Senaste uppdatering: jan 2021.
Den här bloggen är en omfattande översikt över hur du använder OCR med vilket RPA-verktyg som helst för att automatisera dina dokumentflöden. Vi undersöker hur de senaste maskininlärningsbaserade OCR-teknikerna inte kräver regler eller mallkonfiguration.
RPA eller robotprocessautomation är programvaruverktyg som syftar till att eliminera upprepade affärsuppgifter. Fler CIO: er vänder sig mot dem för att sänka kostnaderna och hjälpa anställda att fokusera på högre affärsarbete. Exempel är att svara på kommentarer på webbplatser eller kundorderbehandling. Något mer komplexa uppgifter inkluderar hantering av dokument som handskrivna former och fakturor – dessa behöver vanligtvis flyttas från ett äldre system till ett annat – säg din e-postklient till ditt SAP ERP-system där du behöver extrahera data. Detta är den problematiska delen.
De flesta OCR-verktyg som fångar data från dessa dokument är mallbaserade (säg ABBYY Flexicapture) och skalas inte bra på semistrukturerade dokument. Det finns nyare generationens maskininlärningsbaserade lösningar som vanligtvis tillhandahåller API
integrationer som kan fånga nyckel-värdepar från dokument - företagssystem är vanligtvis äldre och inte öppna för att integreras med externa API: er. På andra sidan är RPA: er byggda för att hantera dessa äldre systemarbetsflöden som att mata in dokument från mappar och skriva in resultat i ERP eller CRM.
Eftersom Robotic Process Automation (RPA) och ML utvecklas mot hyperautomation kan vi använda mjukvarubots i kombination med ML för att hantera komplexa uppgifter som dokumentklassificering, extraktion och optisk teckenigenkänning. I en nyligen genomförd studie sägs det att genom att automatisera endast 29% av funktionerna för en uppgift med hjälp av RPA sparar finansavdelningar ensam mer än 25,000 878,000 timmar omarbetning orsakade av mänskliga fel till en kostnad av $ 40 1 per år för en organisation med XNUMX full- personal för tidsredovisning [XNUMX]. I den här bloggen kommer vi att lära oss att använda OCR med RPA och djupt dyka in i arbetsflöden för dokumentförståelse. Nedan finns innehållsförteckningen.
Definitioner och översikt
RPA, i allmänhet, är en teknik som hjälper till att automatisera administrativa uppgifter via mjukvaru-hårdvara bots. Dessa bots drar fördel av användargränssnitt; att fånga data och manipulera applikationer som människor gör. Till exempel kan en RPA titta på en serie uppgifter som tas i ett grafiskt användargränssnitt, t.ex. rörliga markörer, ansluta till API:er, kopiera och klistra in data och formulera samma sekvens av åtgärder i en RPA-trådram som översätts till kod. Vidare kan dessa uppgifter utföras utan mänsklig inblandning i framtiden. Optical Character Recognition (OCR) är en avgörande egenskap hos alla RPA-lösningar (Functional Robotic Process Automation). Denna teknik används för att läsa och extrahera text från olika källor som bilder eller pdfs till ett digitalt format utan att manuellt fånga det.
Å andra sidan är dokumentförståelse den term som används för att automatiskt beskriva läsning, tolkning och handling på dokumentdata. Det viktigaste i denna process är att mjukvarubotar själv utför alla uppgifter. Dessa bots utnyttjar kraften i artificiell intelligens och maskininlärning för att förstå dokument som digitala assistenter. På detta sätt kan vi säga att dokumentförståelse uppstår vid skärningspunkten mellan dokumentbehandling, AI och RPA.
Hur robotar kan lära sig att förstå dokumenten med OCR och ML
Innan vi först går in i dokumentförståelse först, låt oss prata om rollen som robotar för dokumentförståelse. Dessa helt osynliga hjälpare gör vårt liv mycket bekvämare. Till skillnad från filmer och serier är dessa robotar inte fysiska enheter eller program för artificiell intelligens som sitter vid ett skrivbord och trycker på knappar för att utföra uppgifter. Vi kan tänka på dessa som digitala assistenter som tränas i att behandla dokument genom att läsa och använda applikationer som vi gör. På den funktionella sidan är robotar bra på att förbättra prestanda och effektivitet i en process. Ändå är de en fristående programvara som inte kan utvärdera processen och fatta kognitiva beslut. Men om maskininlärning är framgångsrikt integrerad kommer robotik att bli mer dynamisk och anpassningsbar. Till exempel kommer robotar som används för dokumentbearbetning, datahantering och andra funktioner över front- och mittkontoret att utföra mer intelligenta åtgärder, till exempel att eliminera dubbla poster eller lösa okända systemundantag i processen. Vidare utbildas robotarna för att läsa, extrahera, tolka och agera på data från dokumenten med hjälp av artificiell intelligens (AI).
Hur kan företag integrera intelligent OCR med RPA för att förbättra arbetsflödena
Extrahera dokumentdata är en viktig komponent för dokumentförståelse. I det här avsnittet kommer vi att diskutera hur vi kan integrera OCR med RPA eller vice versa. För det första visste vi alla att det finns olika typer av dokument när det gäller mallar, stil, formatering och ibland språk. Därför kan vi inte lita på en enkel OCR-teknik för att extrahera data från dessa dokument. För att lösa detta problem använder vi både regelbaserade metoder och modellbaserade metoder inom OCR för att hantera data från olika dokumentstrukturer. Nu får vi se hur företag som gör OCR kan integrera RPA i sitt befintliga system baserat på typen av dokument.
Strukturerade dokument: I denna typ av dokument är layouterna och mallarna vanligtvis fasta och nästan konsekventa. Tänk till exempel på en organisation som gör KYC med regeringsutfärdade ID som ett pass eller körkort. Alla dessa dokument kommer att vara identiska och ha samma fält som ID-nummer, personens namn, ålder och få andra på samma positioner. Men bara detaljerna varierar. Det kan finnas få begränsningar som tabellöverfyllda eller ofyllda data.
Vanligtvis använder den rekommenderade metoden en mall eller regelbaserad motor för att extrahera informationen för strukturerade dokument. Dessa kan inkludera reguljära uttryck eller enkel positionskartläggning och OCR. Därför kan vi antingen använda befintliga mallar eller skapa regler för våra strukturerade data för att integrera programvarubotar för att automatisera informationsutvinning. Det finns en nackdel med att använda det regelbaserade tillvägagångssättet, eftersom det är beroende av fasta delar, även små förändringar i formstrukturen kan orsaka att regler bryts ner.
Semistrukturerade dokument: Dessa dokument har samma information men är ordnade på olika positioner. Tänk till exempel fakturor innehållande 8-12 identiska fält. Om några fakturor, kan säljarens adress finnas längst upp och i andra finns den längst ned. Vanligtvis ger dessa regelbaserade tillvägagångssätt inte hög noggrannhet; därför tar vi in modeller för maskininlärning och djupinlärning i bilden för informationsextraktion med OCR. Alternativt kan vi i vissa fall använda hybridmodeller som involverar både regler och ML-modeller. Några populära förtränade modeller är FastRCNN, Attention OCR, Graph Convolutions för informationsextraktion i dokument. Men återigen har dessa modeller få nackdelar; därför mäter vi algoritmens prestanda med hjälp av mätvärden som noggrannhet eller konfidenspoäng. Eftersom modellen är att lära sig mönster, snarare än att arbeta utifrån konkreta regler, kan den göra fel initialt direkt efter korrigeringar. Men lösningen på dessa nackdelar – ju fler prover ML-modellen bearbetar, desto fler mönster lär den sig för att säkerställa noggrannhet.
Ostrukturerade dokument: RPA kan idag inte hantera ostrukturerad data direkt, och kräver därför att robotar först extraherar och skapar strukturerad data med OCR. Till skillnad från strukturerade och semistrukturerade dokument har ostrukturerade data inte några nyckel-värdepar. Till exempel i ett fåtal fakturor, ser vi en handelsadress någonstans utan något nyckelnamn; på samma sätt observerar vi samma sak för andra fält som datum, faktura-ID. För att ML-modeller ska kunna bearbeta dessa korrekt måste robotarna lära sig hur man översätter skriven text till handlingsbar data, som e-post, telefonnummer, adress etc. Modellen kommer då att lära sig att 7- eller 10-siffriga nummermönster bör extraheras som telefonnummer och stor text som innehåller femsiffriga koder och olika substantiv som text. För att göra dessa modeller mer exakta kan vi också använda tekniker från Natural Language Processing (NLP) som Named Entity Recognition och Word Embedding.
Sammantaget för dokumentförståelse är det först viktigt att förstå data och sedan implementera OCR med RPA. Därefter kan vi, i stället för att kartlägga en process steg för steg, lära en robot att "göra som jag" genom att registrera processen som det händer med kraftfulla OCR-funktioner som diskuterats ovan, genom att integrera regler och maskininlärningsalgoritmer. Programvaruroboten följer dina klick och åtgärder på skärmen och förvandlar dem sedan till ett redigerbart arbetsflöde. Om du arbetar helt i lokala program är det så mycket som du behöver veta.
OCR-utmaningar för RPA-utvecklare
Vi har sett hur vi kan integrera OCRR med RPA för olika dokument, men det finns några fall av utmaningar där robotarna behöver hantera bra. Låt oss diskutera dem nu!
- Svag eller inkonsekvent data: Data spelar en avgörande roll i dokumentförståelsen. I de flesta fall skannas dokumenten med kameror där det finns en chans att förlora dokumentformatering under textavsökning (dvs., fetstil, kursiv & understrykning känns inte alltid igen). Ibland kan OCR extrahera text på fel sätt och leda till stavfel, oregelbundna styckbrytningar, vilket minskar robotens totala prestanda. Därför är det viktigt att hantera alla saknade värden och fånga data med högre precision för att uppnå högre noggrannhet för OCR.
- Felaktig sidorientering i dokument: Sidorientering och snedhet är också ett av de vanligaste problemen som leder till felaktig textkorrigering av OCR. Detta inträffar vanligtvis när dokumenten skannas felaktigt under datainsamlingsfasen. För att övervinna detta måste vi förklara några funktioner för robotar som automatisk anpassning till sidan, automatiskt filtrera så att de kan möjliggöra en ökning av kvaliteten på det skannade dokumentet och ta emot korrekta data på utdata.
- Integrationsproblem: Inte alla RPA-verktyg fungerar bra på fjärrskrivbordsmiljöer - de orsakar kraschar och kritiska problem inom automatisering. Dessutom behöver RPA-utvecklaren veta vilken OCR-lösning som är bäst för ett specifikt fall. För att arbeta med specifika automatiseringsverktyg behöver RPA-utvecklaren endast välja begränsad OCR-teknik skapad av Microsoft, Google. Därför är det ibland utmanande att integrera våra anpassade algoritmer och modeller.
- Hela texten är krypterad text: För användningsfall i verkligheten är text som fångas av en generisk OCR helt krypterad och har ingen meningsfull information som bots kan använda för att utföra betydande operationer. RPA-utvecklare behöver starkt ML-stöd för att kunna bygga användbara applikationer.
Rörledning för dokumentförståelse av arbetsflöde
I de föregående avsnitten har vi sett hur bots hjälper till att utföra OCR för olika typer av dokument. Men OCR är bara en teknik som konverterar bilder eller andra filer till texten. Nu, i detta avsnitt, kommer vi att titta på arbetsflödet Dokumentförståelse redan från början av att samla in dokument för att äntligen spara dem meningsfull information i önskat format.
- Ta in dokumentet från en mapp med din Bot: Detta är det första steget genom att uppnå dokumentförståelse genom bots. Här hämtar vi dokumentet som ligger antingen på en molnplattform (med ett API) eller från en lokal maskin. I några fall, om våra dokument finns på webbsidor, kan vi automatisera skrapskript genom bots där de kan hämta dokument i rätt tid.
- Dokumenttyp: Efter att vi hämtat data är det viktigt att förstå vilken typ av dokument och format de sparas med i våra system, eftersom vi ibland får data från olika källor i olika filformat som t.ex. PDF, PNG och JPG. Inte bara filtyperna, ibland när dokumenten skannas med telefonkameror, bör även några få utmanande problem som bildskevhet, rotation, ljusstyrka eller låg upplösning hanteras. Därmed måste vi se till att bots klassificerar dessa dokument i den strukturerade, semistrukturerade eller ostrukturerade kategorin och sparar dem i ett generiskt format. Klassificeringsuppgiften uppnås genom att jämföra dokumenten med mallar och analysera funktioner som typsnitt, språk, närvaro av nyckel-värdepar, tabeller, etc.
- Extrahera data med OCR: Nu när robotarna ordnade våra dokument i ett generiskt format och klassificerade dem, är det dags för oss att digitalisera dem med OCR-tekniken. Med detta får vi texten, dess placering i samkoordinater från bilderna. Detta hjälper till att standardisera dokument och data för de följande stegen. Vi stöter också på några när OCR-programvara inte kunde skilja korrekt mellan tecken, till exempel 't' kontra 'i' eller '0' kontra 'O.' De fel som du vill undvika med OCR-programvara kan bli ny huvudvärk när OCR-teknik inte kan analysera nyanserna i ett dokument baserat på dess kvalitet eller originalform. Det är här Machine Learning kommer in i bilden, som vi kommer att diskutera i nästa steg.
- Använda ML / DL för intelligent OCR med hjälp av Bots: När data har digitaliserats bör OCR-programvaran förstå vilken typ av dokument den arbetar med och vad som är relevant. Men den traditionella OCR-programvaran kan kämpa för att skala dokument klassificeringsinsatser. Därför bör programvarubotar tränas med kognitiva förmågor genom att utnyttja maskininlärning och djupinlärningstekniker för att göra OCR: erna mer intelligenta. ML-baserade OCR-lösningar kan identifiera en dokumenttyp och matcha den mot en känd dokumenttyp som används av ditt företag. De kan också analysera och förstå textblock i ostrukturerade dokument. När lösningen vet mer om själva dokumentet kan den börja extrahera relevant information baserat på avsikt och mening.
- Bättre datautvinning och klassificering: Datautvinning är kärnan i Document Understanding. Som diskuterats i föregående avsnitt om att integrera RPA med OCR i detta steg, väljer du dataextraktionstekniken baserat på typen av dokument. Genom RPA kan vi enkelt konfigurera vilken extraherare som ska användas, vare sig en regelbaserad eller ML-baserad eller en hybridmodell OCR-teknik. Baserat på förtroende- och prestandamätvärdena som returneras efter informationsutvinning kommer programrobotarna att spara dem i vårt önskade format för vidare analys. Nedan följer en bild av hur vi kan konfigurera extraktorer och ställa in konfidensnivå i ett RPA-verktyg av UIPath.
6. Validering och bemyndigande insikter: OCR- och maskininlärningsmodellerna är inte hundra procent exakta när det gäller informationsutvinning, varför man kan lägga till ett lager av mänskligt ingripande med hjälp av robotar kan lösa problemet. Så här valideringen fungerar är att när robotarna hanterar låg noggrannhet och undantag ger det omedelbart ett meddelande till åtgärdscentret där en anställd kan få en begäran om att validera data eller hantera undantag och kan lösa eventuella osäkerheter i fråga om klick. Vidare kan vi låsa upp artificiell intelligens för att dokumentera data över tid för att göra förutsägelser och identifiera potentiella avvikelser som kan indikera bedrägeri, duplicering och andra fel.
Fördelar med att integrera robotar med Document Understanding
- Automatisera processen: Den viktigaste anledningen till att integrera bots för dokumentförståelse är att automatisera hela processen från början till slut. Allt vi behöver göra är att skapa ett arbetsflöde för bots att lära sig, luta sig tillbaka och koppla av. Under valideringsprocessen kan vi behöva ta itu med de problem som meddelas av robotarna där eventuella fel eller bedrägerier identifieras.
- Bots med maskininlärning: Under automatiseringsprocessen kan vi göra robotarna motståndskraftiga mot maskininlärning. Det betyder att robotarna också kan lära sig hur Machine Learning-modellerna fungerar och därigenom förbättra modellerna för att uppnå högre noggrannhet och prestanda för text- och informationsutvinning av dokument.
- Processbrett dokumentbehandlingsområde: För generella uppgifter som tabell- och informationsutvinning måste vi skapa olika pipelines för djupinlärning för olika typer av dokument. Detta leder till att bygga flera applikationer och distribuera olika modeller på olika servrar, vilket kräver mycket ansträngning och tid. När bots finns i bilden för ett brett spektrum av dokument kan vi bara ha en enda pipeline där bots kan klassificera dem och sedan använda lämplig modell för olika uppgifter. Vi kan också integrera olika tjänster via API: er och kommunicera med andra organisationer när det gäller att hämta data.
- Lätt att distribuera: För dokumentförståelse efter att rörledningarna har skapats är distributionsprocessen bara en minut. Vi kan antingen få API: er exporterade av bots efter träning, eller så kan vi bygga en anpassad RPA-lösning som kan användas i våra lokala system. Denna typ av distribution kan också optimera företagen och kan minska utgifterna med mycket minimala risker.
Gå in i Nanonets
NanoNets är en maskininlärningsplattform som tillåter användare att fånga data från fakturor, kvitton och andra dokument utan någon mallinstallation. Vi har toppmoderna algoritmer för djupinlärning och datorseende på baksidan som kan hantera alla typer av dokumentförståelseuppgifter som OCR, tabellextraktion, nyckel-värdeparextraktion. De exporteras vanligtvis som API:er eller kan distribueras på plats baserat på olika användningsfall. Här är några exempel,
- Fakturamodell: Identifiera nyckelfält från Fakturor som köparens namn, faktura-id, datum, belopp etc.
- Kvittonmodell: Identifiera nyckelfält från kvitton som säljarens namn, nummer, datum, belopp etc.
- Körkort (USA): Identifiera nyckelfält som licensnummer, DOB, utgångsdatum, utfärdandedatum etc.
- CV: Extrahera erfarenhet, utbildning, färdigheter, kandidatinformation etc.
För att göra dessa arbetsflöden snabbare och robusta använder vi UiPath, ett RPA-verktyg för sömlös automatisering av dina dokument utan någon mall. I nästa avsnitt går vi igenom hur du kan använda UiPath Connect med Nanonets för att förstå dokument. De 3 största aktörerna på RPA-marknaden är UiPath, Automation Anywhere och Blå prisma. Den här bloggen fokuserar på Uipath.
NanoNets med UiPath
Vi har lärt oss att skapa en dokumentförståelse pipeline i våra tidigare avsnitt. Det kräver grundläggande kunskaper om OCR, RPA och maskininlärning, eftersom det finns olika tillvägagångssätt och algoritmer för olika uppgifter vid olika punkter. Vi måste också spendera mycket arbete på att bygga neurala nätverk som förstår våra mallar, utbildning och distribuering av dem. För att vara bekväm och automatisera allt från att ladda upp dokument, klassificera dem, bygga OCR, integrera ML-modeller arbetar vi på Nanonets på Ui Path för att skapa en sömlös pipeline för dokumentförståelse. Nedan är en bild av hur detta fungerar.
Låt oss nu granska var och en av dem och lära oss hur vi kan integrera Nanonets med UiPath.
Steg 1: Registrera dig på UiPath och ladda ner UiPath Studio
För att skapa ett arbetsflöde måste vi först skapa ett konto i UiPath. Om du är en befintlig användare kan du logga in direkt på ditt konto och omdirigera din UiPath-instrumentpanel. Därefter måste du ladda ner och installera UiPath Studio (Community Edition), som är gratis.
Steg 2: Ladda ner Nanonets Component
Nästa, för att ställa in din pipeline för fakturabehandlingmåste du ladda ner Nanonets Connector från länken nedan.
-> NanoNets OCR - RPA-komponent
Nedan finns en skärmdump av UiPath Marketplace och Nanonets Component. För att ladda ner detta, se till att du är inloggad på UiPath från ett Windows-operativsystem.
Dina nedladdade filer ska innehålla filerna nedan,
UiPath OCR Predict ├── Main.xaml
└── project.json
Steg 3: Öppna filen Main.xaml Nanonets Component
För att kontrollera om Nanonets UiPath fungerar eller inte kan du öppna din Main.xml-fil från den nedladdade Nanonets-komponenten med hjälp av Ui Path Studio. Då kan du se din pipeline redan skapad för dig för dokumentbehandling.
Steg 4: Samla ditt modell-ID, API-nyckel och API-slutpunkt från Nanonets APP
Därefter kan du använda någon av de utbildade OCR-modellerna från Nanonets APP och samla modell-ID, API-nyckel och slutpunkt. Nedan finns mer information så att du snabbt kan hitta dem.
Modell-ID: Logga in på ditt Nanonets-konto och navigera till "Mina modeller." Du kan träna en ny modell eller kopiera applikations-ID för en befintlig modell.
API-slutpunkt: Du kan välja vilken befintlig modell som helst och klicka på Integrera för att hitta din API-slutpunkt. Nedan följer ett exempel på hur dina slutpunkter ser ut.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. API-nyckel: Navigera till fliken API-nyckel och du kan kopiera alla befintliga API-nycklar eller skapa en ny.
Steg 5: Lägg till HTTP-begäran för att få din metod och variabler till UI-sökvägen
Nu för att integrera din modell från Nanonets till UI-sökvägen, har du det första klicket på HTTP-begäran och lägg till EndPoint, som kan hittas vid vänster navigering under avsnittet Input. Nedan följer en skärmdump.
Senare, lägg till alla dina variabler för att skapa en anslutning från din UiPath-studio till Nanonets API. Du hittar det här avsnittet längst ned i rutan på fliken "Variabler." Nedan är skärmdumpen, du måste uppdatera / kopiera din API-nyckel, slutpunkt och modell-ID för din modell här.
Steg 6: Lägg till filplats för förutsägelser
Slutligen kan du lägga till din filplats under attributfliken, som visas i skärmdumpen nedan, och klicka på uppspelningsknappen i din övre navigering för att förutsäga dina utdata.
Voila! Här är våra utgångar för dokumentet vi begärde i skärmdumpen nedan. För att bearbeta mer kan du helt enkelt lägga till dina filplatser och klicka på kör-knappen.
Steg 7 - Skjut utdata till CSV / ERP
Slutligen, för att anpassa vår produktion till ditt önskvärda format kan vi lägga till nya block i din pipeline i Main.XML-filen. Vi kan också driva detta till alla befintliga ERP-system via offlinefiler eller API-samtal.
Kontakta oss på support@nanonets.com för hjälp
Webinar
Gå med på ett webinar nästa tisdag om OCR med RPA, registrera här.
Referensprojekt
[2] Dokumentförståelse - AI-dokumentbehandling
[3] RPA OCR - höjning av processautomatisering | TREVLIG
[4] Hur man använder AI för att optimera dokumentförståelsen
[5] https://www.uipath.com/product/document-understanding
[6] Använda NanoNets i UiPath Workflow för faktura OCR
Ytterligare läsning
Du kanske är intresserad av våra senaste inlägg på:
Uppdatering:
Lade till mer läsmaterial om användningen och effekten av OCR, RPA i dokumentförståelse.
Källa: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- Konto
- Redovisning
- Handling
- Fördel
- AI
- algoritm
- algoritmer
- Alla
- analys
- api
- API: er
- app
- Ansökan
- tillämpningar
- Konst
- artificiell intelligens
- Konstgjord intelligens (AI)
- Konstgjord intelligens och maskininlärning
- Automation
- automatisering var som helst
- BÄST
- störst
- Blogg
- Bot
- botar
- SLUTRESULTAT
- Byggnad
- företag
- kameror
- fall
- Orsak
- orsakas
- karaktärigenkänning
- klassificering
- cloud
- Molnplattform
- koda
- kognitiv
- Samla
- kommentarer
- Gemensam
- samfundet
- Företag
- komponent
- Datorsyn
- förtroende
- innehåll
- Korrigeringar
- Kostar
- instrumentbräda
- datum
- datahantering
- behandla
- djupt lärande
- Utvecklare
- utvecklare
- enheter
- digital
- dokument
- Dodge
- drivande
- Utbildning
- effektivitet
- anställda
- Slutpunkt
- Företag
- etc
- extrahera data
- extraktion
- Leverans
- Funktioner
- Fält
- Slutligen
- finansiering
- Förnamn
- Fokus
- formen
- format
- bedrägeri
- Fri
- framtida
- Gartner
- Allmänt
- gif
- god
- styra
- Arbetsmiljö
- huvudvärk
- här.
- Hög
- Hur ser din drömresa ut
- How To
- HTTPS
- stor
- Människa
- Hybrid
- identifiera
- bild
- Inverkan
- Öka
- info
- informationen
- information utvinning
- Intelligens
- uppsåt
- problem
- IT
- Nyckel
- kunskap
- KYC
- språk
- senaste
- leda
- ledande
- LÄRA SIG
- lärt
- inlärning
- Nivå
- Hävstång
- Licens
- Begränsad
- LINK
- lokal
- läge
- maskininlärning
- ledning
- marknad
- marknadsplats
- Match
- mäta
- Merchant
- Metrics
- Microsoft
- ML
- modell
- Filmer
- Naturligt språk
- Naturlig språkbehandling
- Navigering
- nätverk
- neural
- neurala nätverk
- nlp
- anmälan
- nummer
- OCR
- öppet
- drift
- operativsystem
- Verksamhet
- optisk teckenigenkänning
- beställa
- Övriga
- Övrigt
- pass
- prestanda
- Bild
- plattform
- Populära
- inlägg
- kraft
- Precision
- Förutsägelser
- Processautomation
- Program
- projektet
- kvalitet
- höjer
- område
- RE
- Läsning
- minska
- Resultat
- översyn
- Roboten
- Robot processautomation
- robotik
- robotar
- rpa
- regler
- Körning
- rinnande
- SAP
- sparande
- Skala
- scanning
- skrapning
- screen
- sömlös
- Säljare
- Serier
- Tjänster
- in
- Enkelt
- So
- Mjukvara
- Programvarubots
- Lösningar
- LÖSA
- spendera
- starta
- Ange
- Läsa på
- stödja
- system
- System
- extraktion av bordet
- Tekniken
- Teknologi
- Framtiden
- tid
- topp
- Utbildning
- ui
- UiPath
- Uppdatering
- us
- USA
- användarfall
- användare
- värde
- Kontra
- syn
- webb
- webbseminarium
- webbsidor
- VEM
- fönster
- inom
- Arbete
- arbetsflöde
- fungerar
- XML
- år
- Youtube