia y con errores mínimos. Esto requiere que los desarrolladores extraigan datos de la web, recopilen datos de varios recursos de código abierto y compren datos de instituciones y organizaciones.
- Procesamiento de datos - Esto requiere mucho trabajo repetitivo donde necesitamos deshacernos o aumentar apropiadamente imágenes borrosas, imágenes ruidosas, imágenes que no aparecen en la orientación correcta, consiste en fuentes conocidas, etc. Después de esta limpieza, también necesitamos un equipo de anotadores que pueden generar anotaciones de buena calidad para nuestros datos.
- Modelos de aprendizaje automático - Encontrar las arquitecturas y los métodos correctos para entrenar sus modelos de aprendizaje automático que puedan funcionar bien a escala con una alta precisión puede llevar tiempo y una investigación exhaustiva. Comprender bien sus datos también es tan importante para un ingeniero de aprendizaje profundo que intenta descubrir los algoritmos adecuados para usar.
- Corrección - Una vez que tenga modelos de aprendizaje automático que puedan generar predicciones con una precisión aceptable, no siempre es aconsejable tener nuestros modelos entrenados con más datos y sintonizados mejor para cumplir con un objetivo cercano al 100% de automatización. La falta de generalización reduce la flexibilidad de estos modelos y limita su reutilización.
- Entrada de datos - Una vez que estas predicciones se limpian y corrigen, los datos deben ingresarse en un software que actualmente involucra soluciones basadas en plantillas y reglas que son operadas por personas contratadas específicamente para la entrada de datos. Este tipo de cosas se pueden automatizar mediante la construcción de modelos generalizados que pueden extraer la estructura de un documento sin mencionar explícitamente las reglas. Esto puede ayudar a los procedimientos de entrada de datos, hacerlos más rápidos, reducir los errores relacionados con la fatiga y mejorar la productividad.
Nanorred y digitalización
En Nanonets, resolvimos encontrar una solución que se encargue de todas las cosas mencionadas anteriormente en nuestra misión de democratizar el aprendizaje automático.
OCR con nanonetas
El API de OCR de nanonetas le permite crear modelos OCR con facilidad. Puede cargar sus datos, anotarlos, configurar el modelo para entrenar y esperar a obtener predicciones a través de una interfaz de usuario basada en navegador sin escribir una sola línea de código, preocuparse por las GPU o encontrar las arquitecturas adecuadas para sus modelos de aprendizaje profundo. También puede adquirir las respuestas JSON de cada predicción para integrarla con sus propios sistemas y crear aplicaciones impulsadas por el aprendizaje automático basadas en algoritmos de última generación y una infraestructura sólida.
Usando la GUI: https://app.nanonets.com/
También puede usar la API Nanonets-OCR siguiendo los pasos a continuación:
Paso 1: Clone el repositorio, instale dependencias
git clone https://github.com/NanoNets/nanonets-ocr-sample-python.git
cd nanonets-ocr-sample-python
sudo pip install requests tqdm
Paso 2: Obtenga su clave API gratuita
Obtenga su clave API gratuita de http://app.nanonets.com/#/keys
Paso 3: establezca la clave API como una variable de entorno
export NANONETS_API_KEY=YOUR_API_KEY_GOES_HERE
Paso 4: crea un nuevo modelo
python ./code/create-model.py
Nota: Esto genera un MODEL_ID que necesita para el siguiente paso
Paso 5: Agregar ID de modelo como variable de entorno
export NANONETS_MODEL_ID=YOUR_MODEL_ID
Nota: obtendrá YOUR_MODEL_ID del paso anterior
Paso 6: cargue los datos de entrenamiento
Los datos de entrenamiento se encuentran en images
(archivos de imagen) y annotations
(anotaciones para los archivos de imagen)
python ./code/upload-training.py
Paso 7: modelo de tren
Una vez que se hayan cargado las imágenes, comience a entrenar al modelo
python ./code/train-model.py
Paso 8: Obtenga el estado del modelo
El modelo tarda ~ 2 horas en entrenar. Recibirá un correo electrónico una vez que el modelo esté capacitado. Mientras tanto, verifica el estado del modelo
python ./code/model-state.py
Paso 9: Hacer predicción
Una vez que el modelo está entrenado. Puedes hacer predicciones usando el modelo
python ./code/prediction.py ./images/151.jpg
Nanonets y humanos en el circuito
Screen La pantalla 'Moderada' ayuda a los procesos de corrección y entrada y reduce la carga de trabajo del revisor manual en casi un 90% y reduce los costos en un 50% para la organización.
Las características incluyen
- Hacer un seguimiento de las predicciones correctas
- Rastrea cuáles están mal
- Hacer correcciones a las imprecisas
- Eliminar los que están mal
- Completa las predicciones que faltan
- Filtrar imágenes con rangos de fechas
- Obtenga recuentos de imágenes moderadas contra las no moderadas
Todos los campos están estructurados en una GUI fácil de usar que permite al usuario aprovechar la tecnología OCR y ayudar a mejorarla a medida que avanza, sin tener que escribir ningún código o comprender cómo funciona la tecnología.
Conclusión
Aprendimos sobre las transformaciones digitales, por qué ocurren, qué pueden hacer las organizaciones para garantizar una transformación exitosa. También discutimos la dirección actual en la que se dirigen los avances tecnológicos y cómo la información en esta era está impulsando la innovación, lo que eso significa para la sociedad en general. Finalmente, vimos cómo abordar el problema de la automatización frente a las cifras de empleo con flujos de trabajo humanos en el ciclo.
Espero que hayas disfrutado del artículo.
Es posible que le interesen nuestras últimas publicaciones sobre:
Fuente: https://nanonets.com/blog/data-extraction-from-document-digitisation/
- 7
- 9
- Mi Cuenta
- actividades
- Ventaja
- AI
- SIDA
- Airbnb
- algoritmos
- Todos
- Permitir
- Amazon
- entre
- análisis
- Analytics
- abejas
- aplicaciones
- en torno a
- Arte
- artículo
- inteligencia artificial
- Confirmación de Viaje
- Automatización
- Negro
- Blog
- PUENTE
- cada navegador
- build
- Construir la
- negocios
- Comprar
- cámaras
- servicios sociales
- cases
- Causar
- reconocimiento de caracteres
- Limpieza
- clientes
- Soluciones
- la computación en nube
- código
- El cobro
- Algunos
- Comunicación
- Empresas
- compañía
- informática
- construcción
- correcciones
- Precio
- Creamos
- creatividad
- Cultura
- Current
- experiencia del cliente
- Clientes
- datos
- Data Analytics
- proceso de datos
- Ciencia de los datos
- almacenamiento de datos
- bases de datos
- acuerdo
- tratar
- deep learning
- desarrollar
- desarrolladores
- Desarrollo
- HIZO
- digital
- documentos digitales
- Transformación Digital
- digitalización
- documentos
- el tiempo de inactividad
- impulsados
- conducción
- economia
- ecosistemas
- Southern Implants
- Eficaz
- eficiencia
- personas
- empleo
- ingeniero
- Ingeniería
- certificados
- Entorno
- etc.
- Experiencias
- Extracción
- Cara
- fatiga
- Terrenos
- Figura
- Finalmente
- Nombre
- Flexibilidad
- de tus señales
- Forbes
- Gratuito
- función
- futuras
- Futuro del trabajo
- brecha
- GAS
- Género
- gif
- Git
- candidato
- bienes
- GPU
- Creciendo
- Crecimiento
- cabeza
- esta página
- Alta
- Cómo
- Como Hacer
- HTTPS
- humano en el bucle
- Recursos Humanos
- Humanos
- imagen
- Incluye
- aumente
- industrias
- Desigualdad
- información
- extracción de información
- EN LA MINA
- Innovation
- Insights
- instituciones
- integración
- Intelligence
- Internet
- Internet de las cosas
- inversión extranjera
- cuestiones
- IT
- Trabajos
- Empleo
- Clave
- especialistas
- mano de obra
- Idiomas
- large
- más reciente
- Lead
- Liderazgo
- líder
- APRENDE:
- aprendizaje
- Apalancamiento
- luz
- línea
- Largo
- miró
- máquina de aprendizaje
- Realizar
- Management
- Marketing
- Industrias
- Medios
- Hombre
- menciona
- Métrica
- espejo
- Misión
- MIT
- modelo
- dinero
- Lavado de Dinero
- telecomunicaciones
- ruido
- números
- OCR
- Aceite
- Petróleo y Gas
- Operaciones
- reconocimiento óptico de caracteres
- Organización
- Otro
- Otros
- PAN
- pagos
- Personas
- perspectivas
- productos farmacéuticos
- móviles
- plataforma
- población
- Artículos
- industria
- predicción
- Predicciones
- política de privacidad
- Producto
- Producción
- productividad
- Productos
- promover
- rompecabezas
- calidad
- distancia
- Tarifas
- Testimoniales
- Reading
- reclutamiento
- reducir
- Informes
- la investigación
- Recurso
- Recursos
- respuesta
- ingresos
- una estrategia SEO para aparecer en las búsquedas de Google.
- los robots
- reglas
- ventas
- fuerza de ventas
- comprensión
- Escala
- Escuela
- Ciencia:
- los científicos
- Pantalla
- set
- Turno
- habilidades
- So
- Sociedades
- Software
- Desarrollo de software ad-hoc
- vendido
- Soluciones
- Espacial
- pasar
- Gastos
- propagación
- comienzo
- Estado
- Zonas
- statistics
- STORAGE
- Estrategia
- comercial
- exitosos
- Sudo
- proveedores
- suministro
- cadena de suministro
- gestión de la cadena de suministro
- Peritaje
- te
- Todas las funciones a su disposición
- Talent
- Pulsa para buscar
- profesores experimentados
- tecnología
- Tecnologías
- Tecnología
- telecom
- Pruebas
- El futuro de las
- El futuro del Trabajo
- CORBATA
- equipo
- tolerancia
- Formación
- Transacciones
- Estrategia de transformación
- camión
- tutoriales
- nosotros
- ui
- us
- casos de uso
- propuesta de
- visión
- volumen
- esperar
- Trenzado
- Gestión de Patrimonio
- web
- QUIENES
- Mujeres
- Actividades:
- los trabajadores.
- flujo de trabajo
- Empleados
- funciona
- mundo
- la escritura
- años