Последнее обновление: январь 2021 г.
Этот блог представляет собой исчерпывающий обзор использования OCR с любым инструментом RPA для автоматизации рабочих процессов с документами. Мы исследуем, как новейшие технологии распознавания текста на основе машинного обучения не требуют правил или настройки шаблона.
RPA или автоматизация роботизированных процессов - это программные инструменты, предназначенные для устранения повторяющихся бизнес-задач. Все больше ИТ-директоров обращаются к ним, чтобы сократить расходы и помочь сотрудникам сосредоточиться на более важной бизнес-работе. Примеры включают ответы на комментарии на веб-сайтах или обработку заказов клиентов. Чуть более сложные задачи включают обработку таких документов, как рукописные формы и счета-фактуры - их обычно необходимо перенести из одной устаревшей системы в другую - скажем, ваш почтовый клиент в вашей системе SAP ERP, где вам нужно извлечь данные. Это проблемная часть.
Большинство инструментов OCR, которые собирают данные из этих документов, основаны на шаблонах (например, Abbyy Flexicapture) и плохо масштабируются для полуструктурированных документов. Существуют решения на основе машинного обучения нового поколения, которые обычно предоставляют API
интеграции, которые могут захватывать пары ключ-значение из документов - корпоративные системы обычно являются устаревшими и не открыты для интеграции с внешними API. С другой стороны, RPA созданы для обработки таких устаревших системных рабочих процессов, как прием документов из папок и ввод результатов в ERP или CRM.
Поскольку роботизированная автоматизация процессов (RPA) и машинное обучение развиваются в сторону гипер-автоматизации, мы можем использовать программных ботов в сочетании с машинным обучением для решения сложных задач, таких как классификация документов, извлечение и оптическое распознавание символов. В недавнем исследовании было сказано, что за счет автоматизации только 29% функций для задачи с использованием RPA одни только финансовые отделы экономят более 25,000 часов на доработку, вызванную человеческими ошибками, при затратах 878,000 долларов в год для организации с 40 полными работами. учет рабочего времени персонала [1]. В этом блоге мы узнаем об использовании OCR с RPA и углубимся в рабочие процессы понимания документов. Ниже приведено содержание.
Определения и обзор
В целом RPA - это технология, которая помогает автоматизировать административные задачи с помощью программно-аппаратных ботов. Эти боты используют преимущества пользовательского интерфейса; для сбора данных и управления приложениями, как это делают люди. Например, RPA может просматривать серию задач, выполняемых в графическом интерфейсе, например, перемещение курсоров, подключение к API, копирование и вставку данных и формулирование той же последовательности действий в каркасе RPA, которая переводится в код. Кроме того, эти задачи могут быть выполнены без вмешательства человека в будущем. Оптическое распознавание символов (OCR) является важной особенностью любого решения для функциональной роботизированной автоматизации процессов (RPA). Эта технология используется для чтения и извлечения текста из разных источников, таких как изображения или PDFs в цифровой формат без ручного захвата.
С другой стороны, понимание документа - это термин, используемый для автоматического описания чтения, интерпретации и действия с данными документа. Самым важным в этом процессе является то, что программные боты сами выполняют все задачи. Эти боты используют возможности искусственного интеллекта и машинного обучения, чтобы понимать документы как цифровых помощников. Таким образом, мы можем сказать, что понимание документа возникает на пересечении обработки документов, AI и RPA.
Как роботы могут научиться понимать документы с помощью OCR и ML
Прежде чем мы сначала углубимся в Document Understanding, давайте поговорим о роли роботов в Document Understanding. Эти совершенно невидимые помощники делают нашу жизнь намного комфортнее. В отличие от фильмов и сериалов, эти роботы не являются физическими устройствами или программами искусственного интеллекта, которые сидят на рабочем столе и нажимают кнопки для выполнения задач. Мы можем думать о них как о цифровых помощниках, которые обучены обрабатывать документы, читая и используя приложения, как и мы. С функциональной стороны роботы хороши в улучшении производительности и эффективности процесса. Тем не менее, поскольку они являются автономным программным обеспечением, они не могут оценивать процесс и принимать когнитивные решения. Однако, если машинное обучение будет успешно интегрировано, робототехника станет более динамичной и адаптивной. Например, роботы, используемые для обработки документов, управления данными и других функций во фронтальном и мидл-офисе, будут выполнять более интеллектуальные действия, такие как устранение повторяющихся записей или устранение неизвестных системных исключений в процессе. Кроме того, роботов обучают читать, извлекать, интерпретировать и действовать в соответствии с данными из документов с помощью искусственного интеллекта (AI).
Как компании могут интегрировать интеллектуальное распознавание текста с RPA для улучшения рабочих процессов
Извлечение данных из документа - важный компонент для понимания документа. В этом разделе мы обсудим, как мы можем интегрировать OCR с RPA или наоборот. Во-первых, все мы знали, что существуют разные типы документов с точки зрения шаблонов, стиля, форматирования, а иногда и языка. Следовательно, мы не можем полагаться на простой метод распознавания текста для извлечения данных из этих документов. Чтобы решить эту проблему, мы будем использовать как подходы на основе правил, так и подходы на основе моделей в OCR для обработки данных из различных структур документа. Теперь мы увидим, как компании, выполняющие OCR, могут интегрировать RPA в свою существующую систему на основе типа документов.
Структурированные документы: В этом типе документов макеты и шаблоны обычно фиксированы и почти согласованы. Например, рассмотрим организацию, которая выполняет KYC с помощью государственных удостоверений личности, таких как паспорт или водительские права. Все эти документы будут идентичны и будут иметь те же поля, что и идентификационный номер, имя человека, возраст и некоторые другие на тех же позициях. Но меняются только детали. Может быть несколько ограничений, таких как переполнение таблицы или незарегистрированные данные.
Обычно рекомендуемый подход использует шаблон или механизм на основе правил для извлечения информации для структурированных документов. Они могут включать регулярные выражения или простое сопоставление позиций и OCR. Следовательно, чтобы интегрировать программных роботов для автоматизации извлечения информации, мы можем либо использовать уже существующие шаблоны, либо создавать правила для наших структурированных данных. У подхода, основанного на правилах, есть один недостаток, поскольку он полагается на фиксированные части, даже незначительные изменения в структуре формы могут привести к нарушению правил.
Полуструктурированные документы: Эти документы содержат одинаковую информацию, но расположены в разных местах. Например, рассмотрим счета-фактуры содержащий 8-12 одинаковых полей. В нескольких счета-фактуры, адрес продавца может быть расположен вверху, а у других - внизу. Обычно эти основанные на правилах подходы не дают высокой точности; следовательно, мы добавляем модели машинного обучения и глубокого обучения в картину для извлечения информации с помощью OCR. В качестве альтернативы в некоторых случаях мы можем использовать гибридные модели, включающие как правила, так и модели машинного обучения. Несколько популярных предварительно обученных моделей - FastRCNN, Attention OCR, Graph Convolutions для извлечения информации из документов. Однако, опять же, у этих моделей есть несколько недостатков; следовательно, мы измеряем производительность алгоритма с помощью таких показателей, как точность или показатель достоверности. Поскольку модель изучает шаблоны, а не действует по конкретным правилам, она может делать ошибки сразу после исправлений. Однако решение этих недостатков - чем больше образцов обрабатывает модель машинного обучения, тем больше шаблонов она изучает для обеспечения точности.
Неструктурированные документы: Сегодня RPA не может управлять неструктурированными данными напрямую, поэтому сначала роботы должны извлекать и создавать структурированные данные с помощью OCR. В отличие от структурированных и полуструктурированных документов, неструктурированные данные не имеют нескольких пар "ключ-значение". Например, в нескольких счета-фактуры, мы где-то видим адрес продавца без ключевого имени; аналогично мы наблюдаем то же самое для других полей, таких как дата, идентификатор счета. Чтобы модели машинного обучения могли их точно обрабатывать, роботы должны научиться преобразовывать письменный текст в действенные данные, такие как электронная почта, номер телефона, адрес и т. Д. Затем модель узнает, что следует извлекать шаблоны 7- или 10-значных чисел. в виде номеров телефонов и огромного текста, содержащего пятизначные коды и различные существительные в виде текста. Чтобы сделать эти модели более точными, мы также можем использовать методы обработки естественного языка (NLP), такие как распознавание именованных сущностей и встраивание слов.
В целом для понимания документа важно сначала понять данные, а затем реализовать OCR с помощью RPA. Далее, вместо того, чтобы составлять пошаговый план процесса, мы можем научить робота «делать, как я», записывая процесс, как это происходит, с мощными возможностями распознавания текста, как обсуждалось выше, путем интеграции правил и алгоритмов машинного обучения. Программный робот следует за вашими щелчками и действиями на экране, а затем превращает их в редактируемый рабочий процесс. Если вы работаете исключительно в местных программах, это все, что вам нужно знать.
Проблемы OCR, с которыми сталкиваются разработчики RPA
Мы видели, как мы можем интегрировать OCRR с RPA для различных документов, но есть несколько случаев, когда роботы должны хорошо справляться с ними. Давайте обсудим их сейчас!
- Слабые или несовместимые данные: Данные играют решающую роль в понимании документов. В большинстве случаев документы сканируются с помощью камер, где существует вероятность потери форматирования документа во время сканирования текста (т. Е. Жирный шрифт, курсив и подчеркивание не всегда распознаются). Иногда OCR может извлекать текст неправильно, что приводит к орфографическим ошибкам и разрывам абзацев, что снижает общую производительность роботов. Следовательно, обработка всех недостающих значений и сбор данных с более высокой точностью жизненно важны для достижения более высокой точности OCR.
- Неправильная ориентация страницы в документах: Ориентация и перекос страницы также являются одной из распространенных проблем, которые приводят к неправильному исправлению текста при распознавании текста. Обычно это происходит, когда документы неправильно сканируются на этапе сбора данных. Чтобы преодолеть это, нам нужно объявить несколько функций для роботов, такие как автоматическое подгонка под страницу, автоматический фильтр, чтобы они могли повысить качество отсканированного документа и получать правильные данные на выходе.
- Проблемы интеграции: Не все инструменты RPA хорошо работают в средах удаленного рабочего стола - они вызывают сбои и критические проблемы в автоматизации. Более того, разработчик RPA должен знать, какое решение OCR будет лучшим для конкретного случая. Кроме того, для работы с конкретными инструментами автоматизации разработчику RPA необходимо выбрать только ограниченную технологию OCR, созданную Microsoft, Google. Следовательно, иногда бывает сложно интегрировать наши собственные алгоритмы и модели.
- Весь текст - это зашифрованный текст: Для реальных случаев использования текст, захваченный обычным OCR, зашифрован и не содержит значимой информации, которую боты могут использовать для выполнения важных операций. Разработчики RPA нуждаются в сильной поддержке машинного обучения, чтобы иметь возможность создавать полезные приложения.
Конвейер для документооборота понимания рабочего процесса
В предыдущих разделах мы видели, как боты помогают выполнять распознавание текста для различных типов документов. Но OCR - это всего лишь метод преобразования изображений или других файлов в текст. Теперь, в этом разделе, мы рассмотрим рабочий процесс Document Understanding с самого начала сбора документов до окончательного сохранения их значимой информации в желаемом формате.
- Загрузите документ из папки с помощью бота: Это первый шаг к пониманию документа с помощью ботов. Здесь мы будем получать документ, расположенный либо на облачной платформе (с использованием API), либо с локального компьютера. В некоторых случаях, если наши документы находятся на веб-страницах, мы можем автоматизировать скрипты парсинга с помощью ботов, с помощью которых они могут своевременно получать документы.
- Тип документа: После получения данных важно понимать тип документа и формат, в котором они сохраняются в наших системах, поскольку иногда мы получаем данные из разных источников в различных форматах файлов, таких как PDF, PNG и JPG. Не только типы файлов, иногда, когда документы сканируются с помощью камеры телефона, также необходимо решать несколько сложных проблем, таких как перекос, поворот, яркость или низкое разрешение изображения. Таким образом, мы должны убедиться, что боты классифицируют эти документы на структурированные, полуструктурированные или неструктурированные категории, сохраняя их в общем формате. Задача классификации достигается путем сравнения документов с шаблонами и анализа таких функций, как шрифты, язык, наличие пар ключ-значение, таблицы и т. Д.
- Извлечение данных с помощью OCR: Хорошо, теперь, когда боты упорядочили наши документы в общий формат и классифицировали их, пришло время оцифровать их с помощью техники распознавания текста. Благодаря этому у нас будет текст, его расположение в координатах изображений. Это помогает стандартизировать документы и данные для последующих шагов. Мы также сталкиваемся с некоторыми случаями, когда программное обеспечение OCR не могло правильно различать символы, такие как «t» и «i», или «0» и «O». Те самые ошибки, которых вы хотите избежать с помощью программного обеспечения OCR, могут стать новой головной болью, когда технология OCR неспособна анализировать нюансы документа на основе его качества или исходной формы. Здесь на сцену выходит машинное обучение, которое мы обсудим на следующем этапе.
- Использование ML / DL для интеллектуального распознавания текста с использованием ботов: После того, как данные оцифрованы, программное обеспечение OCR должно понимать, с каким документом оно работает и что имеет отношение к нему. Но традиционное программное обеспечение OCR может с трудом масштабировать усилия по классификации документов. Следовательно, программные боты должны быть обучены когнитивным способностям, используя методы машинного обучения и глубокого обучения, чтобы сделать OCR более интеллектуальными. Решения OCR на основе машинного обучения могут определять тип документа и сопоставлять его с известным типом документа, используемым в вашей компании. Они также могут анализировать и понимать блоки текста в неструктурированных документах. Как только решение узнает больше о самом документе, оно может начать извлекать соответствующую информацию на основе намерения и значения.
- Лучшее извлечение и классификация данных: Извлечение данных - это ядро Document Understanding. Как обсуждалось в предыдущем разделе об интеграции RPA с OCR на этом этапе, выберите метод извлечения данных в зависимости от типа документа. С помощью RPA мы можем легко настроить, какой экстрактор использовать, будь то метод распознавания текста на основе правил, на основе машинного обучения или гибридная модель. Основываясь на показателях достоверности и производительности, которые возвращаются после извлечения информации, программные роботы сохранят их в желаемом формате для дальнейшего анализа. Ниже показано, как мы можем настроить экстракторы и установить уровень достоверности в инструменте RPA с помощью UIPath.
6. Проверка и расширение прав и возможностей: Модели OCR и машинного обучения не являются стопроцентными с точки зрения извлечения информации, поэтому добавление уровня вмешательства человека с помощью роботов может решить проблему. Принцип работы этой проверки заключается в том, что всякий раз, когда роботы имеют дело с низкой точностью и исключениями, он немедленно отправляет уведомление в центр действий, где сотрудник может получить запрос на проверку данных или обработку исключений и может решить любые неопределенности за несколько кликов. Кроме того, мы можем раскрыть потенциал искусственного интеллекта для документирования данных с течением времени, чтобы делать прогнозы и выявлять потенциальные аномалии, которые могут указывать на мошенничество, дублирование и другие ошибки.
Преимущества интеграции роботов с Document Understanding
- Автоматизировать процесс: Основная причина интеграции ботов для понимания документов - автоматизация всего процесса от начала до конца. Все, что нам нужно сделать, это создать рабочий процесс, в котором боты будут учиться, сидеть сложа руки и расслабляться. В процессе проверки нам может потребоваться решить проблемы, о которых боты сообщают при обнаружении любых ошибок или мошенничества.
- Боты с машинным обучением: В процессе автоматизации мы можем сделать ботов устойчивыми к машинному обучению. Это означает, что роботы могут также узнать, как работают модели машинного обучения, и тем самым улучшить модели для достижения более высокой точности и производительности для извлечения текста и информации из документов.
- Широкий спектр процессов обработки документов: Для общих задач, таких как извлечение таблиц и информации, нам придется создать разные конвейеры глубокого обучения для разных типов документов. Это приводит к созданию нескольких приложений и развертыванию различных моделей на разных серверах, что требует больших усилий и времени. Когда боты присутствуют в большом количестве документов, у нас может быть только один конвейер, в котором боты могут классифицировать их, а затем использовать соответствующую модель для различных задач. Мы также можем интегрировать различные сервисы через API и общаться с другими организациями в плане получения данных.
- Легко развернуть: Для понимания документа после создания конвейеров процесс развертывания занимает всего минуту. Мы можем либо экспортировать API-интерфейсы ботами после обучения, либо создать собственное решение RPA, которое можно использовать в наших локальных системах. Этот тип развертывания также может оптимизировать предприятия и снизить расходы с минимальными рисками.
Введите Нанонец
NanoNets - это платформа машинного обучения, которая позволяет пользователям собирать данные из счета-фактуры, квитанции и другие документы без настройки шаблона. У нас есть современные алгоритмы глубокого обучения и компьютерного зрения, работающие в задней части, которые могут обрабатывать любые задачи понимания документов, такие как OCR, извлечение таблиц, извлечение пар ключ-значение. Обычно они экспортируются как API или могут быть развернуты локально в зависимости от различных вариантов использования. Вот несколько примеров,
- Модель счета-фактуры: определите ключевые поля из Счета например имя покупателя, идентификатор счета, дата, сумма и т. д.
- Модель квитанции: определите ключевые поля в квитанциях, такие как имя продавца, номер, дата, сумма и т. Д.
- Водительское удостоверение (США): укажите ключевые поля, такие как номер лицензии, дата рождения, дата истечения срока действия, дата выдачи и т. Д.
- Резюме: получение опыта, образования, навыков, информации о кандидате и т. Д.
Чтобы сделать эти рабочие процессы более быстрыми и надежными, мы используем UiPath, инструмент RPA для бесшовной автоматизации ваших документов без каких-либо шаблонов. В следующем разделе мы рассмотрим, как можно использовать UiPath Connect с нанонетями для понимания документов. Три крупнейших игрока на рынке RPA - это UiPath, Automation Anywhere и Голубая призма. Этот блог посвящен Uipath.
Наносети с UiPath
Мы научились создавать конвейер понимания документа в предыдущих разделах. Для этого требуются базовые знания OCR, RPA и машинного обучения, поскольку для разных задач в разных точках используются разные подходы и алгоритмы. Кроме того, мы потратили много усилий на создание нейронных сетей, которые понимают наши шаблоны, обучение и их развертывание. Следовательно, чтобы быть удобными и автоматизировать все, от загрузки документов, их классификации, построения OCR и интеграции моделей машинного обучения, мы в Nanonets работаем над Ui Path, чтобы создать цельный конвейер для понимания документов. Ниже показано, как это работает.
Теперь давайте рассмотрим каждый из них и узнаем, как мы можем интегрировать Nanonet с UiPath.
Шаг 1. Зарегистрируйтесь в UiPath и загрузите UiPath Studio
Чтобы создать рабочий процесс, сначала нам нужно создать учетную запись в UiPath. Если вы уже являетесь пользователем, вы можете напрямую войти в свою учетную запись, перенаправив свою панель управления UiPath. Затем вам нужно будет загрузить и установить UiPath Studio (Community Edition), которая бесплатна.
Шаг 2. Загрузите компонент Nanonets
Далее, чтобы настроить свой конвейер обработки счетов, вам нужно будет загрузить Nanonets Connector по ссылке ниже.
-> NanoNets OCR - компонент RPA
Ниже приведен снимок экрана UiPath Marketplace и компонента Nanonets. Кроме того, чтобы загрузить это, убедитесь, что вы вошли в UiPath из операционной системы Windows.
Загруженные вами файлы должны содержать файлы, перечисленные ниже,
UiPath OCR Predict ├── Main.xaml
└── project.json
Шаг 3. Откройте компонент Nanonets в файле Main.xaml.
Чтобы проверить, работает ли Nanonets UiPath или нет, вы можете открыть файл Main.xml из загруженного компонента Nanonets с помощью Ui Path Studio. Тогда вы увидите, что ваш конвейер уже создан для вас для обработки документов.
Шаг 4. Получите идентификатор модели, ключ API и конечную точку API из приложения Nanonets.
Затем вы можете использовать любую из обученных моделей OCR из приложения Nanonets и получить идентификатор модели, ключ API и конечную точку. Ниже приведены более подробные сведения, чтобы вы могли быстро их найти.
Идентификатор модели: Войдите в свою учетную запись Nanonets и перейдите в «Мои модели». Вы можете обучить новую модель или скопировать идентификатор приложения существующей модели.
Конечная точка API: Вы можете выбрать любую существующую модель и нажать «Интегрировать», чтобы найти конечную точку API. Ниже приведен пример того, как выглядят ваши конечные точки.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. Ключ API: перейдите на вкладку Ключ API, и вы можете скопировать любой существующий ключ API или создать новый.
Шаг 5. Добавьте HTTP-запрос, чтобы получить ваш метод и переменные в пути пользовательского интерфейса
Теперь, чтобы интегрировать вашу модель из наносетей в путь пользовательского интерфейса, вы должны сначала щелкнуть HTTP-запрос и добавить конечную точку, которую можно найти на левой панели навигации в разделе «Ввод». Ниже скриншот.
Позже добавьте все свои переменные, чтобы установить соединение из вашей студии UiPath с API Nanonets. Вы можете найти этот раздел на нижней панели на вкладке «Переменные». Ниже приведен снимок экрана. Здесь вам нужно обновить / скопировать ключ API, конечную точку и идентификатор модели.
Шаг 6. Добавьте местоположение файла для прогнозов
Наконец, вы можете добавить местоположение своего файла на вкладке атрибутов, как показано на скриншоте ниже, и нажать кнопку воспроизведения в верхней части навигации, чтобы предсказать свои результаты.
Вуаля! Вот наши результаты для документа, который мы запросили на скриншоте ниже. Чтобы обработать больше, вы можете просто добавить расположение файлов и нажать кнопку запуска.
Шаг 7 - Отправьте вывод в CSV / ERP
Наконец, чтобы настроить наш вывод в желаемый формат, мы можем добавить новые блоки в ваш конвейер в файле Main.XML. Мы также можем внедрить это в любые существующие системы ERP через автономные файлы или вызовы API.
Для получения любой помощи свяжитесь с нами по support@nanonets.com
Веб –конференции
Присоединяйтесь к нам на вебинар в следующий вторник по OCR с RPA, Зарегистрируйтесь здесь.
Рекомендации
[2] Понимание документа - Обработка документов AI
[3] RPA OCR - повышение автоматизации процессов | ОТЛИЧНО
[4] Как использовать ИИ для оптимизации понимания документов
[5] https://www.uipath.com/product/document-understanding
[6] Использование NanoNets в рабочем процессе UiPath для распознавания текста счетов
Дальнейшее чтение
Возможно, вас заинтересуют наши последние публикации на:
Обновление:
Добавлены дополнительные материалы для чтения об использовании и влиянии OCR, RPA на понимание документов.
Источник: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- Учетная запись
- Бухгалтерский учет
- Действие
- плюс
- AI
- алгоритм
- алгоритмы
- Все
- анализ
- API
- API
- приложение
- Применение
- Приложения
- Искусство
- искусственный интеллект
- Искусственный интеллект (AI)
- Искусственный интеллект и машинное обучение
- автоматизация
- автоматизация в любом месте
- ЛУЧШЕЕ
- Крупнейшая
- Блог
- Бот
- боты
- строить
- Строительство
- бизнес
- камеры
- случаев
- Вызывать
- вызванный
- распознавание символов
- классификация
- облако
- Облачная платформа
- код
- познавательный
- Сбор
- Комментарии
- Общий
- сообщество
- Компании
- компонент
- Компьютерное зрение
- доверие
- содержание
- исправления
- Расходы
- приборная панель
- данным
- управление данными
- сделка
- глубокое обучение
- Застройщик
- застройщиков
- Устройства
- Интернет
- Документация
- Dodge
- вождение
- Обучение
- затрат
- сотрудников
- Конечная точка
- Предприятие
- и т.д
- извлечь данные
- добыча
- Особенность
- Особенности
- Поля
- в заключение
- финансы
- First
- Фокус
- форма
- формат
- мошенничество
- Бесплатно
- будущее
- Gartner
- Общие
- GIF
- хорошо
- инструкция
- Управляемость
- головные боли
- здесь
- High
- Как
- How To
- HTTPS
- огромный
- Людей
- Гибридный
- определения
- изображение
- Влияние
- Увеличение
- info
- информация
- извлечение информации
- Интеллекта
- намерение
- вопросы
- IT
- Основные
- знания
- KYC
- язык
- последний
- вести
- ведущий
- УЧИТЬСЯ
- узнали
- изучение
- уровень
- Кредитное плечо
- Лицензия
- Ограниченный
- LINK
- локальным
- расположение
- обучение с помощью машины
- управление
- рынок
- рынка
- Совпадение
- проводить измерение
- Купец
- Метрика
- Microsoft
- ML
- модель
- Кино
- Естественный язык
- Обработка естественного языка
- Навигация
- сетей
- нервный
- нейронные сети
- НЛП
- уведомление
- номера
- OCR
- открытый
- операционный
- операционная система
- Операционный отдел
- оптическое распознавание символов
- заказ
- Другие контрактные услуги
- Другое
- паспорта:
- производительность
- картина
- Платформа
- Популярное
- Блог
- мощностью
- Точность
- Predictions
- Автоматизация процессов
- Программы
- Проект
- повышения
- ассортимент
- RE
- Reading
- уменьшить
- Итоги
- обзоре
- робот
- Роботизированная автоматизация процессов
- робототехника
- Роботы
- RPA
- условиями,
- Run
- Бег
- живица
- экономия
- Шкала
- сканирование
- выскабливание
- экран
- бесшовные
- Продавцы
- Серии
- Услуги
- набор
- просто
- So
- Software
- Программные боты
- Решения
- РЕШАТЬ
- тратить
- Начало
- Область
- Кабинет
- поддержка
- система
- системы
- извлечение таблицы
- технологии
- Технологии
- Будущее
- время
- топ
- Обучение
- ui
- UiPath
- Обновление ПО
- us
- США
- случаи использования
- пользователей
- ценностное
- Против
- видение
- Web
- webinar
- веб-сайты
- КТО
- окна
- в
- Работа
- рабочий
- работает
- XML
- год
- YouTube