Introducere
Acest articol vă va prezenta ce sunt transformările digitale, ce le determină, cum să ajutați transformările digitale de succes, cum vă pot ajuta AI și învățarea profundă, provocările cu care vă puteți confrunta în implementare și cum să le rezolvați. Vom vorbi, de asemenea, despre ce înseamnă ritmul actual de creștere tehnologică pentru viitorul muncii și ce putem face cu paranoia care vine împreună cu creșterea automatizării. In timp ce vorbind despre singularitate sau preluarea Skynet nu este scopul acestui blog, ar fi puțin apatic să nu recunoaștem riscurile care vin odată cu accelerarea progresului tehnologic.
Aveți în vedere o problemă cu extragerea datelor? Du-te la Nanoneți și începeți să construiți modele gratuit!
Transformarea digitală
Pe măsură ce tehnologia progresează, la fel și fluxurile noastre de lucru, structura instituțiilor și organizațiilor noastre și instrumentele care ne ajută să îndeplinim sarcinile necesare. Acest lucru necesită ca o organizație să dezvolte noi competențe, cum ar fi să fie mai centrată pe client, inovatoare, raționalizată, eficientă, să fie capabilă să proceseze volumul tot mai mare de informații și să folosească aceste noi medii de venituri. Construirea unei strategii de transformare digitală pentru o afacere poate fi încărcată cu obstacole și ne impune să ne gândim la o varietate de lucruri, inclusiv colaborări, cultură, ecosisteme, împuternicire etc. și a avea o foaie de parcurs clară pentru a face o astfel de tranziție este un lucru dificil de formulat.
Potrivit acestui McKinsey articol, mai puțin de 30% din transformările digitale au succes. Numărul este și mai mic pentru organizațiile experte în digital, cum ar fi companiile media și telecom – mai puțin de 26%. Cifrele scad și mai mici în industriile tradiționale, cum ar fi cele din petrol și gaze, infrastructură și produse farmaceutice, cu o rată de succes undeva între 4 și 11%.
Înțelegerea de ce aveți nevoie de o transformare și formularea unei strategii cuprinzătoare pentru a atinge obiective clar definite necesită un lider bun, care să înțeleagă bine mai multe fațete ale lumii afacerilor.
Asigurarea unei transformări de succes
Asigurarea unei transformări de succes necesită ca o organizație să performeze pe mai multe niveluri, necesită ca oamenii săi să fie mai implicați, mai productivi și dornici să găsească soluții inovatoare la problemele noi sau persistente.
Unii factori care pot decide dacă eforturile organizației dvs. au succes includ
- Conducere bună, implicare vizibilă a conducerii superioare și canalizare eficientă a forței de muncă pentru a maximiza producția.
- O strategie coerentă pentru a lega diferite departamente, cum ar fi vânzările, marketingul, lanțul de aprovizionare, dezvoltarea afacerilor și tehnologia.
- Comunicarea clară a viziunii, obiectivelor și responsabilităților între colegi, echipe, departamente și conducerea superioară.
- Inovație pe plan tehnologic, cultural și organizațional.
- Automatizare pentru a simplifica fluxurile de lucru, a spori productivitatea, a crește eficiența și veniturile.
- Conectivitate între diverse departamente, clienți și furnizori și sisteme de răspuns prompt în vigoare.
- Disponibilitatea angajaților, precum și confortul clienților de a se adapta la un peisaj tehnologic în schimbare.
- Luarea deciziilor care este condusă de perspective puternice extrase din date răspândite în timp și care surprind mai multe peisaje și scenarii
- Dezvoltarea talentului și a abilităților necesare pentru a susține transformarea în viitor.
- Actualizarea instrumentelor de zi cu zi pentru a permite o mai bună digitizare a informațiilor și o experiență mai bună pentru utilizator.
Puteți găsi o resursă mult mai bună aici dacă intenționați să vă scufundați adânc în transformările digitale, cum pot fi implementate, la ce să fiți precaut și factorii cheie care fac o transformare de succes. Iată un articol care ghidează cititorul prin modul în care să treacă pe valul de schimbări de reglementare legate de confidențialitate și spălarea banilor cu ajutorul inteligenței artificiale și a învățării profunde.
Informația ca factor de activare
De-a lungul timpului, am observat o schimbare către economie de platformă care este condus de tehnologii de ultimă oră, cum ar fi inteligența artificială, analiza datelor mari, cloud computing și internetul lucrurilor. Pentru a rămâne relevante într-o eră a companiilor precum Airbnb, Uber, Amazon, Google, Salesforce și Facebook, ne impune să adoptăm o abordare centrată pe date și bazată pe informații. Înțelegerea puterii informațiilor și a modului în care aceasta poate ajuta transformarea digitală este esențială.
- Ce - Există un flux constant de informații în mai multe medii – imagini, articole, rapoarte, lucrări de cercetare, documente tipărite, documente digitale etc. O companie, în funcție de ceea ce face, ar putea avea de a face cu câteva sau multe dintre aceste medii. Adesea, există toate aceste informații pe care companiile le colectează de la clienții și clienții lor, pe care nu știu să le folosească și să genereze valoare.
- De ce - Determinarea prealabilă a obiectivelor tale pentru o transformare digitală poate contribui în mare măsură la construirea unei strategii robuste bazate pe valori puternice și KPI-uri. Scopul tău final este de a crește vânzările și veniturile, este de a conduce o schimbare culturală către tehnologii mai noi sau poate de a promova o experiență mai bună a clienților? A ști ce vrei la sfârșit îi poate ajuta pe oamenii de știință și inginerii de date să proiecteze soluții într-un mod care să se alinieze cu viziunea mai largă a companiei.
- Cum - Mai multe lucruri trebuie discutate, cum ar fi fezabilitatea produsului cu managerii de inginerie și infrastructură, datele de instruire, definirea KPI-urilor, alegerea/designul algoritmilor, implementarea și integrarea, testarea și implementarea. Un flux de lucru convenabil care automatizează digitizarea informațiilor, face revizuirea și corectarea erorilor mai ușoare, îl face accesibil oricui fără prea multe cunoștințe de știință a datelor sau dezvoltarea de software poate contribui foarte mult la o transformare de succes.
Sprijinirea transformării cu AI
Învățarea automată și inteligența artificială pot ajuta companiile să automatizeze mai multe sarcini plictisitoare, consumatoare de timp și repetitive și să elibereze timp și resurse umane valoroase pentru sarcini mai importante.
Luați exemplul unui sistem de management al lanțului de aprovizionare care ajută companiile să gestioneze stocurile, plățile, vânzările, distribuția etc. Într-un software tradițional, datele despre chitanțe și bunurile cumpărate și vândute ar trebui introduse manual. Mai multe persoane ar fi angajate numai pentru a revizui chitanțele și facturile.
Beneficiile pe care le poate provoca digitizarea acestor facturi și chitanțe sunt nesfârșite dacă informațiile acum digitale sunt procesate folosind instrumente bazate pe învățarea automată. Puteți afla mai multe despre digitizare Aici. Calitatea imaginii, extragerea informațiilor, structurarea informațiilor, corectarea erorilor, introducerea datelor, stocarea datelor - toți acești pași care, de obicei, necesită ca mai mulți oameni să petreacă ore și ore pentru a face treaba, pot fi semi-automatizate, reducând numărul de persoane necesare pentru aceeași cantitate de muncă, și asta într-o fracțiune din timpul necesar înainte.
Digitalizarea informațiilor
Abordările de învățare profundă au înregistrat progrese în problema particulară a citirii textului și a extragerii de informații structurate și nestructurate din imagini. Pentru ca această digitizare să funcționeze pentru dvs., există câteva lucruri de care trebuie să fiți sigur. Unele dintre ele sunt menționate mai jos.
- Date de procesare - Datele adunate trebuie procesate corespunzător, astfel încât algoritmii noștri să funcționeze bine. Aceasta implică curățarea setului nostru de date, echilibrarea claselor, asigurarea calității datelor noastre etc. Imaginile zgomotoase și neclare vă pot afecta grav predicțiile. Perspectivele extrase din date dezordonate și inconsistente pot duce la decizii dezastruoase.
- Asigurarea preciziei - În timp ce cercetarea în învățarea automată se străduiește constant să generalizeze algoritmii lor de învățare, obținând un adevărat inteligenta generala este un obiectiv de departe pentru orice companie care încearcă să folosească tehnologia în beneficiul lor. Diferitele cazuri de utilizare pot permite rate de eroare diferite care, la rândul lor, decid modul în care sunt definite obiectivele de învățare automată.
- Manipularea depozitării și extragerii - O platformă sau un software care procesează informații trebuie să aibă o integrare backend robustă cu bazele de date ale companiei și o infrastructură robustă construită pe tehnologii puternice de date mari pentru a putea efectua operațiuni la scară cu latență scăzută, timpi de nefuncționare minim și toleranță ridicată la erori.
- Accesibilitate ușoară - Un flux de lucru evident, ușor de înțeles, ușor de lucrat și care necesită puține cunoștințe prealabile din partea utilizatorului poate ajuta o transformare să meargă fără probleme. Permiterea oamenilor în buclă poate ajuta la procesarea informațiilor și la revizuirea acesteia mai rapid și cu mai puține erori. La scară, acest lucru ajută la creșterea productivității în organizație.
Provocări de implementare
Automatizarea proceselor folosind învățarea profundă vine cu o mulțime de obstacole și o conductă complet automatizată de la capăt la capăt pentru sarcinile legate de digitizare, intrare și revizuire este foarte dificil de realizat și adesea un obiectiv impractic de a avea. Unele dintre problemele cu care s-ar putea să vă confruntați în încercarea de a aplica învățarea profundă și inteligența artificială pentru a ajuta o transformare digitală condusă de eforturile de digitalizare sunt:
- Lipsa datelor de antrenament - Mai multe tipuri de documente care trebuie analizate înseamnă că aveți nevoie de modele care pot funcționa cu mai multe șabloane, limbi, fonturi, dimensiuni de font, culori, fundaluri, orientări etc. O soluție unică pentru toate modelele este aproape niciodată posibilă pentru o sarcină atât de diversă și necesită o colectare atentă a datelor pentru fiecare model pentru a putea executa modele eficiente de învățare automată.
- Calitatea imaginii - Foarte des, imaginile documentelor sau chitanțelor și facturilor cu care se confruntă angajații dvs. sunt realizate cu diferite telefoane echipate cu camere care din punct de vedere calitativ se încadrează într-o gamă diversă, toate performând în diferite condiții de lumină, pe diferite fundaluri, clicate în diferite orientări și toate cu capacități diferite de a face față eficient zgomotului, neclarității etc. Tratarea acestor probleme cu algoritmi eficienți și robusti este esențială, dar poate fi o sarcină descurajantă dacă aveți de-a face cu mai multe documente de diferite tipuri în fiecare zi.
- Precizia caracterelor vs acuratețea secvenței - Automatizarea digitizării și revizuirea sarcinilor necesită ca precizia să fie extrem de ridicată pentru a evita stocarea inconsecventă a datelor. În timp ce tehnicile OCR actuale pot oferi o acuratețe acceptabilă a caracterelor, aceleași modele, atunci când sunt măsurate pentru acuratețea secvenței, adesea funcționează cu mult sub nevoile și așteptările noastre. Deși modelele care se potrivesc prea mult cu datele tale pentru cazuri de utilizare de nișă ar putea funcționa, la scară, implicarea oamenilor în bucla de revizuire și corecție este cea mai prudentă și eficientă cale de a parcurge.
Cum să-l faci să funcționeze
Metodele de învățare profundă au putut ajuta tehnologia OCR pentru a face digitizarea mai ușoară și automatizarea posibilă. Arhitecturi precum rețelele de transformatoare spațiale, mecanismele de atenție, rețelele convoluționale recurente (o prezentare generală și un tutorial despre tehnologie pot fi găsite aici) și rețelele convoluționale grafice ne-au ajutat să obținem precizii ridicate livrate în mai puțin timp, făcând posibilă procesarea documentelor, chitanțelor, facturilor etc. cu erori minime și deschizându-ne calea către automatizare. Iată câteva moduri în care învățarea profundă face posibilă -
- Automatizarea extragerii informatiilor - Cu învățarea automată, nu trebuie să petreceți timp parcurgând imagini ale mai multor documente, citind informații despre clienți, date despre tranzacții, prețuri ale produselor cumpărate sau vândute etc., atunci când o mașină se poate descurca în locul dvs. OCR ne permite să extragem automat informații din imagini și să le convertim în text care poate fi citit de mașină, care poate fi pus în structura potrivită.
- Examinare a informațiilor uman-in-the-loop - Odată extrasă informația, aceasta poate fi revizuită de către un examinator pentru a se asigura că ortografiile sunt corecte, informațiile sunt introduse în câmpurile potrivite etc. Aceasta este o reducere de timp de aproape 90% în comparație cu procesele care ne cer să citim datele și introduceți-le manual într-un software. Vom vorbi mai multe despre motivul pentru care automatizarea 100% nu este fezabilă în următoarea secțiune a articolului.
- Îmbunătățirea preciziei și performanței - Chiar dacă procesul este complet realizat de oameni, companiile se confruntă adesea cu practici proaste de introducere a datelor de către angajații lor, care conduc la stocarea de informații inexacte. Acest lucru poate fi remediat cu modele bine antrenate care pot funcționa cel puțin la fel de bine ca oamenii într-un timp mult mai scurt. Învățarea continuă și integrarea într-un mediu de producție ajută, de asemenea, modelele să se îmbunătățească în timp.
AI, automatizare și viitorul muncii
Prin îmbinarea metodelor existente de deep learning cu tehnologia de recunoaștere optică a caracterelor, companiile și persoanele fizice au putut automatiza procesul de digitizare a documentelor și au permis proceduri mai ușoare de introducere manuală a datelor, înregistrare și stocare mai bune, erori mai mici și timpi de răspuns mai buni. Dar automatizarea nu a fost întotdeauna luată în cea mai bună lumină de către o mare parte a populației.
Crearea oportunităților sau îndepărtarea lor?
Așa cum am menționat în acest articol,
Datele Biroului de Statistică a Muncii arată că există o distribuție dezechilibrată pe sexe printre cele mai comune locuri de muncă din SUA astăzi. Locuri de muncă precum profesori de școală primară și gimnaziu, asistente medicale și secretare și asistenți administrativi includ fiecare cel puțin 80% femei; în timp ce locuri de muncă precum șoferii de camion și muncitorii în construcții angajează peste 90% bărbați.”
Autoarea subliniază că subreprezentarea femeilor poate fi abordată, organizațiile fiind precaute în ceea ce privește utilizarea instrumentelor bazate pe gen în scopuri de recrutare și că a avea mai multe femei într-un set divers de roluri poate facilita găsirea acestor părtiniri și acționarea asupra lor.
Paranoia conform căreia tehnologia ne va lua locurile de muncă este reală, așa cum se demonstrează într-un 2017 sondaj menționate în acest articol despre episodul „Metalhead” din emisiunea Black Mirror. Potrivit sondajului, 26% dintre persoanele intervievate credeau că își vor pierde locurile de muncă din cauza progreselor tehnologice în următorii 20 de ani.
În conformitate cu acest articol,
„aproximativ jumătate din activități (nu locuri de muncă) efectuate de muncitori ar putea fi automatizate. Analiza noastră a peste 2000 de activități de muncă din peste 800 de ocupații arată că anumite categorii de activități sunt mai ușor de automatizat decât altele. Acestea includ activități fizice în medii foarte predictibile și structurate, precum și colectarea și procesarea datelor.”
Deși acest lucru este cu siguranță un motiv de îngrijorare, cifrele menționate mai sus sunt puțin înșelătoare. Accelerarea progresului în AI și automatizare creează oportunități pentru afaceri, economie și societate.
Problema este una cu două confruntări – prima parte în care tehnologiile de inteligență artificială sunt proliferate într-un mod care nu înlocuiește oamenii, ci îi ajută în munca lor, creând totodată noi piețe, oportunități și locuri de muncă care nu existau înainte. Cealaltă parte a puzzle-ului este de a le arăta oamenilor cum este posibil, prin numere și experiențe, ca tehnologia să le facă viața mai bună, locurile de muncă mai ușoare, viețile mai satisfăcătoare și împlinite. Accelerarea progresului în AI și automatizare creează oportunități pentru afaceri, economie și societate.
Mașinile ca ajutoare, nu amenințări
În timp ce articolul menționat mai sus menționează -
„... Aproape toate ocupațiile vor fi afectate de automatizare, dar doar aproximativ 5% dintre ocupații ar putea fi complet automatizate de tehnologiile demonstrate în prezent.”
Mai spune asta -
„… Multe alte ocupații noi pe care nu le putem imagina în prezent vor apărea și ar putea reprezenta până la 10% din locurile de muncă create până în 2030.”
Automatizarea parțială va deveni mult mai răspândită în viitor, cum ar fi la Amazon unde angajații care anterior erau însărcinați cu ridicarea și stivuirea obiectelor grele găsesc acum roluri care le impun să opereze și să monitorizeze roboți care fac același lucru. Pe măsură ce tehnologia progresează și mai multe sarcini devin mai ușoare, conștientizarea stimulează informarea oamenilor cu privire la toate lucrurile pe care tehnologia le poate face pentru ei.
Fluxuri de lucru umane în buclă
Perspective concurente coexistă despre automatizare, AI și viitorul muncii, așa cum se menționează în acest articol care state, „În timp ce unii se tem de sfârșitul ocupării forței de muncă și de inegalitatea în creștere a bogăției, alții sărbătoresc creșterea productivității și noile frontiere pentru inovare și investiții.”
Fluxurile de lucru Human in the loop reprezintă o încercare de a reduce acest decalaj dintre cele două perspective asupra modului în care munca s-ar putea descurca pentru diferiți oameni în viitor. Folosind tehnologia pentru a ajuta oamenii să-și crească productivitatea, automatizarea sarcinilor repetitive și banale, organizațiile pot elibera resurse umane valoroase pentru sarcini mai importante, sarcini care necesită gândire și creativitate.
Implementarea unui astfel de flux de lucru uman în buclă într-un efort de transformare bazat pe digitalizare ne implică să fim atenți la următoarele lucruri:
- Colectarea datelor - Companiile petrec mult timp culegând datele potrivite care se potrivesc cazului lor de utilizare, astfel încât cazurile marginale să fie tratate cu grație și cu erori minime. Acest lucru impune dezvoltatorilor să șteargă datele de pe web, să adune date din mai multe resurse open-source și să cumpere date de la instituții și organizații.
- Procesarea datelor - Acest lucru necesită multă muncă repetitivă în care trebuie să scăpăm sau să creștem imaginile neclare în mod corespunzător, imaginile zgomotoase, imaginile care nu apar în orientarea corectă, care constă din fonturi cunoscute etc. echipă de adnotatori care pot genera adnotări de bună calitate pentru datele noastre.
- Modele de învățare automată - Găsirea arhitecturilor și metodelor potrivite pentru a vă instrui modelele de învățare automată care sunt capabile să funcționeze bine la scară cu o precizie ridicată poate necesita timp și cercetări ample. Înțelegerea bine a datelor este, de asemenea, la fel de importantă pentru un inginer de învățare profundă care încearcă să descopere algoritmii potriviți de utilizat.
- Corecție - Odată ce aveți modele de învățare automată care sunt capabile să genereze predicții cu o acuratețe acceptabilă, nu este recomandabil să avem întotdeauna modelele noastre instruite pe mai multe date și reglate mai bine pentru a îndeplini un obiectiv de automatizare aproape de 100%. Lipsa generalizării reduce flexibilitatea acestor modele și limitează reutilizarea lor.
- De introducere a datelor - Odată ce aceste predicții sunt curățate și corectate, datele trebuie introduse într-un software care implică în prezent soluții bazate pe șabloane și reguli, care sunt operate de oameni special angajați pentru introducerea datelor. Acest tip de lucru poate fi automatizat prin construirea de modele generalizate care pot extrage structura dintr-un document fără menționarea explicită a regulilor. Acest lucru poate ajuta procedurile de introducere a datelor, le poate face mai rapide, poate reduce erorile legate de oboseală și poate crește productivitatea.
Nanonetele și digitizarea
Noi, cei de la Nanonets, am hotărât să venim cu o soluție care să aibă grijă de toate lucrurile menționate mai sus în misiunea noastră de a democratiza învățarea automată.
OCR cu nanonete
Nanonets API OCR vă permite să construiți modele OCR cu ușurință. Puteți să vă încărcați datele, să le adnotați, să setați modelul să se antreneze și să așteptați să obțineți predicții printr-o interfață de utilizare bazată pe browser, fără a scrie o singură linie de cod, fără să vă faceți griji pentru GPU-uri sau să găsiți arhitecturile potrivite pentru modelele dvs. de deep learning. De asemenea, puteți obține răspunsurile JSON ale fiecărei predicții pentru a le integra cu propriile sisteme și pentru a construi aplicații bazate pe învățare automată, bazate pe algoritmi de ultimă generație și pe o infrastructură puternică.
Utilizarea GUI: https://app.nanonets.com/
De asemenea, puteți utiliza API-ul Nanonets-OCR urmând pașii de mai jos:
Pasul 1: Clonați Repo, instalați dependențe
git clone https://github.com/NanoNets/nanonets-ocr-sample-python.git
cd nanonets-ocr-sample-python
sudo pip install requests tqdm
Pasul 2: Obțineți cheia API gratuită
Obțineți cheia API gratuită de la http://app.nanonets.com/#/keys
Pasul 3: Setați cheia API ca o variabilă de mediu
export NANONETS_API_KEY=YOUR_API_KEY_GOES_HERE
Pasul 4: Creează un nou model
python ./code/create-model.py
Notă: Aceasta generează un MODEL_ID de care aveți nevoie pentru pasul următor
Pasul 5: Adăugați ID de model ca variabilă de mediu
export NANONETS_MODEL_ID=YOUR_MODEL_ID
Notă: veți obține YOUR_MODEL_ID din pasul anterior
Pasul 6: Încărcați datele de instruire
Datele de instruire se găsesc în images
(fișiere imagine) și annotations
(adnotări pentru fișierele imagine)
python ./code/upload-training.py
Pasul 7: Model de tren
După ce imaginile au fost încărcate, începeți instruirea modelului
python ./code/train-model.py
Pasul 8: Obțineți starea modelului
Modelul durează aproximativ 2 ore pentru antrenament. Veți primi un e-mail după ce modelul este instruit. Între timp verificați starea modelului
python ./code/model-state.py
Pasul 9: Faceți previziunea
Odată ce modelul este instruit. Puteți face predicții folosind modelul
python ./code/prediction.py ./images/151.jpg
Nanoneți și oameni în buclă
Ecranul „Moderat” ajută procesele de corecție și introducere și reduce volumul de lucru al revizorului manual cu aproape 90% și reduce costurile cu 50% pentru organizație.
Caracteristicile includ
- Urmăriți predicțiile corecte
- Urmăriți care sunt greșite
- Faceți corecții la cele inexacte
- Ștergeți-le pe cele greșite
- Completați predicțiile lipsă
- Filtrează imagini cu intervale de date
- Obțineți numărul de imagini moderate față de cele care nu sunt moderate
Toate câmpurile sunt structurate într-o interfață grafică ușor de utilizat, care permite utilizatorului să profite de tehnologia OCR și să ajute la îmbunătățirea acesteia, fără a fi nevoie să tastați niciun cod sau să înțelegeți cum funcționează tehnologia.
Concluzie
Am aflat despre transformările digitale, de ce au loc, ce pot face organizațiile pentru a asigura o transformare de succes. Am discutat, de asemenea, direcția actuală în care se îndreaptă progresul tehnologic și modul în care informația în această epocă conduce inovația, ce înseamnă aceasta pentru societate în general. În cele din urmă, ne-am uitat la modul de abordare a problemei automatizării împotriva numărului de angajați cu fluxuri de lucru umane în buclă.
Sper că v-a plăcut articolul.
S-ar putea să fiți interesat de ultimele noastre postări pe:
Sursa: https://nanonets.com/blog/data-extraction-from-document-digitisation/
- 7
- 9
- Cont
- activităţi de
- Avantaj
- AI
- SIDA
- Airbnb
- algoritmi
- TOATE
- Permiterea
- Amazon
- printre
- analiză
- Google Analytics
- api
- Apps
- în jurul
- Artă
- articol
- bunuri
- inteligență artificială
- Automata
- Automatizare
- Negru
- Blog
- POD
- browser-ul
- construi
- Clădire
- afaceri
- întreprinderi
- Cumpărare
- camere video
- pasă
- cazuri
- Provoca
- recunoașterea personajelor
- Curățenie
- clientii
- Cloud
- cloud computing
- cod
- Colectare
- Comun
- Comunicare
- Companii
- companie
- tehnica de calcul
- construcţie
- Corectarea
- Cheltuieli
- Crearea
- creativitate
- Cultură
- Curent
- experienta clientului
- clienţii care
- de date
- Analiza datelor
- de prelucrare a datelor
- știința datelor
- stocare a datelor
- baze de date
- afacere
- abuzive
- învățare profundă
- dezvolta
- Dezvoltatorii
- Dezvoltare
- FĂCUT
- digital
- documente digitale
- Transformarea digitală
- digitizare
- documente
- nefuncționare
- condus
- conducere
- economie
- ecosistemele
- Margine
- Eficace
- eficiență
- de angajați
- ocuparea forţei de muncă
- inginer
- Inginerie
- inginerii
- Mediu inconjurator
- etc
- Experiențe
- extracţie
- Față
- oboseală
- Domenii
- Figura
- În cele din urmă
- First
- Flexibilitate
- debit
- Forbes
- Gratuit
- funcţie
- viitor
- Viitorul muncii
- decalaj
- GAS
- Gen
- gif
- merge
- bine
- bunuri
- unități de procesare grafică
- În creştere
- Creștere
- cap
- aici
- Înalt
- Cum
- Cum Pentru a
- HTTPS
- uman în buclă
- Resurse Umane
- Oamenii
- imagine
- Inclusiv
- Crește
- industrii
- Inegalitate
- informații
- extragerea informațiilor
- Infrastructură
- Inovaţie
- perspective
- instituții
- integrare
- Inteligență
- Internet
- internetul Lucrurilor
- investiţie
- probleme de
- IT
- Loc de munca
- Locuri de munca
- Cheie
- cunoştinţe
- muncă
- Limbă
- mare
- Ultimele
- conduce
- Conducere
- conducere
- AFLAȚI
- învăţare
- Pârghie
- ușoară
- Linie
- Lung
- uitat
- masina de învățare
- Efectuarea
- administrare
- Marketing
- pieţe
- Mass-media
- Bărbați
- menționează
- Metrici
- oglindă
- Misiune
- MIT
- model
- bani
- Spălare de bani
- rețele
- Zgomot
- numere
- OCR
- Ulei
- Petrol și gaze
- Operațiuni
- recunoaștere optică a caracterelor
- Organizaţii
- Altele
- Altele
- PAN
- plăți
- oameni
- perspective
- produse farmaceutice
- Telefoane
- platformă
- populație
- postări
- putere
- prezicere
- Predictii
- intimitate
- Produs
- producere
- productivitate
- Produse
- promova
- puzzle
- calitate
- gamă
- tarife
- Cititor
- Citind
- recrutare
- reduce
- Rapoarte
- cercetare
- resursă
- Resurse
- răspuns
- venituri
- revizuiască
- roboţi
- norme
- de vânzări
- Salesforce
- pricepere
- Scară
- Şcoală
- Ştiinţă
- oamenii de stiinta
- Ecran
- set
- schimbare
- aptitudini
- So
- Societate
- Software
- de dezvoltare de software
- vândut
- soluţii
- spațial
- petrece
- Cheltuire
- răspândire
- Începe
- Stat
- Statele
- statistică
- depozitare
- Strategie
- succes
- de succes
- sudo
- furnizori
- livra
- lanțului de aprovizionare
- managementul lanțului de aprovizionare
- Sondaj de opinie
- sistem
- sisteme
- TRAINERI
- Robinet
- profesori
- tech
- Tehnologii
- Tehnologia
- telecom
- Testarea
- Viitorul
- Viitorul muncii
- TIE
- timp
- toleranță
- Pregătire
- Tranzacții
- Transformare
- Strategia de transformare
- camion
- tutorial
- ne
- ui
- us
- utilizare-cazuri
- valoare
- viziune
- volum
- aștepta
- Val
- Bogatie
- web
- OMS
- Femei
- Apartamente
- muncitorii
- flux de lucru
- Forta de munca
- fabrică
- lume
- scris
- ani