Останнє оновлення: січень 2021 р.
Цей блог містить вичерпний огляд використання OCR з будь-яким інструментом RPA для автоматизації робочих процесів ваших документів. Ми досліджуємо, як новітні технології оптичного розпізнавання символів на основі машинного навчання не вимагають встановлення правил чи шаблонів.
RPA або роботизована автоматизація процесів — це програмні інструменти, спрямовані на усунення повторюваних бізнес-завдань. Більше ІТ-директорів звертаються до них, щоб зменшити витрати та допомогти співробітникам зосередитися на більш цінній бізнес-роботі. Приклади включають відповіді на коментарі на веб-сайтах або обробку замовлень клієнтів. Трохи складніші завдання включають роботу з такими документами, як рукописні форми та рахунки – їх зазвичай потрібно перемістити з однієї застарілої системи в іншу – скажімо, ваш клієнт електронної пошти до вашої системи SAP ERP, де вам потрібно отримати дані. Це проблематична частина.
Більшість інструментів OCR, які збирають дані з цих документів, створені на основі шаблонів (скажімо Еббі Flexicapture) і погано масштабуються на напівструктурованих документах. Існують новіші покоління рішень на основі машинного навчання, які зазвичай надають API
інтеграції, які можуть отримувати пари ключ-значення з документів – корпоративні системи, як правило, є застарілими та не відкриті для інтеграції із зовнішніми API. З іншого боку, RPA створено для обробки таких застарілих системних робочих процесів, як-от отримання документів із папок і введення результатів у ERP або CRM.
Оскільки Robotic Process Automation (RPA) і ML розвиваються в бік гіперавтоматизації, ми можемо використовувати програмних ботів у поєднанні з ML для вирішення складних завдань, таких як класифікація документів, вилучення та оптичне розпізнавання символів. У недавньому дослідженні було сказано, що завдяки автоматизації лише 29% функцій для завдання з використанням RPA тільки фінансові відділи заощаджують понад 25,000 878,000 годин переробки, спричиненої людськими помилками, вартістю 40 1 доларів на рік для організації з XNUMX повноцінними облік робочого часу персоналу [XNUMX]. У цьому блозі ми дізнаємося про використання OCR з RPA і глибоко зануримося в робочі процеси розуміння документів. Нижче наведено зміст.
Визначення та огляд
Загалом RPA — це технологія, яка допомагає автоматизувати адміністративні завдання за допомогою програмно-апаратних ботів. Ці боти використовують переваги інтерфейсу користувача; збирати дані та маніпулювати програмами, як це роблять люди. Наприклад, RPA може переглядати серію завдань, які виконуються в GUI, скажімо, переміщення курсорів, підключення до API, копіювання та вставлення даних і формулювання тієї ж послідовності дій у каркасі RPA, який перетворюється на код. Крім того, ці завдання можна буде виконувати без втручання людини в майбутньому. Оптичне розпізнавання символів (OCR) є важливою функцією будь-якого функціонального автоматизованого автоматизованого процесу (RPA). Ця технологія використовується для читання та вилучення тексту з різних джерел, наприклад зображень або pdfs у цифровий формат без ручного захоплення.
З іншого боку, розуміння документа — це термін, який використовується для автоматичного опису читання, інтерпретації та дії з даними документа. Найголовніше в цьому процесі те, що програмні боти самі виконують усі завдання. Ці боти використовують потужність штучного інтелекту та машинного навчання, щоб сприймати документи як цифрових помічників. Таким чином, ми можемо сказати, що розуміння документів виникає на перетині обробки документів, ШІ та RPA.
Як роботи можуть навчитися розуміти документи за допомогою OCR і ML
Перш ніж ми глибоко зануримося в розуміння документів, давайте поговоримо про роль роботів для розуміння документів. Ці абсолютно невидимі помічники роблять наше життя набагато комфортнішим. На відміну від фільмів і серіалів, ці роботи не є фізичними пристроями чи програмами штучного інтелекту, які сидять на робочому столі та натискають кнопки для виконання завдань. Ми можемо розглядати їх як цифрових помічників, які навчені обробляти документи, читаючи та користуючись додатками, як це робимо ми. З функціонального боку роботи добре підвищують продуктивність і ефективність процесу. Проте, будучи автономним програмним забезпеченням, вони не можуть оцінювати процес і приймати когнітивні рішення. Однак, якщо машинне навчання буде успішно інтегровано, робототехніка стане більш динамічною та адаптивною. Наприклад, роботи, які використовуються для обробки документів, керування даними та інших функцій у фронт- та середньому офісі, виконуватимуть більш інтелектуальні дії, такі як видалення повторюваних записів або вирішення невідомих системних винятків у процесі. Крім того, роботів навчають читати, витягувати, інтерпретувати та діяти з даними з документів за допомогою штучного інтелекту (ШІ).
Як компанії можуть інтегрувати інтелектуальне OCR з RPA для покращення робочих процесів
Вилучення даних документа є вирішальним компонентом для розуміння документа. У цьому розділі ми обговоримо, як ми можемо інтегрувати OCR з RPA або навпаки. По-перше, ми всі знали, що існують різні види документів з точки зору шаблонів, стилю, форматування та іноді мови. Тому ми не можемо покладатися на просту техніку оптичного розпізнавання символів, щоб отримати дані з цих документів. Щоб вирішити цю проблему, ми будемо використовувати як підходи на основі правил, так і підходи на основі моделі в OCR для обробки даних з різних структур документів. Тепер ми побачимо, як компанії, які займаються OCR, можуть інтегрувати RPA у свої існуючі системи на основі типу документів.
Структуровані документи: У документах цього типу макети та шаблони зазвичай фіксовані та майже узгоджені. Наприклад, розглянемо організацію, яка проводить KYC за допомогою державних посвідчень, як-от паспорта чи водійських прав. Усі ці документи будуть ідентичними та матимуть ті самі поля, що й ідентифікаційний номер, ім’я особи, вік та деякі інші на однакових позиціях. Але відрізняються лише деталі. Може бути кілька обмежень, як-от переповнення таблиці або незаповнені дані.
Зазвичай рекомендований підхід використовує шаблон або механізм на основі правил для вилучення інформації для структурованих документів. Вони можуть включати регулярні вирази або просте відображення позиції та OCR. Отже, щоб інтегрувати програмних роботів для автоматизації вилучення інформації, ми можемо або використовувати вже існуючі шаблони, або створити правила для наших структурованих даних. Підхід, заснований на правилах, має один недолік, оскільки він покладається на фіксовані частини, навіть незначні зміни в структурі форми можуть спричинити порушення правил.
Напівструктуровані документи: Ці документи містять однакову інформацію, але розташовані в різних місцях. Наприклад, розглянемо рахунки містить 8-12 однакових полів. Через декілька рахунки, адреса продавця може бути розташована вгорі, а в інших – внизу. Як правило, ці підходи на основі правил не дають високої точності; тому ми використовуємо моделі машинного та глибокого навчання для отримання інформації за допомогою OCR. Крім того, у деяких випадках ми можемо використовувати гібридні моделі, які включають як правила, так і моделі ML. Кілька популярних попередньо навчених моделей — FastRCNN, Attention OCR, Graph Convolutions для вилучення інформації в документах. Однак у цих моделей є кілька недоліків; тому ми вимірюємо продуктивність алгоритму за допомогою таких показників, як точність або оцінка достовірності. Оскільки модель вивчає шаблони, а не працює за конкретними правилами, вона може допускати помилки спочатку відразу після виправлення. Однак вирішення цих недоліків полягає в тому, що чим більше зразків обробляє модель ML, тим більше шаблонів вона вивчає для забезпечення точності.
Неструктуровані документи: Сьогодні RPA не може безпосередньо керувати неструктурованими даними, тому роботам спочатку потрібно видобувати та створювати структуровані дані за допомогою OCR. На відміну від структурованих і напівструктурованих документів, неструктуровані дані не мають кількох пар ключ-значення. Наприклад, у кількох рахунки, ми бачимо адресу продавця десь без будь-якої назви ключа; так само ми спостерігаємо те саме для інших полів, таких як дата, ідентифікатор рахунку-фактури. Щоб моделі ML могли точно їх обробляти, роботам потрібно навчитися перетворювати письмовий текст у корисні дані, як-от електронну пошту, номер телефону, адресу тощо. Потім модель навчиться, що слід витягувати шаблони 7- чи 10-значних чисел. як номери телефонів і величезний текст, що містить п’ятизначні коди та різні іменники як текст. Щоб зробити ці моделі більш точними, ми також можемо використовувати методи обробки природної мови (NLP), такі як розпізнавання іменованих сутностей і вбудовування слів.
Загалом для розуміння документа спочатку важливо зрозуміти дані, а потім реалізувати OCR за допомогою RPA. Далі, замість того, щоб планувати процес крок за кроком, ми можемо навчити робота «робити як я», записуючи процес, як це відбувається, за допомогою потужних можливостей OCR, як обговорювалося вище, шляхом інтеграції правил і алгоритмів машинного навчання. Програмний робот стежить за вашими клацаннями та діями на екрані, а потім перетворює їх у редагований робочий процес. Якщо ви повністю працюєте в місцевих програмах, це все, що вам потрібно знати.
Проблеми OCR, з якими стикаються розробники RPA
Ми бачили, як ми можемо інтегрувати OCRR із RPA для різних документів, але є кілька випадків проблем, з якими роботам потрібно добре впоратися. Давайте обговоримо їх зараз!
- Слабкі або суперечливі дані: Дані відіграють вирішальну роль у розумінні документа. У більшості випадків документи скануються за допомогою камер, де існує ймовірність втрати форматування документа під час сканування тексту (тобто жирний шрифт, курсив і підкреслення не завжди розпізнаються). Іноді OCR може витягувати текст неправильно, що призводить до орфографічних помилок, неправильних розривів абзаців, що знижує загальну продуктивність роботів. Тому обробка всіх відсутніх значень і отримання даних з вищою точністю є життєво важливими для досягнення вищої точності OCR.
- Неправильна орієнтація сторінки в документах: Орієнтація сторінки та перекіс також є однією з поширених проблем, які призводять до неправильного виправлення тексту OCR. Зазвичай це відбувається, коли документи неправильно скануються на етапі збору даних. Щоб подолати це, нам доведеться оголосити кілька функцій роботам, як-от автоматичне припасування до сторінки, автоматичний фільтр, щоб вони могли покращити якість відсканованого документа та отримувати правильні дані на виході.
- Проблеми інтеграції: Не всі інструменти RPA добре працюють у середовищах віддаленого робочого столу – вони викликають збої та критичні проблеми в автоматизації. Більше того, розробник RPA повинен знати, яке рішення OCR буде найкращим для конкретного випадку. Крім того, для роботи з окремими засобами автоматизації розробнику RPA необхідно вибрати лише обмежену технологію OCR, створену Microsoft, Google. Тому інтегрувати наші власні алгоритми та моделі іноді складно.
- Весь текст є зашифрованим текстом: У реальних випадках використання тексту, отриманого загальним оптичним розпізнаванням символів, є зашифрованим і не містить суттєвої інформації, яку боти можуть використовувати для виконання важливих операцій. Розробникам RPA потрібна потужна підтримка ML, щоб мати можливість створювати корисні програми.
Конвеєр для робочого процесу розуміння документів
У попередніх розділах ми бачили, як боти допомагають виконувати OCR для різних типів документів. Але оптичне розпізнавання символів — це лише техніка, яка перетворює зображення чи інші файли на текст. Тепер у цьому розділі ми розглянемо робочий процес розуміння документів із самого початку збирання документів до остаточного збереження важливої інформації в потрібному форматі.
- Завантажте документ із папки за допомогою бота: Це перший крок до досягнення розуміння документів через ботів. Тут ми будемо отримувати документ, розташований або на хмарній платформі (за допомогою API), або з локальної машини. У деяких випадках, якщо наші документи знаходяться на веб-сторінках, ми можемо автоматизувати сканування сценаріїв через ботів, щоб вони могли своєчасно отримувати документи.
- Тип документа: Після отримання даних важливо розуміти тип документа та формат, у якому вони зберігаються в наших системах, оскільки інколи ми отримуємо дані з різних джерел у різних форматах файлів, як-от PDF, PNG і JPG. Не лише типи файлів, інколи, коли документи скануються за допомогою камер телефону, також потрібно вирішувати кілька складних проблем, як-от перекос зображення, поворот, яскравість або низька роздільна здатність. Таким чином, ми повинні переконатися, що боти класифікують ці документи на структуровані, напівструктуровані або неструктуровані категорії, таким чином зберігаючи їх у загальному форматі. Завдання класифікації досягається шляхом порівняння документів із шаблонами та аналізу таких характеристик, як шрифти, мова, наявність пар ключ-значення, таблиці тощо.
- Вилучення даних за допомогою OCR: Гаразд, тепер, коли боти впорядкували наші документи в загальний формат і класифікували їх, настав час оцифрувати їх за допомогою техніки OCR. Завдяки цьому ми матимемо текст, його розташування в координатах зображень. Це допомагає стандартизувати документи та дані для подальших кроків. Ми також стикаємося з кількома випадками, коли програмне забезпечення OCR не може правильно розрізняти символи, наприклад «t» проти «i» або «0» проти «O». Ті самі помилки, яких ви хочете уникнути за допомогою програмного забезпечення OCR, можуть стати новими головними болями, коли технологія OCR не здатна проаналізувати нюанси документа на основі його якості чи оригінальної форми. Ось тут і з’являється машинне навчання, яке ми обговоримо на наступному кроці.
- Використання ML/DL для інтелектуального OCR за допомогою ботів: Після оцифрування даних програмне забезпечення OCR має зрозуміти, з яким документом воно працює, і що є актуальним. Але традиційне програмне забезпечення для оптичного розпізнавання символів (OCR) може важко масштабувати зусилля з класифікації документів. Тому програмних ботів слід навчити когнітивним здібностям, використовуючи методи машинного та глибокого навчання, щоб зробити OCR більш інтелектуальними. Рішення OCR на основі ML можуть ідентифікувати тип документа та порівнювати його з відомим типом документа, який використовується вашою компанією. Вони також можуть аналізувати та розуміти блоки тексту в неструктурованих документах. Коли рішення дізнається більше про сам документ, воно може почати отримувати відповідну інформацію на основі наміру та значення.
- Краще вилучення та класифікація даних: Вилучення даних є основою розуміння документів. Як обговорювалося в попередньому розділі про інтеграцію RPA з OCR на цьому кроці, виберіть метод вилучення даних на основі типу документа. За допомогою RPA ми можемо легко налаштувати, який екстрактор використовувати, чи то на основі правил, чи на основі ML, чи на основі гібридної моделі OCR. На основі показників надійності та продуктивності, які повертаються після вилучення інформації, програмні роботи збережуть їх у бажаному форматі для подальшого аналізу. Нижче наведено зображення того, як ми можемо налаштувати екстрактори та встановити рівень надійності в інструменті RPA за допомогою UIPath.
6. Перевірка та розширення можливостей Insights: моделі оптичного розпізнавання символів і машинного навчання не є стовідсотково точними з точки зору вилучення інформації, тому додавання рівня людського втручання за допомогою роботів може вирішити проблему. Принцип роботи цієї перевірки полягає в тому, що щоразу, коли роботи мають справу з низькою точністю та винятками, вони негайно надсилають сповіщення до центру дій, де працівник може отримати запит на перевірку даних або обробку винятків і може вирішити будь-які невизначеності за кілька кліків. Крім того, ми можемо розкрити потенціал штучного інтелекту для документування даних з часом, щоб робити прогнози та виявляти потенційні аномалії, які можуть вказувати на шахрайство, дублювання та інші помилки.
Переваги інтеграції роботів із розумінням документів
- Автоматизувати процес: Основною причиною інтеграції ботів для розуміння документів є автоматизація всього процесу від початку до кінця. Все, що нам потрібно зробити, це створити робочий процес, щоб боти могли навчатися, сидіти склавши руки та відпочивати. Під час процесу перевірки нам може знадобитися вирішити проблеми, про які повідомляють боти, коли виявлено будь-які помилки чи шахрайство.
- Боти з машинним навчанням: У процесі автоматизації ми можемо зробити ботів стійкими до машинного навчання. Це означає, що роботи також можуть вивчати, як працюють моделі машинного навчання, і таким чином вдосконалювати моделі для досягнення більшої точності та продуктивності для вилучення тексту та інформації з документів.
- Процес Широкий спектр обробки документів: Для загальних завдань, таких як вилучення таблиць і інформації, нам доведеться створити різні конвеєри глибокого навчання для різних типів документів. Це призводить до створення кількох додатків і розгортання різних моделей на різних серверах, що вимагає багато зусиль і часу. Коли боти представлені для широкого діапазону документів, ми можемо мати лише один конвеєр, у якому боти можуть їх класифікувати, а потім використовувати відповідну модель для різних завдань. Ми також можемо інтегрувати різні служби через API та спілкуватися з іншими організаціями щодо отримання даних.
- Легко розгорнути: Для розуміння документа після створення конвеєрів процес розгортання займає лише хвилину. Ми можемо або експортувати API ботами після навчання, або створити спеціальне рішення RPA, яке можна використовувати в наших локальних системах. Цей тип розгортання також може оптимізувати підприємства та може зменшити витрати з мінімальними ризиками.
Введіть Нанонець
NanoNets — це платформа машинного навчання, яка дозволяє користувачам отримувати дані з рахунки, квитанції та інші документи без налаштування шаблону. Ми маємо найсучасніші алгоритми глибокого навчання та комп’ютерного зору, які працюють позаду, і можуть виконувати будь-які завдання розуміння документів, як-от оптичне розпізнавання символів, вилучення таблиці, вилучення пар ключ-значення. Зазвичай вони експортуються як API або можуть бути розгорнуті локально на основі різних випадків використання. Ось кілька прикладів,
- Модель рахунку: визначте ключові поля з Рахунки наприклад ім’я покупця, ідентифікатор рахунку-фактури, дата, сума тощо.
- Модель квитанцій: визначте ключові поля з квитанцій, як-от ім’я продавця, номер, дата, сума тощо.
- Водійські права (США): визначте ключові поля, такі як номер ліцензії, дата народження, дата закінчення терміну дії, дата видачі тощо.
- Резюме: інформація про досвід, освіту, навички, інформацію про кандидата тощо.
Щоб зробити ці робочі процеси швидшими та надійнішими, ми використовуємо UiPath, інструмент RPA для безперебійної автоматизації ваших документів без будь-яких шаблонів. У наступному розділі ми розглянемо, як можна використовувати UiPath Connect із Nanonets для розуміння документів. 3 найбільшими гравцями на ринку RPA є UiPath, Automation Anywhere та Блакитна Призма. Цей блог присвячений Uipath.
NanoNets з UiPath
У попередніх розділах ми навчилися створювати конвеєр розуміння документів. Це вимагає базових знань OCR, RPA та машинного навчання, оскільки існують різні підходи та алгоритми для різних завдань у різних точках. Крім того, нам доводиться докладати багато зусиль для створення нейронних мереж, які розуміють наші шаблони, навчання та їх розгортання. Отже, щоб бути зручним і автоматизувати все, починаючи від завантаження документів, їх класифікації, створення OCR, інтеграції моделей ML, ми в Nanonets працюємо над Ui Path, щоб створити безперебійний конвеєр для розуміння документів. Нижче показано, як це працює.
Тепер давайте розглянемо кожен із них і дізнаємося, як ми можемо інтегрувати Nanonets з UiPath.
Крок 1: зареєструйтеся на UiPath і завантажте UiPath Studio
Щоб створити робочий процес, спочатку нам потрібно створити обліковий запис в UiPath. Якщо ви вже є користувачем, ви можете безпосередньо увійти до свого облікового запису, переспрямувавши інформаційну панель UiPath. Далі вам потрібно буде завантажити та встановити безкоштовну програму UiPath Studio (Community Edition).
Крок 2. Завантажте компонент Nanonets
Далі, щоб налаштувати свій конвеєр обробки рахунків-фактур, вам доведеться завантажити Nanonets Connector за посиланням нижче.
-> NanoNets OCR – компонент RPA
Нижче наведено знімок екрана UiPath Marketplace і Nanonets Component. Крім того, щоб завантажити це, переконайтеся, що ви ввійшли в UiPath з операційної системи Windows.
Ваші завантажені файли мають містити файли, перелічені нижче,
UiPath OCR Predict ├── Main.xaml
└── project.json
Крок 3. Відкрийте файл Main.xaml Nanonets Component
Щоб перевірити, чи працює Nanonets UiPath, ви можете відкрити свій файл Main.xml із завантаженого компонента Nanonets за допомогою Ui Path Studio. Тоді ви побачите свій конвеєр, уже створений для обробки документів.
Крок 4. Зберіть ідентифікатор моделі, ключ API та кінцеву точку API з програми Nanonets
Далі ви можете використати будь-яку навчену модель OCR із програми Nanonets APP і зібрати ідентифікатор моделі, ключ API та кінцеву точку. Нижче наведено додаткові відомості, щоб ви могли їх швидко знайти.
ID моделі: Увійдіть у свій обліковий запис Nanonets і перейдіть до «Мої моделі». Ви можете навчити нову модель або скопіювати ідентифікатор програми існуючої моделі.
Кінцева точка API: Ви можете вибрати будь-яку існуючу модель і натиснути «Інтегрувати», щоб знайти свою кінцеву точку API. Нижче наведено приклад того, як виглядають ваші кінцеві точки.
https://app.nanonets.com/api/v2/OCR/Model/XXXXXXX-4840-4c27-8940-d3add200779e/LabelUrls/
3. Ключ API: перейдіть на вкладку Ключ API, і ви можете скопіювати будь-який існуючий ключ API або створити новий.
Крок 5: додайте HTTP-запит, щоб отримати ваш метод і змінні до UI Path
Тепер, щоб інтегрувати вашу модель із Nanonets у шлях інтерфейсу користувача, вам потрібно буде спочатку клацнути HTTP-запит і додати кінцеву точку, яку можна знайти на панелі навігації ліворуч у розділі Input. Нижче наведено скріншот.
Пізніше додайте всі свої змінні, щоб встановити з’єднання від студії UiPath до API Nanonets. Ви можете знайти цей розділ на нижній панелі на вкладці «Змінні». Нижче наведено знімок екрана, тут вам потрібно буде оновити/скопіювати ключ API, кінцеву точку та ідентифікатор моделі вашої моделі.
Крок 6: Додайте розташування файлу для передбачень
Нарешті, ви можете додати місце розташування файлу на вкладці атрибутів, як показано на знімку екрана нижче, і натиснути кнопку відтворення на верхній панелі навігації, щоб передбачити результати.
Вуаля! Ось наші результати для документа, який ми запитували на знімку екрана нижче. Щоб обробити більше, ви можете просто додати розташування файлів і натиснути кнопку запуску.
Крок 7 – Надішліть вихідні дані в CSV / ERP
Нарешті, щоб налаштувати наш вихід у бажаний формат, ми можемо додати нові блоки до вашого конвеєра у файлі Main.XML. Ми також можемо вставити це в будь-яку існуючу ERP-систему за допомогою офлайн-файлів або викликів API.
Щоб отримати допомогу, зв’яжіться з нами за адресою support@nanonets.com
Вебінар
Приєднуйтесь до нас на вебінарі наступного вівторка з OCR з RPA, зареєструйтеся тут.
посилання
[2] Розуміння документів – обробка документів AI
[3] RPA OCR – підвищення автоматизації процесів | КРАСИВО
[4] Як використовувати ШІ для оптимізації розуміння документів
[5] https://www.uipath.com/product/document-understanding
[6] Використання NanoNets у робочому процесі UiPath для OCR рахунків-фактур
Подальше читання
Вас можуть зацікавити наші останні публікації на тему:
Оновлення:
Додано більше матеріалів для читання про використання та вплив OCR, RPA на розуміння документів.
Джерело: https://nanonets.com/blog/ocr-with-rpa-and-document-understanding-uipath/
- '
- &
- 000
- 2021
- 7
- рахунки
- бухгалтерський облік
- дію
- Перевага
- AI
- алгоритм
- алгоритми
- ВСІ
- аналіз
- API
- Інтерфейси
- додаток
- додаток
- застосування
- Art
- штучний інтелект
- Штучний інтелект (AI)
- Штучний інтелект і машинне навчання
- Автоматизація
- автоматизація в будь-якому місці
- КРАЩЕ
- найбільший
- Блог
- Бот
- боти
- будувати
- Створюємо
- бізнес
- камери
- випадків
- Викликати
- викликаний
- розпізнавання символів
- класифікація
- хмара
- Хмарна платформа
- код
- пізнавальний
- Збір
- коментарі
- загальний
- співтовариство
- Компанії
- компонент
- Комп'ютерне бачення
- довіра
- зміст
- Виправлення
- витрати
- приладова панель
- дані
- управління даними
- угода
- глибоке навчання
- Розробник
- розробників
- прилади
- цифровий
- документація
- Ухилення
- водіння
- Освіта
- ефективність
- співробітників
- Кінцева точка
- підприємство
- і т.д.
- витяг даних
- видобуток
- особливість
- риси
- Поля
- в кінці кінців
- фінансування
- Перший
- Сфокусувати
- форма
- формат
- шахрайство
- Безкоштовна
- майбутнє
- Gartner
- Загальне
- GIF
- добре
- керівництво
- Обробка
- головні болі
- тут
- Високий
- Як
- How To
- HTTPS
- величезний
- Людей
- гібрид
- ідентифікувати
- зображення
- Impact
- Augmenter
- інформація
- інформація
- вилучення інформації
- Інтелект
- намір
- питання
- IT
- ключ
- знання
- ЗСК
- мова
- останній
- вести
- провідний
- УЧИТЬСЯ
- вчений
- вивчення
- рівень
- Важіль
- ліцензія
- обмеженою
- LINK
- місцевий
- розташування
- навчання за допомогою машини
- управління
- ринок
- ринку
- матч
- вимір
- Купець
- Метрика
- Microsoft
- ML
- модель
- кіно
- Природна мова
- Обробка природних мов
- навігація
- мереж
- Нейронний
- нейронні мережі
- nlp
- сповіщення
- номера
- OCR
- відкрити
- операційний
- операційна система
- операції
- оптичне розпізнавання символів
- порядок
- Інше
- інші
- паспорт
- продуктивність
- картина
- платформа
- популярний
- Пости
- влада
- Точність
- Прогнози
- Автоматизація процесів
- програми
- проект
- якість
- піднімається
- діапазон
- RE
- читання
- зменшити
- результати
- огляд
- робот
- Роботизована автоматизація процесів
- робототехніка
- роботи
- рпа
- Правила
- прогін
- біг
- живиця
- економія
- шкала
- сканування
- вишкрібання
- Екран
- безшовні
- Продавці
- Серія
- Послуги
- комплект
- простий
- So
- Софтвер
- Програмні боти
- Рішення
- ВИРІШИТИ
- витрачати
- старт
- стан
- Вивчення
- підтримка
- система
- Systems
- вилучення столу
- Технології
- Технологія
- Майбутнє
- час
- топ
- Навчання
- ui
- UiPath
- Оновити
- us
- USA
- випадки використання
- користувачі
- значення
- Проти
- бачення
- Web
- webinar
- веб-сайти
- ВООЗ
- windows
- в
- Work
- робочий
- працює
- XML
- рік
- YouTube