Última atualização: janeiro de 2021.
Este blog é uma visão geral abrangente do uso de OCR com qualquer ferramenta RPA para automatizar seus fluxos de trabalho de documentos. Exploramos como as mais recentes tecnologias de OCR baseadas em aprendizado de máquina não exigem regras ou configuração de modelos.
RPAs ou automação de processos robóticos são ferramentas de software destinadas a eliminar tarefas repetitivas de negócios. Mais CIOs estão recorrendo a eles para reduzir custos e ajudar os funcionários a se concentrarem no trabalho de negócios de maior valor. Os exemplos incluem responder a comentários em sites ou processamento de pedidos de clientes. Tarefas um pouco mais complexas incluem lidar com documentos como formulários manuscritos e faturas – eles normalmente precisam ser movidos de um sistema legado para outro – digamos, seu cliente de e-mail para o sistema SAP ERP onde você precisa extrair dados. Esta é a parte problemática.
A maioria das ferramentas de OCR que capturam dados desses documentos são baseadas em modelos (digamos Abbyy Flexicapture) e não se adaptam bem a documentos semiestruturados. Existem soluções baseadas em aprendizado de máquina de última geração que normalmente fornecem API
integrações que podem capturar pares de valor-chave de documentos - sistemas corporativos normalmente são legados e não abertos para integração com APIs externas. Por outro lado, os RPAs são construídos para lidar com esses fluxos de trabalho do sistema legado, como a ingestão de documentos de pastas e a inserção de resultados em ERPs ou CRMs.
Conforme a Robotic Process Automation (RPA) e o ML estão evoluindo em direção à hiper automação, podemos fazer uso de bots de software em conjunto com o ML para lidar com tarefas complexas, como classificação de documentos, extração e reconhecimento óptico de caracteres. Em um estudo recente, foi dito que, automatizando apenas 29% das funções de uma tarefa usando RPAs, os departamentos financeiros economizam mais de 25,000 horas de retrabalho causado por erros humanos ao custo de $ 878,000 por ano para uma organização com 40 equipe de contabilidade do tempo [1]. Neste blog, aprenderemos como usar OCRs com RPAs e nos aprofundaremos nos fluxos de trabalho de compreensão de documentos. Abaixo está o índice analítico.
Definições e visão geral
RPA, em geral, é uma tecnologia que ajuda a automatizar tarefas administrativas por meio de bots de software e hardware. Esses bots aproveitam as interfaces do usuário; para capturar os dados e manipular aplicativos como os humanos fazem. Por exemplo, um RPA pode examinar uma série de tarefas realizadas em uma GUI, como mover cursores, conectar-se a APIs, copiar e colar os dados e formular a mesma sequência de ações em um wireframe RPA que se traduz em código. Além disso, estas tarefas podem ser executadas sem intervenção humana no futuro. O reconhecimento óptico de caracteres (OCR) é um recurso crucial de qualquer solução funcional de automação de processos robóticos (RPA). Esta tecnologia é usada para ler e extrair texto de diferentes fontes, como imagens ou pdfs em formato digital sem capturá-lo manualmente.
Por outro lado, a compreensão do documento é o termo usado para descrever automaticamente a leitura, a interpretação e a ação sobre os dados do documento. O mais importante neste processo é que os próprios bots de software realizam todas as tarefas. Esses bots aproveitam o poder da Inteligência Artificial e Aprendizado de Máquina para entender documentos como assistentes digitais. Dessa forma, podemos dizer que a compreensão do documento surge na interseção do processamento de documentos, IA e RPA.
Como os robôs podem aprender a entender os documentos com OCR e ML
Antes de nos aprofundarmos no Document Understanding, vamos falar sobre a função dos Robôs para Document Understanding. Esses ajudantes totalmente invisíveis tornam nossa vida muito mais confortável. Ao contrário de filmes e séries, esses robôs não são dispositivos físicos ou programas de inteligência artificial que ficam em uma área de trabalho e pressionam botões para executar tarefas. Podemos pensar neles como assistentes digitais que são treinados para processar documentos lendo e usando aplicativos como nós. Do lado funcional, os robôs são bons em melhorar o desempenho e a eficiência de um processo. Ainda assim, por ser um software autônomo, não pode avaliar o processo e tomar decisões cognitivas. No entanto, se o aprendizado de máquina for integrado com sucesso, a robótica se tornará mais dinâmica e adaptativa. Por exemplo, os robôs utilizados para processamento de documentos, gerenciamento de dados e outras funções no front e middle office realizarão ações mais inteligentes, como eliminar entradas duplicadas ou resolver exceções de sistema desconhecidas no processo. Além disso, os robôs são treinados para ler, extrair, interpretar e agir com base nos dados dos documentos usando inteligência artificial (IA).
Como as empresas podem integrar OCR inteligente com RPA para melhorar os fluxos de trabalho
Extrair dados do documento é um componente crucial para a compreensão do documento. Nesta seção, discutiremos como podemos integrar OCR com RPA ou vice-versa. Em primeiro lugar, todos nós sabíamos que existem diferentes tipos de documentos em termos de modelos, estilo, formatação e, às vezes, linguagem. Portanto, não podemos confiar em uma técnica simples de OCR para extrair os dados desses documentos. Para resolver esse problema, usaremos abordagens baseadas em regras e abordagens baseadas em modelos no OCR para lidar com dados de diferentes estruturas de documentos. Agora veremos como as empresas que fazem OCR podem integrar RPAs em seus sistemas existentes com base no tipo de documentos.
Documentos Estruturados: Nesse tipo de documento, os layouts e modelos geralmente são fixos e quase consistentes. Por exemplo, considere uma organização que faz KYC com IDs emitidos pelo governo, como passaporte ou carteira de motorista. Todos esses documentos serão idênticos e terão os mesmos campos como Número de Identificação, Nome da Pessoa, Idade e alguns outros nas mesmas posições. Mas apenas os detalhes variam. Pode haver algumas restrições, como estouro de tabela ou dados não arquivados.
Normalmente, a abordagem recomendada usa um modelo ou mecanismo baseado em regras para extrair as informações para documentos estruturados. Isso pode incluir expressões regulares ou mapeamento de posição simples e OCR. Portanto, para integrar robôs de software para automatizar a extração de informações, podemos usar modelos pré-existentes ou criar regras para nossos dados estruturados. Há uma desvantagem em usar a abordagem baseada em regras, uma vez que depende de partes fixas, mesmo pequenas alterações na estrutura do formulário podem causar falhas nas regras.
Documentos semiestruturados: Esses documentos possuem as mesmas informações, mas estão organizados em posições diferentes. Por exemplo, considere faturas contendo 8 a 12 campos idênticos. Em poucos faturas, o endereço do comerciante pode estar localizado na parte superior e, em outros, pode ser encontrado na parte inferior. Normalmente, essas abordagens baseadas em regras não oferecem alta precisão; portanto, trazemos modelos de aprendizado de máquina e aprendizado profundo para extração de informações usando OCR. Alternativamente, em alguns casos, podemos usar modelos híbridos envolvendo regras e modelos de ML. Alguns modelos pré-treinados populares são FastRCNN, Attention OCR, Graph Convolutions para extração de informações em documentos. Contudo, novamente estes modelos têm poucas desvantagens; portanto, medimos o desempenho do algoritmo usando métricas como precisão ou pontuação de confiança. Como o modelo aprende padrões, em vez de operar com base em regras concretas, ele pode cometer erros inicialmente logo após as correções. No entanto, a solução para essas desvantagens – quanto mais amostras o modelo de ML processa, mais padrões ele aprende para garantir a precisão.
Documentos não estruturados: A RPA hoje é incapaz de gerenciar dados não estruturados diretamente, exigindo primeiro que os robôs extraiam e criem dados estruturados usando OCR. Ao contrário dos documentos estruturados e semiestruturados, os dados não estruturados não possuem alguns pares de valores-chave. Por exemplo, em alguns faturas, vemos o endereço de um comerciante em algum lugar sem nenhum nome de chave; da mesma forma, observamos o mesmo para outros campos como data, ID da fatura. Para que os modelos de ML os processem com precisão, os robôs precisam aprender como traduzir o texto escrito em dados acionáveis, como e-mail, número de telefone, endereço, etc. O modelo aprenderá então que padrões numéricos de 7 ou 10 dígitos devem ser extraídos como números de telefone e texto enorme contendo códigos de cinco dígitos e diferentes substantivos como texto. Para tornar esses modelos mais precisos, também podemos usar técnicas de Processamento de Linguagem Natural (PNL), como Reconhecimento de Entidades Nomeadas e Incorporação de Palavras.
De modo geral, para a compreensão do documento, primeiro é essencial compreender os dados e depois implementar OCR com RPAs. Em seguida, em vez de mapear um processo passo a passo, podemos ensinar um robô a "fazer o que eu faço" registrando o processo conforme ele acontece com poderosos recursos de OCR conforme discutido acima, integrando regras e algoritmos de aprendizado de máquina. O robô de software segue seus cliques e ações na tela e os transforma em um fluxo de trabalho editável. Se você está trabalhando inteiramente em programas locais, é tudo o que você precisa saber.
Desafios de OCR enfrentados por desenvolvedores de RPA
Vimos como podemos integrar OCRR com RPAs para documentos diferentes, mas existem alguns casos de desafios em que os robôs precisam lidar bem. Vamos discuti-los agora!
- Dados fracos ou inconsistentes: Os dados desempenham um papel crucial na compreensão do documento. Na maioria dos casos, os documentos são digitalizados usando câmeras onde há uma chance de perder a formatação do documento durante a digitalização do texto (ou seja, negrito, itálico e sublinhado nem sempre são reconhecidos). Às vezes, o OCR pode extrair texto da maneira errada, levando a erros de ortografia, quebras de parágrafo irregulares, o que reduz o desempenho geral dos robôs. Portanto, lidar com todos os valores ausentes e capturar os dados com maior precisão é vital para obter maior precisão para OCR.
- Orientação incorreta da página nos documentos: A orientação da página e a distorção também são um dos problemas comuns que levam à correção incorreta do texto do OCR. Isso geralmente ocorre quando os documentos são digitalizados incorretamente durante a fase de coleta de dados. Para superar isso, teremos que declarar algumas funções aos robôs como ajuste automático à página, filtragem automática para que possam permitir o aumento da qualidade do documento digitalizado e recebimento de dados corretos na saída.
- Problemas de integração: Nem todas as ferramentas de RPA funcionam bem em ambientes de desktop remotos - elas causam travamentos e problemas críticos na automação. Além do mais, o desenvolvedor RPA precisa saber qual solução OCR será a melhor para um caso específico. Além disso, para trabalhar com ferramentas de automação específicas, o desenvolvedor RPA precisa escolher apenas a tecnologia OCR limitada criada pela Microsoft, Google. Portanto, integrar nossos algoritmos e modelos personalizados às vezes é um desafio.
- Todo o texto é um texto embaralhado: Para casos de uso da vida real, o texto capturado por um OCR genérico é todo embaralhado e não contém informações significativas que os bots possam usar para realizar operações significativas. Os desenvolvedores de RPA precisam de um forte suporte de ML para criar aplicativos úteis.
Pipeline para fluxo de trabalho de compreensão de documentos
Nas seções anteriores, vimos como os bots ajudam a realizar OCR para diferentes tipos de documentos. Mas OCR é apenas uma técnica que converte imagens ou outros arquivos em texto. Agora, nesta seção, veremos o fluxo de trabalho de Entendimento de Documentos desde o início da coleta de documentos até finalmente salvá-los de informações significativas no formato desejado.
- Ingerir o documento de uma pasta usando seu Bot: Esta é a primeira etapa para obter o entendimento do documento por meio de bots. Aqui, buscaremos o documento localizado em uma plataforma em nuvem (usando uma API) ou em uma máquina local. Em alguns casos, se nossos documentos estiverem em páginas da web, podemos automatizar scripts de scraping por meio de bots, onde podem buscar documentos em tempo hábil.
- Tipo de documento: Depois de buscarmos os dados, é fundamental entender o tipo de documento e o formato com que eles são salvos em nossos sistemas, pois às vezes recebemos dados de diferentes fontes em vários formatos de arquivo como PDF, PNG e JPG. Não apenas os tipos de arquivo, às vezes, quando os documentos são digitalizados com câmeras de telefone, alguns problemas desafiadores, como distorção da imagem, rotação, brilho ou baixa resolução, também devem ser resolvidos. Assim, teremos que garantir que os bots classifiquem esses documentos na categoria estruturado, semiestruturado ou não estruturado, salvando-os em um formato genérico. A tarefa de classificação é realizada comparando os documentos com modelos e analisando recursos como fontes, idioma, presença de pares de valores-chave, tabelas, etc.
- Extraindo os dados com OCR: Tudo bem, agora que os bots organizaram nossos documentos em um formato genérico e os classificaram, é hora de digitalizá-los usando a técnica de OCR. Com isso teremos o texto, sua localização em co-coordenadas a partir das imagens. Isso ajuda a padronizar os documentos e dados para as etapas subsequentes. Também encontramos alguns casos em que o software OCR não conseguia distinguir corretamente entre caracteres, como 't' versus 'i' ou '0' versus 'O.' Os próprios erros que você deseja evitar usando o software OCR podem se tornar uma nova dor de cabeça quando a tecnologia OCR é incapaz de analisar as nuances de um documento com base em sua qualidade ou forma original. É aqui que entra em cena o aprendizado de máquina, que discutiremos na próxima etapa.
- Aproveitando ML / DL para OCR inteligente usando bots: Depois que os dados são digitalizados, o software OCR deve compreender o tipo de documento com o qual está trabalhando e o que é relevante. Mas o software OCR tradicional pode ter dificuldades para dimensionar os esforços de classificação de documentos. Portanto, os bots de software devem ser treinados com habilidades cognitivas, aproveitando o aprendizado de máquina e técnicas de aprendizado profundo para tornar os OCRs mais inteligentes. As soluções de OCR baseadas em ML podem identificar um tipo de documento e compará-lo com um tipo de documento conhecido usado por sua empresa. Eles também podem analisar e compreender blocos de texto em documentos não estruturados. Uma vez que a solução sabe mais sobre o documento em si, pode começar a extrair informações relevantes com base na intenção e no significado.
- Melhor extração e classificação de dados: A extração de dados é o núcleo do Document Understanding. Conforme discutido na seção anterior sobre Integração de RPAs com OCR nesta etapa, opte pela técnica de extração de dados com base no tipo de documento. Por meio dos RPAs, podemos configurar facilmente qual extrator usar, seja uma técnica de OCR baseada em regras ou baseada em ML ou híbrida. Com base nas métricas de confiança e desempenho que são retornadas após a extração de informações, os robôs de software irão salvá-los em nosso formato desejado para análise posterior. Abaixo está uma imagem de como podemos configurar extratores e definir o nível de confiança em uma ferramenta RPA por UIPath.
6. Insights de validação e capacitação: Os modelos de OCR e Aprendizado de Máquina não são cem por cento precisos em termos de extração de informações, portanto, adicionar uma camada de intervenção humana com a ajuda de robôs pode resolver o problema. A forma como essa validação funciona é que sempre que os robôs lidam com baixa precisão e exceções, ele imediatamente gera uma notificação para o centro de ação, onde um funcionário pode receber uma solicitação para validar dados ou lidar com exceções e pode resolver quaisquer incertezas em questão de cliques. Além disso, podemos desbloquear o potencial da Inteligência Artificial para documentar dados ao longo do tempo para fazer previsões e identificar anomalias potenciais que podem indicar fraude, duplicação e outros erros.
Benefícios da integração de robôs com Document Understanding
- Automatizar processo: A principal razão para integrar bots para compreensão de documentos é automatizar todo o processo do início ao fim. Tudo o que precisamos fazer é criar um fluxo de trabalho para os bots aprenderem, sentar e relaxar. Durante o processo de validação, podemos precisar resolver os problemas que são notificados pelos bots onde quaisquer erros ou fraudes são identificados.
- Bots com aprendizado de máquina: Durante o processo de automação, podemos tornar os bots resilientes ao aprendizado de máquina. Isso significa que os robôs também podem aprender como os modelos de aprendizado de máquina estão se saindo e, assim, aprimorá-los para obter maior precisão e desempenho para extração de texto e informações de documentos.
- Processar ampla gama de processamento de documentos: Para tarefas gerais, como extração de tabelas e informações, teremos que criar diferentes canais de aprendizado profundo para diferentes tipos de documentos. Isso leva à construção de vários aplicativos e à implantação de vários modelos em diferentes servidores, o que requer muito esforço e tempo. Quando os bots estão em cena para uma ampla variedade de documentos, poderíamos ter apenas um único pipeline em que os bots podem classificá-los e usar o modelo apropriado para diferentes tarefas. Também podemos integrar vários serviços por meio de APIs e nos comunicar com outras organizações em termos de busca de dados.
- Fácil de implantar: Para a compreensão do documento após a criação dos pipelines, o processo de implantação leva apenas um minuto. Podemos ter APIs exportadas por bots após o treinamento ou então podemos construir uma solução RPA customizada que pode ser usada em nossos sistemas locais. Este tipo de implantação também pode otimizar as empresas e pode reduzir as despesas com riscos mínimos.
Digite Nanonets
NanoNets é uma plataforma de aprendizado de máquina que permite aos usuários capturar dados de faturas, recibos e outros documentos sem qualquer configuração de modelo. Temos algoritmos de aprendizado profundo e visão computacional de última geração em execução na parte traseira que podem lidar com qualquer tipo de tarefa de compreensão de documentos, como OCR, extração de tabela, extração de pares de valores-chave. Geralmente são exportados como APIs ou podem ser implantados localmente com base em diferentes casos de uso. Aqui estão alguns exemplos,
- Modelo de fatura: identifique os principais campos de Faturas como nome do comprador, ID da fatura, data, valor etc.
- Modelo de recibos: identifique os campos-chave dos recibos, como nome do vendedor, número, data, valor etc.
- Carteira de motorista (EUA): identifique os campos-chave, como número da licença, DOB, data de validade, data de emissão, etc.
- Currículos: Extraia experiência, educação, conjuntos de habilidades, informações do candidato, etc.
Para tornar esses fluxos de trabalho mais rápidos e robustos, usamos UiPath, uma ferramenta RPA para automação perfeita de seus documentos sem qualquer modelo. Na próxima seção, veremos como você pode usar o UiPath Connect com Nanonets para compreensão de documentos. Os três maiores players do mercado de RPA são UiPath, Automation Anywhere e Blue Prism. Este blog se concentra no Uipath.
NanoNets com UiPath
Aprendemos a criar um canal de compreensão de documentos em nossas seções anteriores. Requer conhecimentos básicos de OCR, RPAs e aprendizado de máquina, pois existem diferentes abordagens e algoritmos para diferentes tarefas em vários pontos. Além disso, temos que despender muito esforço construindo redes neurais que entendam nossos modelos, treinando e implementando-os. Portanto, para ficar confortável e automatizar tudo, desde o upload de documentos, classificá-los, construir OCR, integrar modelos de ML, nós da Nanonets estamos trabalhando no Ui Path para criar um pipeline perfeito para Document Understanding. Abaixo está uma imagem de como isso funciona.
Agora vamos revisar cada um deles e aprender como podemos integrar Nanonets com UiPath.
Etapa 1: Inscreva-se no UiPath e baixe o UiPath Studio
Para criar um fluxo de trabalho, primeiro, teremos que criar uma conta no UiPath. Se você for um usuário existente, você pode fazer login diretamente em sua conta, redirecionando seu painel UiPath. Em seguida, você terá que baixar e instalar o UiPath Studio (Community Edition), que é gratuito.
Etapa 2: Baixar o componente Nanonets
Em seguida, para configurar seu pipeline de processamento de faturas, você terá que baixar o Conector Nanonets no link abaixo.
-> NanoNets OCR - Componente RPA
Abaixo está uma captura de tela do UiPath Marketplace e do componente Nanonets. Além disso, para fazer o download, certifique-se de estar conectado ao UiPath de um sistema operacional Windows.
Seus arquivos baixados devem conter os arquivos listados abaixo,
UiPath OCR Predict ├── Main.xaml
└── project.json
Etapa 3: Abra o componente Nanonets do arquivo Main.xaml
Para verificar se o Nanonets UiPath está funcionando ou não, você pode abrir o arquivo Main.xml do componente Nanonets baixado usando o Ui Path Studio. Então você pode ver seu pipeline já criado para você para processamento de documentos.
Etapa 4: reúna seu ID de modelo, chave de API e endpoint de API do aplicativo Nanonets
Em seguida, você pode usar qualquer um dos modelos OCR treinados do Nanonets APP e reunir a ID do modelo, a chave de API e o terminal. Abaixo estão mais detalhes para você encontrá-los rapidamente.
ID do modelo: Faça login em sua conta Nanonets e navegue até “Meus modelos”. Você pode treinar um novo modelo ou copiar o ID do aplicativo de um modelo existente.
Endpoint da API: Você pode escolher qualquer modelo existente e clicar em Integrate para encontrar seu endpoint API. Abaixo está um exemplo da aparência de seus terminais.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. Chave API: Navegue até a guia Chave API e você pode copiar qualquer chave API existente ou criar uma nova.
Etapa 5: adicionar solicitação HTTP para obter seu método e variáveis para o caminho da IU
Agora, para integrar seu Model from Nanonets ao UI Path, você terá o primeiro clique em HTTP Request e adicione o EndPoint, que pode ser encontrado na navegação à esquerda na seção Input. Abaixo está uma captura de tela.
Mais tarde, adicione todas as suas variáveis para estabelecer uma conexão de seu UiPath Studio com a API Nanonets. Você pode encontrar esta seção no painel inferior na “Guia Variáveis”. Abaixo está a captura de tela, você terá que atualizar / copiar sua API Key, End Point e o Model-ID do seu modelo aqui.
Etapa 6: adicionar localização de arquivo para previsões
Por último, você pode adicionar a localização do arquivo na guia de atributos, conforme mostrado na captura de tela abaixo, e clicar no botão play em sua navegação superior para prever seus resultados.
Voila! Aqui estão nossas saídas para o documento que solicitamos na captura de tela abaixo. Para processar mais, você pode simplesmente adicionar os locais dos arquivos e clicar no botão Executar.
Etapa 7 - Empurre a saída para CSV / ERP
Por último, para personalizar nossa saída em seu formato desejável, podemos adicionar novos blocos ao pipeline no arquivo Main.XML. Também podemos levar isso para qualquer sistema ERP existente por meio de arquivos offline ou chamadas de API.
Para qualquer ajuda, contacte-nos em support@nanonets.com
webinar
Junte-se a nós em um webinar na próxima terça-feira sobre OCR com RPA, Registre-se aqui.
Referências
[2] Entendimento de Documentos - Processamento de Documentos AI
[3] RPA OCR - automatização de processos elevatórios | LEGAL
[4] Como usar IA para otimizar a compreensão do documento
[5] https://www.uipath.com/product/document-understanding
[6] Usando NanoNets no fluxo de trabalho UiPath para OCR de fatura
Leitura
Você pode estar interessado em nossas últimas postagens sobre:
Update:
Adicionado mais material de leitura sobre o uso e impacto de OCR e RPA na compreensão de documentos.
Fonte: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- Conta
- Contabilidade
- Açao Social
- Vantagem
- AI
- algoritmo
- algoritmos
- Todos os Produtos
- análise
- api
- APIs
- app
- Aplicação
- aplicações
- Arte
- inteligência artificial
- Inteligência artificial (AI)
- Inteligência Artificial e Aprendizado de Máquinas
- Automação
- automação em qualquer lugar
- MELHOR
- O maior
- Blog
- Bot
- bots
- construir
- Prédio
- negócio
- câmeras
- casos
- Causar
- causado
- reconhecimento de caracteres
- classificação
- Na nuvem
- Plataforma em nuvem
- código
- cognitivo
- Coleta
- comentários
- comum
- comunidade
- Empresas
- componente
- Visão de Computador
- confiança
- conteúdo
- Correções
- custos
- painel de instrumentos
- dados,
- gestão de dados
- acordo
- deep learning
- Developer
- desenvolvedores
- Dispositivos/Instrumentos
- digital
- INSTITUCIONAIS
- esquivar
- condução
- Educação
- eficiência
- colaboradores
- Ponto final
- Empreendimento
- etc.
- extrair os dados
- Extração
- Característica
- Funcionalidades
- Campos
- Finalmente
- financiar
- Primeiro nome
- Foco
- formulário
- formato
- fraude
- Gratuito
- futuro
- Gartner
- Geral
- gif
- Bom estado, com sinais de uso
- guia
- Manipulação
- dores de cabeça
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- Alta
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTTPS
- enorme
- Humanos
- HÍBRIDO
- identificar
- imagem
- Impacto
- Crescimento
- info
- INFORMAÇÕES
- extração de informação
- Inteligência
- intenção
- questões
- IT
- Chave
- Conhecimento
- KYC
- língua
- mais recente
- conduzir
- principal
- APRENDER
- aprendido
- aprendizagem
- Nível
- Alavancagem
- Licença
- Limitado
- LINK
- local
- localização
- aprendizado de máquina
- de grupos
- mercado
- marketplace
- Match
- a medida
- Comerciante
- Métrica
- Microsoft
- ML
- modelo
- Filmes
- Linguagem Natural
- Processamento de linguagem natural
- Navegação
- redes
- Neural
- redes neurais
- PNL
- notificação
- números
- OCR
- aberto
- operando
- sistema operativo
- Operações
- reconhecimento de caracteres ópticos
- ordem
- Outros
- Outros
- passaporte
- atuação
- fotografia
- plataforma
- Popular
- POSTAGENS
- poder
- Precisão
- Previsões
- Automação de Processos
- Programas
- projeto
- qualidade
- raises
- alcance
- RE
- Leitura
- reduzir
- Resultados
- rever
- robô
- Automação de Processo Robótica
- robótica
- robôs
- rpa
- regras
- Execute
- corrida
- seiva
- poupança
- Escala
- exploração
- raspagem
- Peneira
- desatado
- VENDEDORES
- Série
- Serviços
- conjunto
- simples
- So
- Software
- Bots de software
- Soluções
- RESOLVER
- gastar
- começo
- Estado
- Estudo
- ajuda
- .
- sistemas
- extração de mesa
- Tecnologias
- Equipar
- O Futuro
- tempo
- topo
- Training
- ui
- UiPath
- Atualizar
- us
- Estados Unidos
- casos de uso
- usuários
- valor
- Contra
- visão
- web
- webinar
- sites
- QUEM
- Windows
- dentro
- Atividades:
- de gestão de documentos
- trabalho
- XML
- ano
- Youtube