Ultimo aggiornamento: gennaio 2021.
Questo blog offre una panoramica completa dell'utilizzo dell'OCR con qualsiasi strumento RPA per automatizzare i flussi di lavoro dei documenti. Esploriamo come le più recenti tecnologie OCR basate sull'apprendimento automatico non richiedano regole o configurazione di modelli.
Gli RPA o l'automazione dei processi robotici sono strumenti software volti a eliminare le attività aziendali ripetitive. Un numero sempre maggiore di CIO si rivolge a loro per ridurre i costi e aiutare i dipendenti a concentrarsi su un lavoro aziendale di maggior valore. Gli esempi includono la risposta ai commenti sui siti Web o l'elaborazione degli ordini dei clienti. Attività leggermente più complesse includono la gestione di documenti come moduli scritti a mano ed fatture – questi in genere devono essere spostati da un sistema legacy all'altro, ad esempio il tuo client di posta elettronica al tuo sistema ERP SAP dove devi estrarre i dati. Questa è la parte problematica.
La maggior parte degli strumenti OCR che acquisiscono dati da questi documenti sono basati su modelli (ad esempio Abbyy Flexicapture) e non si adattano bene ai documenti semistrutturati. Esistono soluzioni basate sull'apprendimento automatico di nuova generazione che in genere forniscono API
integrazioni in grado di acquisire coppie chiave-valore dai documenti: i sistemi aziendali in genere sono legacy e non possono essere integrati con API esterne. Dall'altro lato, gli RPA sono progettati per gestire questi flussi di lavoro del sistema legacy come l'inserimento di documenti da cartelle e l'inserimento dei risultati in ERP o CRM.
Poiché Robotic Process Automation (RPA) e ML si stanno evolvendo verso l'iper automazione, possiamo fare uso di robot software in combinazione con ML per gestire attività complesse come la classificazione dei documenti, l'estrazione e il riconoscimento ottico dei caratteri. In uno studio recente, è stato affermato che automatizzando solo il 29% delle funzioni per un'attività utilizzando gli RPA, i dipartimenti finanziari da soli risparmiano più di 25,000 ore di rilavorazione causate da errori umani al costo di $ 878,000 all'anno per un'organizzazione con 40 full- contabilità del tempo [1]. In questo blog impareremo come utilizzare gli OCR con gli RPA e approfondiremo i flussi di lavoro per la comprensione dei documenti. Di seguito è riportato il sommario.
Definizioni e panoramica
L'RPA, in generale, è una tecnologia che aiuta ad automatizzare le attività amministrative tramite bot software-hardware. Questi bot sfruttano le interfacce utente; per acquisire i dati e manipolare le applicazioni come fanno gli esseri umani. Ad esempio, un RPA può esaminare una serie di attività eseguite in una GUI, ad esempio spostare i cursori, connettersi alle API, copiare e incollare i dati e formulare la stessa sequenza di azioni in un wireframe RPA che si traduce in codice. Inoltre, in futuro questi compiti potranno essere eseguiti senza l’intervento umano. Il riconoscimento ottico dei caratteri (OCR) è una caratteristica cruciale di qualsiasi soluzione di automazione dei processi robotici funzionali (RPA). Questa tecnologia viene utilizzata per leggere ed estrarre testo da diverse fonti come immagini o pdfs in un formato digitale senza acquisirlo manualmente.
D'altra parte, Comprensione del documento è il termine usato per descrivere automaticamente la lettura, l'interpretazione e l'azione sui dati del documento. La cosa più importante in questo processo è che i robot software stessi eseguono tutte le attività. Questi robot sfruttano la potenza dell'intelligenza artificiale e del machine learning per interpretare i documenti come assistenti digitali. In questo modo, possiamo dire che la comprensione dei documenti emerge dall'intersezione tra elaborazione dei documenti, AI e RPA.
Come i robot possono imparare a comprendere i documenti con OCR e ML
Prima di immergerci in profondità nella comprensione dei documenti, parliamo del ruolo dei robot per la comprensione dei documenti. Questi aiutanti completamente invisibili rendono la nostra vita molto più confortevole. A differenza dei film e delle serie, questi robot non sono dispositivi fisici o programmi di intelligenza artificiale che si trovano su un desktop e premono pulsanti per eseguire attività. Possiamo pensare a questi come assistenti digitali formati per elaborare i documenti leggendo e utilizzando le applicazioni come noi. Dal punto di vista funzionale, i robot sono bravi a migliorare le prestazioni e l'efficienza di un processo. Tuttavia, essendo un software autonomo, non può valutare il processo e prendere decisioni cognitive. Tuttavia, se l'apprendimento automatico viene integrato con successo, la robotica diventerà più dinamica e adattiva. Ad esempio, i robot utilizzati per l'elaborazione dei documenti, la gestione dei dati e altre funzioni del front office e del middle office eseguiranno azioni più intelligenti, come l'eliminazione di voci duplicate o la risoluzione di eccezioni di sistema sconosciute nel processo. Inoltre, i robot sono addestrati a leggere, estrarre, interpretare e agire sui dati dai documenti utilizzando l'intelligenza artificiale (AI).
Come possono le aziende integrare l'OCR intelligente con RPA per migliorare i flussi di lavoro
L'estrazione dei dati del documento è una componente cruciale per la comprensione del documento. In questa sezione, discuteremo come possiamo integrare OCR con RPA o viceversa. In primo luogo, sapevamo tutti che esistono diversi tipi di documenti in termini di modelli, stile, formattazione e talvolta lingua. Quindi non possiamo fare affidamento su una semplice tecnica OCR per estrarre i dati da questi documenti. Per risolvere questo problema, utilizzeremo sia approcci basati su regole che approcci basati su modelli all'interno dell'OCR per gestire i dati da diverse strutture di documenti. Ora vedremo come le aziende che eseguono l'OCR possono integrare gli RPA nel loro sistema esistente in base al tipo di documenti.
Documenti strutturati: In questo tipo di documenti, i layout ei modelli sono generalmente fissi e quasi coerenti. Ad esempio, considera un'organizzazione che esegue KYC con documenti di identità rilasciati dal governo come un passaporto o una patente di guida. Tutti questi documenti saranno identici e avranno gli stessi campi di numero ID, nome della persona, età e pochi altri nelle stesse posizioni. Ma solo i dettagli variano. Potrebbero esserci pochi vincoli come l'overflow della tabella o i dati non archiviati.
Di solito, l'approccio consigliato utilizza un modello o un motore basato su regole per estrarre le informazioni per i documenti strutturati. Questi possono includere espressioni regolari o semplice mappatura della posizione e OCR. Quindi, per integrare robot software per automatizzare l'estrazione delle informazioni, possiamo utilizzare modelli preesistenti o creare regole per i nostri dati strutturati. C'è uno svantaggio nell'utilizzo dell'approccio basato su regole, poiché si basa su parti fisse, anche piccoli cambiamenti nella struttura del modulo possono causare la rottura delle regole.
Documenti semi-strutturati: Questi documenti contengono le stesse informazioni ma sono disposti in posizioni diverse. Ad esempio, considera fatture contenente 8-12 campi identici. In poco fatture, l'indirizzo del commerciante può essere posizionato in alto, mentre in altri si trova in basso. In genere questi approcci basati su regole non forniscono un'elevata precisione; quindi inseriamo modelli di machine learning e deep learning nell'immagine per l'estrazione di informazioni utilizzando l'OCR. In alternativa, in alcuni casi, possiamo utilizzare modelli ibridi che coinvolgono sia regole che modelli ML. Alcuni modelli pre-addestrati popolari sono FastRCNN, Attention OCR e Graph Convolutions per l'estrazione di informazioni nei documenti. Tuttavia, anche in questo caso questi modelli presentano pochi inconvenienti; quindi misuriamo le prestazioni dell'algoritmo utilizzando parametri come l'accuratezza o il punteggio di confidenza. Poiché il modello apprende modelli, anziché basarsi su regole concrete, potrebbe inizialmente commettere errori subito dopo le correzioni. Tuttavia, la soluzione a questi inconvenienti: maggiore è il numero di campioni elaborati dal modello ML, maggiore è il numero di modelli che apprende per garantire l'accuratezza.
Documenti non strutturati: L'RPA oggi non è in grado di gestire direttamente i dati non strutturati, quindi richiede che i robot estraggano e creino prima i dati strutturati utilizzando l'OCR. A differenza dei documenti strutturati e semistrutturati, i dati non strutturati non hanno poche coppie chiave-valore. Ad esempio, in alcuni fatture, vediamo l'indirizzo di un commerciante da qualche parte senza alcun nome chiave; allo stesso modo, osserviamo lo stesso per altri campi come data, ID fattura. Affinché i modelli ML possano elaborarli accuratamente, i robot devono imparare a tradurre il testo scritto in dati utilizzabili, come un'e-mail, un numero di telefono, un indirizzo, ecc. Il modello imparerà quindi che dovrebbero essere estratti modelli numerici a 7 o 10 cifre. come numeri di telefono e testo enorme contenente codici a cinque cifre e nomi diversi come testo. Per rendere questi modelli più accurati, possiamo anche utilizzare tecniche di elaborazione del linguaggio naturale (NLP) come il riconoscimento di entità denominate e l'incorporamento di parole.
Nel complesso, per la comprensione dei documenti, è innanzitutto essenziale comprendere i dati e quindi implementare l'OCR con gli RPA. Successivamente, invece di mappare un processo passo dopo passo, possiamo insegnare a un robot a "fare come faccio io" registrando il processo mentre avviene con potenti funzionalità OCR come discusso sopra, integrando regole e algoritmi di apprendimento automatico. Il robot software segue i tuoi clic e le tue azioni sullo schermo e poi li trasforma in un flusso di lavoro modificabile. Se stai lavorando interamente in programmi locali, è tutto quello che dovresti sapere.
Sfide OCR affrontate dagli sviluppatori RPA
Abbiamo visto come possiamo integrare OCRR con RPA per diversi documenti, ma ci sono alcuni casi di sfide in cui i robot devono gestire bene. Parliamone ora!
- Dati deboli o incoerenti: I dati giocano un ruolo cruciale nella comprensione dei documenti. Nella maggior parte dei casi, i documenti vengono scansionati utilizzando fotocamere in cui vi è la possibilità di perdere la formattazione del documento durante la scansione del testo (cioè, grassetto, corsivo e sottolineato non sono sempre riconosciuti). A volte, l'OCR potrebbe estrarre il testo in modo errato portando a errori di ortografia, interruzioni di paragrafo irregolari, che riducono le prestazioni complessive dei robot. Pertanto, la gestione di tutti i valori mancanti e l'acquisizione dei dati con maggiore precisione è fondamentale per ottenere una maggiore precisione per l'OCR.
- Orientamento errato della pagina nei documenti: L'orientamento e l'asimmetria della pagina sono anche uno dei problemi comuni che portano alla correzione del testo errata dell'OCR. Questo di solito si verifica quando i documenti vengono scansionati in modo errato durante la fase di raccolta dei dati. Per ovviare a questo, dovremo dichiarare alcune funzioni ai robot come l'adattamento automatico alla pagina, il filtro automatico in modo che possano consentire l'aumento della qualità del documento scansionato e la ricezione dei dati corretti in uscita.
- Problemi di integrazione: Non tutti gli strumenti RPA funzionano bene su ambienti desktop remoti: causano arresti anomali e problemi critici nell'automazione. Inoltre, lo sviluppatore RPA deve sapere quale soluzione OCR sarà la migliore per un caso specifico. Inoltre, per lavorare con strumenti di automazione specifici, lo sviluppatore RPA deve scegliere solo una tecnologia OCR limitata creata da Microsoft, Google. Quindi l'integrazione dei nostri algoritmi e modelli personalizzati a volte è difficile.
- Tutto il testo è testo criptato: Per i casi d'uso nella vita reale, il testo acquisito da un OCR generico è tutto criptato e non ha informazioni significative che i bot possono utilizzare per eseguire operazioni significative. Gli sviluppatori RPA necessitano di un forte supporto ML per poter creare applicazioni utili.
Pipeline per il flusso di lavoro di comprensione dei documenti
Nelle sezioni precedenti, abbiamo visto come i bot aiutano a eseguire l'OCR per diversi tipi di documenti. Ma l'OCR è solo una tecnica che converte immagini o altri file nel testo. Ora, in questa sezione, esamineremo il flusso di lavoro di Document Understanding dall'inizio della raccolta dei documenti fino al salvataggio finale delle informazioni significative nel formato desiderato.
- Importa il documento da una cartella utilizzando il tuo Bot: Questo è il primo passo per ottenere la comprensione dei documenti tramite i bot. Qui, recupereremo il documento che si trova su una piattaforma cloud (utilizzando un'API) o da una macchina locale. In alcuni casi, se i nostri documenti si trovano su pagine web, possiamo automatizzare lo scraping degli script tramite bot da cui possono recuperare i documenti in modo tempestivo.
- Tipo di documento: Dopo aver recuperato i dati, è essenziale comprendere il tipo di documento e il formato con cui vengono salvati nei nostri sistemi, poiché a volte riceviamo dati da diverse fonti in vari formati di file come PDF, PNG e JPG. Non solo i tipi di file, a volte quando i documenti vengono scansionati con le fotocamere del telefono, è necessario gestire anche alcuni problemi impegnativi come l'inclinazione dell'immagine, la rotazione, la luminosità o la bassa risoluzione. Dovremo quindi assicurarci che i bot classifichino questi documenti nella categoria strutturata, semistrutturata o non strutturata, salvandoli quindi in un formato generico. L'attività di classificazione viene ottenuta confrontando i documenti con modelli e analizzando caratteristiche come caratteri, lingua, presenza di coppie chiave-valore, tabelle, ecc.
- Estrazione dei dati con OCR: Va bene, ora che i bot hanno organizzato i nostri documenti in un formato generico e li hanno classificati, è tempo per noi di digitalizzarli utilizzando la tecnica OCR. Con questo, avremo il testo, la sua posizione in co-coordinate dalle immagini. Questo aiuta a standardizzare i documenti e i dati per i passaggi successivi. Ne incontriamo anche alcuni quando il software OCR non è in grado di distinguere correttamente i caratteri, ad esempio "t" contro "i" o "0" contro "O". Gli stessi errori che si desidera evitare utilizzando il software OCR possono diventare nuovi grattacapi quando la tecnologia OCR non è in grado di analizzare le sfumature di un documento in base alla sua qualità o alla forma originale. È qui che entra in gioco l'apprendimento automatico, di cui parleremo nel passaggio successivo.
- Sfruttare ML / DL per l'OCR intelligente utilizzando i bot: Dopo che i dati sono stati digitalizzati, il software OCR dovrebbe comprendere il tipo di documento con cui sta lavorando e cosa è rilevante. Ma il software OCR tradizionale può avere difficoltà a ridimensionare gli sforzi di classificazione dei documenti. Quindi i bot software dovrebbero essere addestrati con abilità cognitive sfruttando l'apprendimento automatico e le tecniche di apprendimento profondo per rendere gli OCR più intelligenti. Le soluzioni OCR basate su ML possono identificare un tipo di documento e confrontarlo con un tipo di documento noto utilizzato dalla tua azienda. Possono anche analizzare e comprendere blocchi di testo in documenti non strutturati. Una volta che la soluzione conosce meglio il documento stesso, può iniziare a estrarre informazioni rilevanti in base all'intento e al significato.
- Migliore estrazione e classificazione dei dati: L'estrazione dei dati è il fulcro di Document Understanding. Come discusso nella sezione precedente sull'integrazione di RPA con OCR in questo passaggio, optare per la tecnica di estrazione dei dati in base al tipo di documento. Tramite gli RPA, possiamo configurare facilmente quale estrattore utilizzare, sia che si tratti di una tecnica OCR basata su regole o ML o ibrida. In base alle metriche di affidabilità e prestazioni restituite dopo l'estrazione delle informazioni, i robot software le salveranno nel formato desiderato per ulteriori analisi. Di seguito è un'immagine di come possiamo configurare gli estrattori e impostare il livello di confidenza in uno strumento RPA da UIPath.
6. Convalida e potenziamento delle intuizioni: I modelli OCR e Machine Learning non sono accurati al cento per cento in termini di estrazione delle informazioni, quindi l'aggiunta di uno strato di intervento umano con l'aiuto di robot può risolvere il problema. Il modo in cui funziona questa convalida è che ogni volta che i robot si occupano di scarsa precisione ed eccezioni, solleva immediatamente una notifica al centro operativo in cui un dipendente può ricevere una richiesta di convalida dei dati o gestire le eccezioni e può risolvere eventuali incertezze in pochi clic. Inoltre, possiamo sfruttare il potenziale dell'intelligenza artificiale per documentare i dati nel tempo per fare previsioni e identificare potenziali anomalie che potrebbero indicare frodi, duplicazioni e altri errori.
Vantaggi dell'integrazione dei robot con Document Understanding
- Automatizza il processo: Il motivo principale per integrare i bot per la comprensione dei documenti è automatizzare l'intero processo dall'inizio alla fine. Tutto quello che dobbiamo fare è creare un flusso di lavoro per i robot per imparare, sedersi e rilassarsi. Durante il processo di convalida, potremmo dover affrontare i problemi segnalati dai bot in cui vengono identificati errori o frodi.
- Bot con machine learning: Durante il processo di automazione, possiamo rendere i bot resilienti all'apprendimento automatico. Ciò significa che i robot possono anche apprendere le prestazioni dei modelli di Machine Learning e quindi migliorare i modelli per ottenere una maggiore precisione e prestazioni per l'estrazione di testo e informazioni dai documenti.
- Elabora un'ampia gamma di elaborazione dei documenti: Per attività generali come l'estrazione di tabelle ed informazioni, dovremo creare diverse pipeline di deep learning per diversi tipi di documenti. Ciò porta alla creazione di più applicazioni e all'implementazione di vari modelli su server diversi, il che richiede molto tempo e impegno. Quando i bot sono nella foto per una vasta gamma di documenti, potremmo avere solo una singola pipeline in cui i bot possono classificarli e quindi utilizzare il modello appropriato per diverse attività. Possiamo anche integrare vari servizi tramite API e comunicare con altre organizzazioni in termini di recupero dei dati.
- Facile da implementare: Per la comprensione dei documenti dopo la creazione delle pipeline, il processo di distribuzione è solo un minuto. Possiamo far esportare le API dai bot dopo l'addestramento, oppure possiamo creare una soluzione RPA personalizzata che può essere utilizzata nei nostri sistemi locali. Questo tipo di implementazione può anche ottimizzare le imprese e ridurre la spesa con rischi minimi.
Inserisci le nanonette
NanoNets è una piattaforma di machine learning che consente agli utenti di acquisire dati da fatture, ricevute e altri documenti senza alcuna impostazione di modello. Disponiamo di algoritmi all'avanguardia di deep learning e visione artificiale in esecuzione sul retro in grado di gestire qualsiasi tipo di attività di comprensione dei documenti come OCR, estrazione di tabelle, estrazione di coppie chiave-valore. Solitamente vengono esportati come API o possono essere distribuiti in locale in base a diversi casi d'uso. Ecco alcuni esempi,
- Modello di fattura: identificare i campi chiave da Fatture come nome dell'acquirente, ID fattura, data, importo ecc.
- Modello ricevute: identifica i campi chiave dalle ricevute come nome del venditore, numero, data, importo ecc.
- Patente di guida (USA): identifica i campi chiave come numero di licenza, data di nascita, data di scadenza, data di rilascio ecc.
- Curriculum: estrai esperienza, istruzione, set di abilità, informazioni sui candidati ecc.
Per rendere questi flussi di lavoro più veloci e robusti, utilizziamo UiPath, uno strumento RPA per l'automazione perfetta dei tuoi documenti senza alcun modello. Nella sezione successiva, esamineremo come utilizzare UiPath Connect con Nanonets per la comprensione dei documenti. I 3 maggiori attori nel mercato RPA sono UiPath, Automation Anywhere e Prisma blu. Questo blog si concentra su Uipath.
NanoNets con UiPath
Abbiamo imparato a creare una pipeline di comprensione dei documenti nelle nostre sezioni precedenti. Richiede una conoscenza di base di OCR, RPA e apprendimento automatico, poiché esistono approcci e algoritmi diversi per attività diverse in vari punti. Inoltre, dobbiamo dedicare molti sforzi alla creazione di reti neurali che comprendano i nostri modelli, addestrandoli e implementandoli. Quindi, per sentirsi a proprio agio e automatizzare tutto, dal caricamento di documenti, alla loro classificazione, alla creazione di OCR, all'integrazione di modelli ML, noi di Nanonets stiamo lavorando su Ui Path per creare una pipeline continua per Document Understanding. Di seguito un'immagine di come funziona.
Ora esaminiamo ciascuno di questi e scopriamo come possiamo integrare le nanotecnologie con UiPath.
Passaggio 1: registrati su UiPath e scarica UiPath Studio
Per creare un flusso di lavoro, in primo luogo, dovremo creare un account in UiPath. Se sei un utente esistente, puoi accedere direttamente al tuo account, reindirizzando la dashboard di UiPath. Successivamente, dovrai scaricare e installare UiPath Studio (Community Edition), che è gratuito.
Passaggio 2: scarica il componente Nanonets
Successivamente, per configurare il tuo pipeline di elaborazione delle fatture, dovrai scaricare il connettore Nanonets dal link sottostante.
-> NanoNets OCR - Componente RPA
Di seguito è riportato uno screenshot di UiPath Marketplace e del componente Nanonets. Inoltre, per scaricarlo, assicurati di aver effettuato l'accesso a UiPath da un sistema operativo Windows.
I file scaricati dovrebbero contenere i file elencati di seguito,
UiPath OCR Predict ├── Main.xaml
└── project.json
Passaggio 3: aprire il file Main.xaml Nanonets Component
Per verificare se Nanonets UiPath funziona o meno, è possibile aprire il file Main.xml dal componente Nanonets scaricato utilizzando Ui Path Studio. Quindi puoi vedere la tua pipeline già creata per te per l'elaborazione dei documenti.
Passaggio 4: raccogliere l'ID modello, la chiave API e l'endpoint API dall'APP Nanonets
Successivamente, puoi utilizzare uno qualsiasi dei modelli OCR addestrati dall'APP Nanonets e raccogliere l'ID modello, la chiave API e l'endpoint. Di seguito sono riportati ulteriori dettagli per trovarli rapidamente.
ID modello: Accedi al tuo account Nanonets e vai a "I miei modelli". È possibile addestrare un nuovo modello o copiare l'ID applicazione di un modello esistente.
Endpoint API: Puoi scegliere qualsiasi modello esistente e fare clic su Integrate per trovare il tuo endpoint API. Di seguito è riportato un esempio di come appaiono i tuoi endpoint.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. Chiave API: vai alla scheda Chiave API e puoi copiare qualsiasi chiave API esistente o crearne una nuova.
Passaggio 5: aggiungere una richiesta HTTP per ottenere il metodo e le variabili nel percorso dell'interfaccia utente
Ora per integrare il tuo modello da Nanonets al percorso dell'interfaccia utente, dovrai prima fare clic su Richiesta HTTP e aggiungere l'EndPoint, che puoi trovare nella navigazione a sinistra nella sezione Input. Di seguito è riportato uno screenshot.
Successivamente, aggiungi tutte le tue variabili per stabilire una connessione dal tuo studio UiPath all'API Nanonets. È possibile trovare questa sezione nel riquadro inferiore nella "Scheda Variabili". Di seguito è riportato lo screenshot, dovrai aggiornare / copiare la chiave API, l'endpoint e l'ID modello del tuo modello qui.
Passaggio 6: aggiungere la posizione del file per le previsioni
Infine, puoi aggiungere la posizione del tuo file nella scheda attributi, come mostrato nello screenshot qui sotto, e premere il pulsante di riproduzione nella barra di navigazione in alto per prevedere i tuoi output.
Ecco! Ecco i nostri risultati per il documento che abbiamo richiesto nello screenshot qui sotto. Per elaborarne di più, puoi semplicemente aggiungere le posizioni dei file e premere il pulsante Esegui.
Passaggio 7: invio dell'output in CSV / ERP
Infine, per personalizzare il nostro output nel formato desiderato, possiamo aggiungere nuovi blocchi alla pipeline nel file Main.XML. Possiamo anche inviarlo a qualsiasi sistema ERP esistente tramite file offline o chiamate API.
Per qualsiasi aiuto contattaci su support@nanonets.com
Webinar
Unisciti a noi per un webinar martedì prossimo sull'OCR con RPA, registrati qui.
Riferimenti
, Comprensione dei documenti - Elaborazione di documenti AI
, RPA OCR - elevare l'automazione dei processi | SIMPATICO
, Come utilizzare l'IA per ottimizzare la comprensione dei documenti
, https://www.uipath.com/product/document-understanding
, Utilizzo di NanoNets nel flusso di lavoro UiPath per OCR della fattura
Letture consigliate
Potrebbero interessarti i nostri ultimi post su:
Aggiornare:
Aggiunto ulteriore materiale di lettura sull'uso e l'impatto di OCR e RPA nella comprensione dei documenti.
Fonte: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- Il mio account
- Contabilità
- Action
- Vantaggio
- AI
- algoritmo
- Algoritmi
- Tutti
- .
- api
- API
- App
- Applicazioni
- applicazioni
- Arte
- intelligenza artificiale
- Intelligenza artificiale (AI)
- Intelligenza artificiale e apprendimento automatico
- Automazione
- automazione ovunque
- MIGLIORE
- Maggiore
- Blog
- Bot
- bots
- costruire
- Costruzione
- affari
- telecamere
- casi
- Causare
- ha causato
- riconoscimento del personaggio
- classificazione
- Cloud
- cloud Platform
- codice
- conoscitivo
- Raccolta
- Commenti
- Uncommon
- comunità
- Aziende
- componente
- Visione computerizzata
- fiducia
- testuali
- Correzioni
- Costi
- cruscotto
- dati
- gestione dei dati
- affare
- apprendimento profondo
- Costruttori
- sviluppatori
- dispositivi
- digitale
- documenti
- Schivare
- guida
- Istruzione
- efficienza
- dipendenti
- endpoint
- Impresa
- eccetera
- estrarre i dati
- estrazione
- caratteristica
- Caratteristiche
- campi
- Infine
- finanziare
- Nome
- Focus
- modulo
- formato
- frode
- Gratis
- futuro
- Gartner
- Generale
- gif
- buono
- guida
- Manovrabilità
- mal di testa
- qui
- Alta
- Come
- Tutorial
- HTTPS
- Enorme
- Gli esseri umani
- IBRIDO
- identificare
- Immagine
- Impact
- Aumento
- info
- informazioni
- estrazione di informazioni
- Intelligence
- intento
- sicurezza
- IT
- Le
- conoscenze
- KYC
- Lingua
- con i più recenti
- portare
- principale
- IMPARARE
- imparato
- apprendimento
- Livello
- Leva
- Licenza
- Limitato
- LINK
- locale
- località
- machine learning
- gestione
- Rappresentanza
- mercato
- partita
- misurare
- Mercante
- Metrica
- Microsoft
- ML
- modello
- Film
- Linguaggio naturale
- Elaborazione del linguaggio naturale
- Navigazione
- reti
- Neurale
- reti neurali
- nlp
- notifica
- numeri
- OCR
- aprire
- operativo
- sistema operativo
- Operazioni
- riconoscimento ottico dei caratteri
- minimo
- Altro
- Altri
- passaporto
- performance
- immagine
- piattaforma
- Popolare
- Post
- energia
- Precisione
- Previsioni
- Automazione di Processo
- Programmi
- progetto
- qualità
- solleva
- gamma
- RE
- Lettura
- ridurre
- Risultati
- recensioni
- robot
- Automazione di processo robotizzata
- robotica
- robot
- RPA
- norme
- Correre
- running
- linfa
- risparmio
- Scala
- scansione
- raschiatura
- allo
- senza soluzione di continuità
- Sellers
- Serie
- Servizi
- set
- Un'espansione
- So
- Software
- Robot software
- Soluzioni
- RISOLVERE
- spendere
- inizia a
- Regione / Stato
- Studio
- supporto
- sistema
- SISTEMI DI TRATTAMENTO
- estrazione da tavolo
- Tecnologie
- Tecnologia
- Il futuro
- tempo
- top
- Training
- ui
- UiPath
- Aggiornanento
- us
- USA
- casi d'uso
- utenti
- APPREZZIAMO
- contro
- visione
- sito web
- webinar
- siti web
- OMS
- finestre
- entro
- Lavora
- flusso di lavoro
- lavori
- XML
- anno
- youtube