Introdução
Este artigo mostrará o que são as transformações digitais, o que as impulsiona, como ajudar nas transformações digitais de sucesso, como a IA e o aprendizado profundo podem ajudar, os desafios que você pode enfrentar na implementação e como contorná-los. Também falaremos sobre o que o ritmo atual de crescimento tecnológico significa para o futuro do trabalho e o que podemos fazer a respeito da paranóia que acompanha o aumento da automação. Enquanto falando sobre singularidade ou assumir o controle da Skynet não é o objetivo deste blog, seria um pouco apático não reconhecer os riscos que vêm com a aceleração do avanço tecnológico.
Tem um problema de extração de dados em mente? Vá para Nanoredes e comece a construir modelos gratuitamente!
Transformação digital
À medida que a tecnologia avança, também avançam nossos fluxos de trabalho, a estrutura de nossas instituições e organizações e as ferramentas que nos ajudam a realizar as tarefas necessárias. Isso requer que uma organização desenvolva novas competências, como ser mais centrada no cliente, inovadora, ágil, eficiente, ser capaz de processar o volume cada vez maior de informações e aproveitar esses novos meios de receita. Construir uma estratégia de transformação digital para uma empresa pode ser repleta de obstáculos e exige que pensemos em uma variedade de coisas, incluindo colaborações, cultura, ecossistemas, capacitação, etc., e ter um roteiro claro para fazer essa transição é uma coisa difícil de formular.
De acordo com este McKinsey artigo, menos de 30% das transformações digitais são bem-sucedidas. O número é ainda menor para organizações com experiência digital, como empresas de mídia e telecomunicações - menos de 26%. Os números caem ainda mais nas indústrias tradicionais, como as de petróleo e gás, infraestrutura e produtos farmacêuticos, com uma taxa de sucesso entre 4 e 11%.
Entender por que você precisa de uma transformação e formular uma estratégia abrangente para atingir objetivos claramente definidos requer uma boa liderança que tenha um bom entendimento das várias facetas do mundo dos negócios.
Garantindo uma transformação de sucesso
Garantir uma transformação bem-sucedida requer que uma organização atue em vários níveis, requer que seu pessoal seja mais engajado, produtivo e desejoso de encontrar soluções inovadoras para problemas novos ou persistentes.
Alguns fatores que podem decidir se os esforços de sua organização são bem-sucedidos incluem
- Boa liderança, engajamento visível da alta administração e canalização eficaz da força de trabalho para maximizar a produção.
- Uma estratégia coesa para unir diferentes departamentos, como vendas, marketing, cadeia de suprimentos, desenvolvimento de negócios e tecnologia.
- Comunicação clara de visão, objetivos e responsabilidades entre colegas, equipes, departamentos e alta administração.
- Inovação nas frentes tecnológicas, culturais e organizacionais.
- Automação para facilitar os fluxos de trabalho, aumentar a produtividade, aumentar a eficiência e as receitas.
- Conectividade entre vários departamentos, clientes e fornecedores, e sistemas de resposta imediata implementados.
- Vontade dos funcionários, bem como conveniência para os clientes se adaptarem a um cenário tecnológico em constante mudança.
- Tomada de decisão que é impulsionada por fortes insights extraídos de dados espalhados ao longo do tempo e capturando múltiplas paisagens e cenários
- Desenvolver talentos e habilidades necessárias para sustentar a transformação no futuro.
- Atualizar as ferramentas do dia-a-dia para permitir uma melhor digitalização das informações e uma melhor experiência do usuário.
Você pode encontrar um recurso muito melhor SUA PARTICIPAÇÃO FAZ A DIFERENÇA se você pretende se aprofundar nas transformações digitais, como elas podem ser implementadas, sobre o que deve ser cauteloso e os principais fatores que tornam uma transformação bem-sucedida. Aqui está um artigo que mostra ao leitor como navegar na onda de mudanças regulatórias relacionadas à privacidade e à lavagem de dinheiro com a ajuda da IA e do aprendizado profundo.
Informação como um facilitador
Com o tempo, vimos uma mudança em direção ao economia de plataforma que é impulsionado por tecnologias de ponta, como inteligência artificial, análise de big data, computação em nuvem e internet das coisas. Permanecer relevante em uma era de empresas como Airbnb, Uber, Amazon, Google, Salesforce e Facebook exige que adotemos uma abordagem centrada em dados e baseada em informações. Compreender o poder da informação e como ela pode auxiliar na transformação digital é fundamental.
- O quê - Há um fluxo constante de informações em vários meios - imagens, artigos, relatórios, trabalhos de pesquisa, documentos impressos, documentos digitais, etc. Uma empresa, dependendo do que fizer, pode ter que lidar com alguns ou muitos desses meios. Freqüentemente, há todas essas informações que as empresas estão coletando de seus clientes e clientes que elas não sabem como usar e gerar valor.
- O porquê - Determinar seus objetivos para uma transformação digital de antemão pode percorrer um longo caminho na construção de uma estratégia robusta com base em fortes métricas e KPIs. O seu objetivo final é aumentar as vendas e as receitas, conduzir uma mudança cultural em direção a tecnologias mais novas ou talvez promover uma melhor experiência do cliente? Saber o que você deseja no final pode ajudar os cientistas e engenheiros de dados a projetar soluções de uma maneira que se alinhe à visão mais ampla da empresa.
- O como - Várias coisas precisam ser discutidas, como a viabilidade do produto com os gerentes de engenharia e infraestrutura, dados de treinamento, definição de KPIs, escolha / design de algoritmos, implementação e integração, teste e implantação. Um fluxo de trabalho conveniente que automatiza a digitalização de informações, torna a revisão e a correção de erros mais fácil, torna-o acessível a qualquer pessoa sem muito conhecimento de ciência de dados ou desenvolvimento de software pode percorrer um longo caminho para conduzir uma transformação de sucesso.
Ajudando na transformação com IA
O aprendizado de máquina e a inteligência artificial podem ajudar as empresas a automatizar várias tarefas tediosas, demoradas e repetitivas e liberar tempo e recursos humanos valiosos para tarefas mais importantes.
Veja o exemplo de um sistema de gerenciamento de cadeia de suprimentos que ajuda as empresas a gerenciar estoques, pagamentos, vendas, distribuição, etc. Em um software tradicional, os dados sobre recebimentos e mercadorias compradas e vendidas precisariam ser inseridos manualmente. Várias pessoas seriam empregadas exclusivamente para revisar recibos e faturas.
Os benefícios que a digitalização dessas faturas e recibos pode causar são infinitos se as informações agora digitais forem processadas usando ferramentas baseadas em aprendizado de máquina. Você pode aprender mais sobre digitalização aqui. Qualidade de imagem, extração de informações, estruturação de informações, correção de erros, entrada de dados, armazenamento de dados - todas essas etapas que geralmente exigem que várias pessoas gastem horas e horas para fazer o trabalho, podem ser semiautomáticas, reduzindo o número de pessoas necessárias para a mesma quantidade de trabalho, isso também em uma fração do tempo que exigia antes.
Digitalizando informações
Abordagens de aprendizagem profunda viram avanços no problema específico de ler o texto e extrair informações estruturadas e não estruturadas de imagens. Para que esta digitalização funcione para você, há várias coisas de que você precisa ter certeza. Alguns deles são mencionados abaixo.
- Processando dados - Os dados coletados devem ser processados adequadamente para que nossos algoritmos funcionem bem. Isso envolve limpar nosso conjunto de dados, balancear classes, garantir a qualidade de nossos dados, etc. Imagens com ruído e borradas podem prejudicar gravemente suas previsões. Insights extraídos de dados confusos e inconsistentes podem levar a decisões desastrosas.
- Garantindo precisão - Enquanto a pesquisa em aprendizado de máquina busca constantemente a generalização em seus algoritmos de aprendizagem, alcançando um verdadeiro inteligência geral é uma meta improvável para qualquer empresa que esteja tentando alavancar a tecnologia em seu benefício. Diferentes casos de uso podem oferecer diferentes taxas de erro que, por sua vez, decidem como seus objetivos de aprendizado de máquina são definidos.
- Manuseio de armazenamento e recuperação - Uma plataforma ou software que está processando informações precisa ter integração de back-end robusta com bancos de dados da empresa e uma infraestrutura robusta construída em tecnologias de big data fortes para ser capaz de realizar operações em escala com baixa latência, tempo de inatividade mínimo e alta tolerância a falhas.
- Acessibilidade fácil - Um fluxo de trabalho que é evidente, fácil de entender, fácil de trabalhar e requer pouco conhecimento de pré-requisitos por parte do usuário pode ajudar a uma transformação ocorrer sem problemas. Permitir que humanos estejam no circuito pode ajudar a processar informações e revisá-las com mais rapidez e menos erros. Em escala, isso ajuda a aumentar a produtividade da organização.
Desafios de implementação
Automatizar processos usando aprendizado profundo vem com muitos obstáculos e um pipeline de ponta a ponta, completamente automatizado para tarefas relacionadas à digitalização, entrada e revisão é muito difícil de alcançar e muitas vezes uma meta impraticável de ter. Alguns dos problemas que você pode enfrentar ao tentar aplicar o aprendizado profundo e a inteligência artificial para ajudar na transformação digital impulsionada pelos esforços de digitalização são:
- Falta de dados de treinamento - Vários tipos de documentos a serem analisados significam que você precisa de modelos que possam trabalhar com vários modelos, idiomas, fontes, tamanhos de fonte, cores, planos de fundo, orientações, etc. Um modelo único para todas as soluções quase nunca é possível para uma tarefa tão diversa e requer coleta cuidadosa de dados para cada modelo ser capaz de executar modelos de aprendizado de máquina eficazes.
- Qualidade de imagem - Muitas vezes, as imagens de documentos ou recibos e faturas com que seus funcionários estão lidando são tiradas com diferentes telefones equipados com câmeras que se enquadram em uma gama diversa, todas atuando em diferentes condições de luz, em vários fundos, clicadas em diferentes orientações e todos com diferentes capacidades para lidar efetivamente com ruído, desfoque, etc. Lidar com esses problemas com algoritmos eficazes e robustos é fundamental, mas pode ser uma tarefa desanimadora se você lidar com vários documentos de vários tipos diariamente.
- Precisão de caractere x precisão de sequência - A automatização das tarefas de digitalização e revisão exige que as precisões sejam extremamente altas para evitar o armazenamento de dados inconsistente. Embora as técnicas atuais de OCR possam fornecer uma precisão de caractere aceitável, os mesmos modelos, quando medidos para a precisão da sequência, geralmente apresentam desempenho muito abaixo de nossas necessidades e expectativas. Embora ter modelos que superajustam seus dados para casos de uso de nicho possa funcionar, em escala, envolver humanos no ciclo de revisão e correção é a maneira mais prudente e eficiente de prosseguir.
Como fazer dar certo
Os métodos de Deep Learning têm ajudado a tecnologia OCR a tornar a digitalização mais fácil e a automação possível. Arquiteturas como redes de transformadores espaciais, mecanismos de atenção, redes convolucionais recorrentes (uma visão geral e um tutorial sobre a tecnologia podem ser encontrados SUA PARTICIPAÇÃO FAZ A DIFERENÇA) e redes convolucionais gráficas têm nos ajudado a alcançar alta precisão entregue em menos tempo, tornando possível o processamento de documentos, recibos, faturas, etc. com o mínimo de erros e abrindo nosso caminho para a automação. Aqui estão algumas maneiras como o aprendizado profundo torna isso possível -
- Automatizando a extração de informações - Com o aprendizado de máquina, você não precisa perder tempo examinando imagens de vários documentos, lendo informações sobre clientes, dados sobre transações, preços de produtos comprados ou vendidos etc. quando uma máquina pode cuidar disso para você. O OCR nos permite extrair automaticamente informações em imagens e convertê-las em texto legível por máquina que pode ser colocado na estrutura certa.
- Revisão de informações humanizadas - Uma vez que a informação é extraída, ela pode ser revisada por um revisor para se certificar de que a grafia está correta, a informação foi inserida nos campos corretos, etc. Isso é quase uma redução de 90% no tempo quando comparado aos processos que exigem a leitura os dados e inseri-los em um software manualmente. Falaremos mais sobre por que a automação 100% não é viável na próxima seção do artigo.
- Melhorando a precisão e o desempenho - Mesmo que o processo seja totalmente realizado por humanos, as empresas ainda enfrentam frequentemente práticas inadequadas de entrada de dados por parte de seus funcionários, levando ao armazenamento de informações imprecisas. Isso pode ser remediado com modelos bem treinados que podem ter um desempenho pelo menos tão bom quanto o dos humanos em um tempo muito mais curto. O aprendizado e a integração contínuos em um ambiente de produção também ajudam os modelos a melhorar com o tempo.
IA, automação e o futuro do trabalho
Ao combinar os métodos de aprendizado profundo existentes com a tecnologia de reconhecimento óptico de caracteres, as empresas e os indivíduos foram capazes de automatizar o processo de digitalização de documentos e facilitaram os procedimentos de entrada manual de dados, melhor registro e armazenamento, menos erros e melhores tempos de resposta. Mas a automação nem sempre foi vista da maneira mais positiva por uma grande parte da população.
Criando oportunidades ou eliminando-as?
Como mencionado em Este artigo,
"Dados do Bureau of Labor Statistics mostram que há uma distribuição desequilibrada de gênero entre os empregos mais comuns nos Estados Unidos hoje. Empregos como professores do ensino fundamental e médio, enfermeiras registradas e secretárias e auxiliares administrativos compreendem, cada um, pelo menos 80% de mulheres; enquanto empregos como caminhoneiros e trabalhadores da construção empregam mais de 90% dos homens. ”
O autor aponta que a sub-representação de mulheres pode ser enfrentada com organizações sendo cautelosas sobre o uso de ferramentas com preconceito de gênero para fins de recrutamento e que ter mais mulheres em um conjunto diversificado de funções pode tornar mais fácil encontrar esses preconceitos e agir sobre eles.
A paranóia de que a tecnologia vai tirar nossos empregos é real, como é demonstrado em um 2017 pesquisa mencionado em Este artigo sobre o episódio “Metalhead” do show Black Mirror. De acordo com a pesquisa, 26% das pessoas entrevistadas acreditam que perderão seus empregos para os avanços da tecnologia nos próximos 20 anos.
De acordo com o Este artigo,
“Cerca de metade do atividades (não empregos) realizadas pelos trabalhadores podem ser automatizadas. Nossa análise de mais de 2000 atividades de trabalho em mais de 800 ocupações mostra que certas categorias de atividades são mais facilmente automatizadas do que outras. Eles incluem atividades físicas em ambientes altamente previsíveis e estruturados, bem como coleta e processamento de dados. ”
Embora isso seja definitivamente um motivo de preocupação, os números mencionados acima são um pouco enganosos. Acelerar o progresso em IA e automação está criando oportunidades para negócios, economia e sociedade.
O problema é de duas faces - a primeira parte em que as tecnologias de inteligência artificial são proliferadas de uma forma que não substitui os humanos, mas os ajuda em seu trabalho, ao mesmo tempo que cria novos mercados, oportunidades e empregos que não existiam antes. O outro lado do quebra-cabeça é mostrar às pessoas como é possível, por meio de números e experiências, que a tecnologia torne suas vidas melhores, trabalhos mais fáceis, vidas mais satisfatórias e realizadoras. Acelerar o progresso em IA e automação está criando oportunidades para negócios, economia e sociedade.
Máquinas como ajudantes, não ameaças
Embora o artigo mencionado acima mencione -
“… Quase todas as ocupações serão afetadas pela automação, mas apenas cerca de 5 por cento das ocupações poderiam ser totalmente automatizadas pelas tecnologias demonstradas atualmente.”
Também diz isso -
“… Muitas outras novas ocupações que não podemos imaginar atualmente também surgirão e podem representar até 10% dos empregos criados até 2030.”
A automação parcial se tornará muito mais prevalente no futuro, como na Amazon onde os funcionários anteriormente encarregados de levantar e empilhar objetos pesados agora estão encontrando funções que exigem que operem e monitorem robôs que fazem o mesmo. Conforme a tecnologia avança e mais tarefas se tornam mais fáceis, a conscientização impulsiona as pessoas informando sobre todas as coisas que a tecnologia pode fazer por elas pode ser um longo caminho.
Fluxos de trabalho de humanos em loop
Perspectivas concorrentes coexistem sobre automação, IA e o futuro do trabalho, conforme mencionado em Este artigo quais Estados, “Enquanto alguns temem o fim do emprego e o aumento da desigualdade de riqueza, outros celebram o aumento da produtividade e novas fronteiras para inovação e investimento.”
Os fluxos de trabalho do Human in the loop são uma tentativa de preencher essa lacuna entre as duas perspectivas sobre como o trabalho pode funcionar para diferentes pessoas no futuro. Ao usar a tecnologia para ajudar os humanos a aumentar sua produtividade, automatizando tarefas repetitivas e mundanas, as organizações podem liberar recursos humanos valiosos para tarefas mais importantes, tarefas que exigem reflexão e criatividade.
A implementação de um fluxo de trabalho humano no circuito em um esforço direcionado à digitalização para a transformação com sucesso nos envolve ter cuidado com o seguinte -
- Coleta de dados - Muito tempo é gasto pelas empresas reunindo os dados corretos que se ajustam ao seu caso de uso, de forma que os casos extremos sejam tratados de maneira elegante e com o mínimo de erros. Isso requer que os desenvolvedores retirem dados da web, reúnam dados de vários recursos de código aberto e comprem dados de instituições e organizações.
- Processamento de dados - Isso requer muito trabalho repetitivo em que precisamos nos livrar ou aumentar adequadamente imagens borradas, imagens com ruído, imagens que não aparecem na orientação correta, consistem em fontes conhecidas, etc. Após esta limpeza, também exigimos um dedicado equipe de anotadores que podem gerar anotações de boa qualidade para nossos dados.
- Modelos de aprendizado de máquina - Encontrar as arquiteturas e os métodos corretos para treinar seus modelos de aprendizado de máquina que funcionam bem em escala com alta precisão pode levar tempo e exigir muita pesquisa. Compreender bem os seus dados também é tão importante para um engenheiro de aprendizagem profunda que tenta descobrir os algoritmos certos para usar.
- Correção - Depois de ter modelos de aprendizado de máquina que são capazes de gerar previsões com uma precisão aceitável, nem sempre é aconselhável ter nossos modelos treinados em mais dados e melhor ajustados para atender a uma meta de automação próxima de 100%. A falta de generalização reduz a flexibilidade desses modelos e limita sua reutilização.
- Entrada de dados - Depois que essas previsões são limpas e corrigidas, os dados precisam ser inseridos em um software que atualmente envolve soluções baseadas em modelos e regras que são operadas por pessoas contratadas especificamente para a entrada de dados. Esse tipo de coisa pode ser automatizado construindo modelos generalizados que podem extrair estrutura de um documento sem menção explícita das regras. Isso pode auxiliar os procedimentos de entrada de dados, torná-los mais rápidos, reduzir erros relacionados à fadiga e aumentar a produtividade.
Nanonetas e digitalização
Nós da Nanonets resolvemos encontrar uma solução que cuidasse de todas as coisas mencionadas acima em nossa missão de democratizar o aprendizado de máquina.
OCR com nanonets
A API Nanonets OCR permite que você crie modelos de OCR com facilidade. Você pode fazer upload de seus dados, anotá-los, definir o modelo para treinar e esperar por previsões por meio de uma IU baseada em navegador, sem escrever uma única linha de código, se preocupar com GPUs ou encontrar as arquiteturas certas para seus modelos de aprendizado profundo. Você também pode adquirir as respostas JSON de cada predição para integrá-la com seus próprios sistemas e construir aplicativos com tecnologia de aprendizado de máquina baseados em algoritmos de última geração e uma infraestrutura forte.
Usando a GUI: https://app.nanonets.com/
Você também pode usar a API Nanonets-OCR seguindo as etapas abaixo:
Etapa 1: Clonar o repositório, instalar dependências
git clone https://github.com/NanoNets/nanonets-ocr-sample-python.git
cd nanonets-ocr-sample-python
sudo pip install requests tqdm
Etapa 2: Obtenha sua chave de API gratuita
Obtenha sua chave de API gratuita em http://app.nanonets.com/#/keys
Etapa 3: defina a chave da API como uma variável de ambiente
export NANONETS_API_KEY=YOUR_API_KEY_GOES_HERE
Etapa 4: crie um novo modelo
python ./code/create-model.py
Observação: Isso gera um MODEL_ID necessário para a próxima etapa
Etapa 5: adicionar ID do modelo como variável de ambiente
export NANONETS_MODEL_ID=YOUR_MODEL_ID
Observação: você receberá YOUR_MODEL_ID da etapa anterior
Etapa 6: fazer upload dos dados de treinamento
Os dados do treinamento são encontrados em images
(arquivos de imagem) e annotations
(anotações para os arquivos de imagem)
python ./code/upload-training.py
Etapa 7: modelo de trem
Assim que as imagens forem carregadas, comece a treinar o modelo
python ./code/train-model.py
Etapa 8: obter o estado do modelo
O modelo leva cerca de 2 horas para treinar. Você receberá um e-mail assim que o modelo for treinado. Enquanto isso, você verifica o estado do modelo
python ./code/model-state.py
Etapa 9: faça a previsão
Uma vez que o modelo é treinado. Você pode fazer previsões usando o modelo
python ./code/prediction.py ./images/151.jpg
Nanonetas e humanos no circuito
A tela 'Moderada' auxilia nos processos de correção e entrada e reduz a carga de trabalho do revisor manual em quase 90% e reduz os custos em 50% para a organização.
As características incluem
- Rastreie as previsões corretas
- Rastreie quais estão errados
- Faça correções para as imprecisas
- Exclua os que estão errados
- Preencha as previsões ausentes
- Filtrar imagens com intervalos de datas
- Obtenha contagens de imagens moderadas em comparação com as não moderadas
Todos os campos estão estruturados em uma GUI de fácil manuseio que permite ao usuário aproveitar as vantagens da tecnologia OCR e auxiliá-la no aprimoramento à medida que avança, sem ter que digitar nenhum código ou entender como a tecnologia funciona.
Conclusão
Aprendemos sobre as transformações digitais, por que acontecem, o que as organizações podem fazer para garantir uma transformação bem-sucedida. Também discutimos a direção atual do avanço tecnológico e como a informação nesta era está impulsionando a inovação, o que isso significa para a sociedade em geral. Finalmente vimos como lidar com o problema da automação em relação aos números de empregos com fluxos de trabalho humanos no loop.
Espero que você tenha gostado do artigo.
Você pode estar interessado em nossas últimas postagens sobre:
Fonte: https://nanonets.com/blog/data-extraction-from-document-digitisation/
- 7
- 9
- Conta
- atividades
- Vantagem
- AI
- SIDA
- Airbnb
- algoritmos
- Todos os Produtos
- Permitindo
- Amazon
- entre
- análise
- analítica
- api
- Aplicativos
- por aí
- Arte
- artigo
- artigos
- inteligência artificial
- Automatizado
- Automação
- Preto
- Blog
- PONTE
- navegador
- construir
- Prédio
- negócio
- negócios
- Comprar
- câmeras
- Cuidado
- casos
- Causar
- reconhecimento de caracteres
- Limpeza
- clientes
- Na nuvem
- computação em nuvem
- código
- Coleta
- comum
- Comunicação
- Empresas
- Empresa
- computação
- formação
- Correções
- custos
- Criar
- criatividade
- Cultura
- Atual
- experiência do cliente
- Clientes
- dados,
- Análise de Dados
- informática
- ciência de dados
- armazenamento de dados
- bases de dados
- acordo
- lidar
- deep learning
- desenvolver
- desenvolvedores
- Desenvolvimento
- DID
- digital
- documentos digitais
- Transformação Digital
- digitalização
- INSTITUCIONAIS
- tempo de inatividade
- dirigido
- condução
- economia
- ecossistemas
- borda
- Eficaz
- eficiência
- colaboradores
- emprego
- engenheiro
- Engenharia
- Engenheiros
- Meio Ambiente
- etc.
- Experiências
- Extração
- Rosto
- fadiga
- Campos
- Figura
- Finalmente
- Primeiro nome
- Flexibilidade
- fluxo
- Forbes
- Gratuito
- função
- futuro
- Futuro do trabalho
- lacuna
- GAS
- Gênero
- gif
- Git
- Bom estado, com sinais de uso
- bens
- GPUs
- Crescente
- Growth
- cabeça
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- Alta
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTTPS
- humano no circuito
- Recursos Humanos
- Humanos
- imagem
- Incluindo
- Crescimento
- indústrias
- Desigualdade
- INFORMAÇÕES
- extração de informação
- Infraestrutura
- Inovação
- insights
- instituições
- integração
- Inteligência
- Internet
- internet das coisas
- investimento
- questões
- IT
- Trabalho
- Empregos
- Chave
- Conhecimento
- trabalho
- Idiomas
- grande
- mais recente
- conduzir
- Liderança
- principal
- APRENDER
- aprendizagem
- Alavancagem
- leve
- Line
- longo
- olhou
- aprendizado de máquina
- Fazendo
- de grupos
- Marketing
- Mercados
- Mídia
- Homem
- menções
- Métrica
- espelho
- Missão
- MIT
- modelo
- dinheiro
- Lavagem de dinheiro
- redes
- Ruído
- números
- OCR
- AZEITE E AZEITE EVO
- Petróleo e Gás
- Operações
- reconhecimento de caracteres ópticos
- Organizações
- Outros
- Outros
- PAN
- pagamentos
- Pessoas
- perspectivas
- produtos farmacêuticos
- telefones
- plataforma
- população
- POSTAGENS
- poder
- predição
- Previsões
- política de privacidade
- Produto
- Produção
- produtividade
- Produtos
- a promover
- quebra-cabeça
- qualidade
- alcance
- Preços
- Leitor
- Leitura
- recrutamento
- reduzir
- Relatórios
- pesquisa
- recurso
- Recursos
- resposta
- receita
- rever
- robôs
- regras
- vendas
- Salesforce
- experiente
- Escala
- Escola
- Ciência
- cientistas
- Peneira
- conjunto
- mudança
- Habilidades
- So
- Sociedade
- Software
- desenvolvimento de software
- vendido
- Soluções
- Espacial
- gastar
- Passar
- propagação
- começo
- Estado
- Unidos
- estatística
- armazenamento
- Estratégia
- sucesso
- bem sucedido
- Sudo
- fornecedores
- supply
- cadeia de suprimentos
- gestão da cadeia de abastecimento
- Vistorias
- .
- sistemas
- Talento
- Torneira
- professores
- tecnologia
- Tecnologias
- Equipar
- telecom
- ensaio
- O Futuro
- O Futuro do Trabalho
- GRAVATA
- tempo
- tolerância
- Training
- Transações
- Transformação
- Estratégia de Transformação
- caminhão
- tutorial
- nos
- ui
- us
- casos de uso
- valor
- visão
- volume
- esperar
- Onda
- Riqueza
- web
- QUEM
- Mulher
- Atividades:
- trabalhadores
- de gestão de documentos
- Força de trabalho
- trabalho
- mundo
- escrita
- anos