Amazontext ist ein Dienst für maschinelles Lernen (ML), der automatisch Text, Handschrift und Daten aus gescannten Dokumenten extrahiert. Abfragen ist eine Funktion, die es Ihnen ermöglicht, bestimmte Informationen aus unterschiedlichen, komplexen Dokumenten mithilfe natürlicher Sprache zu extrahieren. Benutzerdefinierte Abfragen bietet Ihnen die Möglichkeit, die Abfragefunktion für Ihre unternehmensspezifischen, nicht standardmäßigen Dokumente wie Autokreditverträge, Schecks und Gehaltsabrechnungen im Self-Service-Verfahren anzupassen. Indem Sie die Funktion so anpassen, dass sie die einzigartigen Begriffe, Strukturen und Schlüsselinformationen dieser Dokumenttypen erkennt, können Sie Ihre nachgelagerten Verarbeitungsanforderungen mit größerer Präzision und minimalem menschlichen Eingriff erfüllen. Custom Queries lässt sich einfach in Ihre bestehende Textract-Pipeline integrieren und Sie profitieren weiterhin von den vollständig verwalteten intelligenten Dokumentverarbeitungsfunktionen von Amazon Textract, ohne in ML-Expertise oder Infrastrukturmanagement investieren zu müssen.
In diesem Beitrag zeigen wir, wie benutzerdefinierte Abfragen Daten aus Schecks, bei denen es sich um komplexe, nicht standardmäßige Dokumente handelt, genau extrahieren können. Darüber hinaus besprechen wir die Vorteile benutzerdefinierter Abfragen und teilen Best Practices für die effektive Nutzung dieser Funktion.
Lösungsüberblick
Wenn Sie mit einem neuen Anwendungsfall beginnen, können Sie die Leistung von Textract Queries bei Ihren Dokumenten bewerten, indem Sie zu navigieren Textract-Konsole und mit der Analyze Document Demo oder dem Bulk Document Uploader. Beziehen auf Best Practices für Abfragen um für Ihren Anwendungsfall anwendbare Abfragen zu entwerfen. Wenn Sie aufgrund der Art Ihrer Geschäftsdokumente Fehler in den Abfrageantworten feststellen, können Sie benutzerdefinierte Abfragen verwenden, um die Genauigkeit zu verbessern. Innerhalb weniger Stunden können Sie Ihre Beispieldokumente mit Anmerkungen versehen AWS-Managementkonsole und trainiere ein Adapter. Adapter sind Komponenten, die sich in das vorab trainierte Deep-Learning-Modell von Amazon Textract einbinden lassen und dessen Ausgabe basierend auf Ihren mit Anmerkungen versehenen Dokumenten anpassen. Sie können den Adapter für Rückschlüsse verwenden, indem Sie die Adapter-ID als zusätzlichen Parameter an übergeben Analysieren Sie Dokumentabfragen API-Anfrage.
Lassen Sie uns untersuchen, wie Benutzerdefinierte Abfragen kann die Extraktionsgenauigkeit in einem anspruchsvollen realen Szenario wie der Extraktion von Daten aus Schecks verbessern. Die größte Herausforderung bei der Verarbeitung von Schecks ergibt sich aus der hohen Variationsbreite je nach Art (z. B. persönliche Schecks oder Bankschecks), Finanzinstitut und Land (z. B. MICR-Zeilenformat). . Diese Variationen können die Platzierung des Namens des Zahlungsempfängers, den Betrag in Zahlen und Wörtern, das Datum und die Unterschrift umfassen. Das Erkennen und Anpassen dieser Variationen kann bei der Datenextraktion eine komplexe Aufgabe sein. Um die Datenextraktion zu verbessern, setzen Unternehmen häufig manuelle Verifizierungs- und Validierungsprozesse ein, was die Kosten und die Zeit des Extraktionsprozesses erhöht.
Benutzerdefinierte Abfragen begegnen diesen Herausforderungen, indem sie es Ihnen ermöglichen, die vorab trainierten Abfragefunktionen für die verschiedenen Prüfvarianten anzupassen. Durch die Anpassung der vorab trainierten Funktion können Sie eine hohe Datenextraktionsgenauigkeit für die spezifische Vielfalt der von Ihnen verarbeiteten Layouts erreichen.
In unserem Anwendungsfall möchte ein Finanzinstitut die folgenden Felder aus einem Scheck extrahieren: Name des Zahlungsempfängers, Name des Zahlers, Kontonummer, Bankleitzahl, Zahlungsbetrag (in Zahlen), Zahlungsbetrag (in Worten), Schecknummer, Datum und Memo.
Lassen Sie uns den Prozess der Generierung eines Adapters (Komponente, die die Ausgabe anpasst) für die Scheckverarbeitung untersuchen. Adapter können über die Konsole oder programmgesteuert über die API erstellt werden. In diesem Beitrag wird das Konsolenerlebnis detailliert beschrieben. Wenn Sie den Adapter jedoch programmgesteuert erstellen möchten, sehen Sie sich die Codebeispiele im an custom-queries-checks-blog.ipynb Jupyter-Notizbuch (Option 2).
Der Adaptergenerierungsprozess umfasst fünf übergeordnete Schritte: Erstellen eines Adapters, Hochladen von Beispieldokumenten, Kommentieren der Dokumente, Trainieren des Adapters und Auswerten von Leistungsmetriken.
Erstellen Sie einen Adapter
Erstellen Sie in der Amazon Textract-Konsole einen neuen Adapter, indem Sie einen Namen, eine Beschreibung und optionale Tags angeben, die Ihnen bei der Identifizierung des Adapters helfen können. Sie haben die Möglichkeit, automatische Updates zu aktivieren, sodass Amazon Textract Ihren Adapter aktualisieren kann, wenn die zugrunde liegende Abfragefunktion mit neuen Funktionen aktualisiert wird.
Nachdem der Adapter erstellt wurde, wird eine Adapterdetailseite mit einer Liste der Schritte angezeigt So funktioniert's Abschnitt. In diesem Abschnitt werden Ihre nächsten Schritte aktiviert, wenn Sie sie nacheinander ausführen.
Laden Sie Beispieldokumente hoch
Die erste Phase der Adaptergenerierung umfasst die sorgfältige Auswahl eines geeigneten Satzes von Beispieldokumenten für Anmerkungen, Schulungen und Tests. Wir haben die Möglichkeit, die Dokumente automatisch in Test- und Trainingsdatensätze aufzuteilen. Für diesen Prozess teilen wir den Datensatz jedoch manuell auf.
Es ist wichtig zu beachten, dass Sie einen Adapter mit nur fünf Test- und fünf Trainingsbeispielen erstellen können. Es muss jedoch unbedingt sichergestellt werden, dass dieser Beispielsatz vielfältig und repräsentativ für die in einer Produktionsumgebung auftretende Arbeitslast ist.
Für dieses Tutorial haben wir Beispieldatensätze zur Überprüfung zusammengestellt, die Sie verwenden können herunterladen. Unser Datensatz umfasst Variationen wie persönliche Schecks, Bankschecks, Konjunkturschecks und in Gehaltsabrechnungen eingebettete Schecks. Wir haben auch handschriftliche und gedruckte Schecks beigefügt; zusammen mit Variationen in Feldern wie der Notizzeile.
Kommentieren Sie Beispieldokumente
Im nächsten Schritt kommentieren Sie die Beispieldokumente, indem Sie über die Konsole Abfragen mit den entsprechenden Antworten verknüpfen. Sie können Anmerkungen über die automatische oder manuelle Beschriftung einleiten. Bei der automatischen Beschriftung werden Amazon Textract-Abfragen verwendet, um den Datensatz vorab zu kennzeichnen. Wir empfehlen die Verwendung der automatischen Beschriftung, um den Anmerkungsprozess zu beschleunigen.
Für diesen Anwendungsfall der Scheckverarbeitung verwenden wir die folgenden Abfragen. Wenn Ihr Anwendungsfall andere Dokumenttypen umfasst, lesen Sie weiter Best Practices für Abfragen um für Ihren Anwendungsfall anwendbare Abfragen zu entwerfen.
- Wer ist der Zahlungsempfänger?
- Was ist die Schecknummer?
- Wie lautet die Adresse des Zahlungsempfängers?
- Was ist das Datum?
- Wie lautet die Kontonummer?
- Wie hoch ist der Scheckbetrag in Worten?
- Wie lautet der Name des Kontos/Zahlers/Zahlers?
- Wie hoch ist der Dollarbetrag?
- Wie lautet der Name der Bank/des Bezogenen?
- Wie lautet die Bankleitzahl?
- Was ist die MICR-Linie?
- Was ist das Memo?
Wenn der Prozess der automatischen Beschriftung abgeschlossen ist, haben Sie die Möglichkeit, die für jedes Dokument bereitgestellten Antworten zu überprüfen und zu bearbeiten. Wählen Beginnen Sie mit der Überprüfung um die Anmerkungen zu jedem Bild zu überprüfen.
Wenn die Antwort auf eine Abfrage fehlt oder falsch ist, können Sie die Antwort hinzufügen oder bearbeiten, indem Sie entweder einen Begrenzungsrahmen zeichnen oder die Antwort manuell eingeben.
Um Ihren Rundgang zu beschleunigen, haben wir die Prüfbeispiele vorab mit Anmerkungen versehen, damit Sie sie in Ihr AWS-Konto kopieren können. Führen Sie das aus custom-queries-checks-blog.ipynb Jupyter-Notizbuch innerhalb der Amazon Textract-Codebeispiele Bibliothek, um Ihre Anmerkungen automatisch zu aktualisieren.
Trainieren Sie den Adapter
Nachdem Sie alle Beispieldokumente überprüft haben, um die Richtigkeit der Anmerkungen sicherzustellen, können Sie mit dem Adapterschulungsprozess beginnen. In diesem Schritt müssen Sie einen Speicherort angeben, an dem der Adapter gespeichert werden soll. Die Dauer des Trainingsprozesses hängt von der Größe des für das Training verwendeten Datensatzes ab. Die Trainings-API kann auch programmgesteuert aufgerufen werden, wenn Sie ein Annotationstool Ihrer Wahl verwenden und die relevanten Eingabedateien an die API übergeben. Beziehen auf Benutzerdefinierte Abfragen für weitere Informationen an.
Bewerten Sie Leistungskennzahlen
Nachdem der Adapter das Training abgeschlossen hat, können Sie seine Leistung bewerten, indem Sie Bewertungsmetriken untersuchen, z F1-Punktzahl, Präzision und Erinnerung. Sie können diese Metriken entweder kollektiv oder pro Dokument analysieren. Anhand unseres Beispielprüfdatensatzes werden Sie feststellen, dass sich die Genauigkeitsmetrik (F1-Score) mit dem trainierten Adapter von 68 % auf 92 % verbessert.
Darüber hinaus können Sie die Ausgabe des Adapters an neuen Dokumenten testen, indem Sie wählen Versuchen Sie es mit dem Adapter.
Nach der Auswertung können Sie die Leistung des Adapters verbessern, indem Sie entweder zusätzliche Beispieldokumente in den Trainingsdatensatz integrieren oder Dokumente mit Werten, die unter Ihrem Schwellenwert liegen, erneut mit Anmerkungen versehen. Um Dokumente erneut mit Anmerkungen zu versehen, wählen Sie Dokumente überprüfen Wählen Sie auf der Seite mit den Adapterdetails das Dokument aus und wählen Sie Überprüfen Sie Anmerkungen.
Testen Sie den Adapter programmgesteuert
Nach erfolgreich abgeschlossener Schulung können Sie den Adapter nun in Ihrem verwenden Dokument analysieren API-Aufrufe. Die API-Anfrage ähnelt der API-Anfrage von Amazon Textract Queries, mit dem Zusatz „ AdaptersConfig
Objekt.
Sie können den folgenden Beispielcode ausführen oder ihn direkt im ausführen custom-queries-checks-blog.ipynb Jupyter-Notizbuch. Das Beispielnotizbuch stellt außerdem Code zum Vergleichen der Ergebnisse zwischen Amazon Textract-Abfragen und benutzerdefinierten Amazon Textract-Abfragen bereit.
Erstellen Sie ein AdaptersConfig Objekt mit der Adapter-ID und der Adapterversion und optional die Seiten, auf die der Adapter angewendet werden soll:
Erstellen Sie QueriesConfig
Objekt mit den Abfragen, mit denen Sie den Adapter trainiert haben, und rufen Sie die Amazon Textract-API auf. Beachten Sie, dass Sie auch zusätzliche Abfragen einschließen können, für die der Adapter nicht trainiert wurde. Amazon Textract verwendet für diese Fragen automatisch die Abfragefunktion und nicht benutzerdefinierte Abfragen, sodass Sie die Flexibilität haben, benutzerdefinierte Abfragen nur dort zu verwenden, wo sie benötigt werden.
Abschließend stellen wir unsere Ergebnisse zur besseren Lesbarkeit tabellarisch dar:
Aufräumen
Führen Sie die folgenden Schritte aus, um Ihre Ressourcen zu bereinigen:
- Wählen Sie in der Amazon Textract-Konsole Benutzerdefinierte Abfragen im Navigationsbereich.
- Wählen Sie den Adapter aus, den Sie löschen möchten.
- Auswählen Löschen.
Adapterverwaltung
Sie können Ihre Adapter regelmäßig verbessern, indem Sie neue Versionen eines zuvor generierten Adapters erstellen. Um eine neue Version eines Adapters zu erstellen, fügen Sie neue Beispieldokumente zu einem vorhandenen Adapter hinzu, kennzeichnen die Dokumente und führen ein Training durch. Sie können mehrere Versionen eines Adapters gleichzeitig zur Verwendung in Ihren Entwicklungspipelines verwalten. Um Ihre Adapter nahtlos zu aktualisieren, nehmen Sie keine Änderungen an Ihren vor und löschen Sie diese nicht Amazon Simple Storage-Service (Amazon S3)-Bucket, in dem die für die Adaptergenerierung erforderlichen Dateien gespeichert werden.
Best Practices
Informationen zur Verwendung benutzerdefinierter Abfragen für Ihre Dokumente finden Sie unter Best Practices für benutzerdefinierte Amazon Textract-Abfragen Weitere Überlegungen und Best Practices finden Sie hier.
Vorteile benutzerdefinierter Abfragen
Benutzerdefinierte Abfragen bieten die folgenden Vorteile:
- Verbessertes Dokumentenverständnis – Durch die Fähigkeit, Daten mit hoher Genauigkeit zu extrahieren und zu normalisieren, reduziert Custom Queries die Abhängigkeit von manuellen Überprüfungen und Audits und ermöglicht Ihnen den Aufbau einer zuverlässigeren Automatisierung Ihrer intelligenten Dokumentenverarbeitungs-Workflows.
- Schnellere Wertschöpfung – Wenn Sie auf neue Dokumenttypen stoßen, bei denen Sie eine höhere Genauigkeit benötigen, können Sie mithilfe benutzerdefinierter Abfragen innerhalb weniger Stunden einen Adapter im Self-Service-Verfahren generieren. Sie müssen nicht auf eine vorab trainierte Modellaktualisierung warten, wenn Sie in Ihrem Workflow auf neue Dokumenttypen oder Variationen bestehender Dokumenttypen stoßen. Sie haben die vollständige Kontrolle über Ihre Pipeline und sind nicht auf Amazon Textract angewiesen, um Ihre neuen Dokumenttypen zu unterstützen.
- Datenschutz – Custom Queries speichert oder verwendet die bei der Generierung von Adaptern verwendeten Daten nicht, um unsere allgemeinen vorab trainierten Modelle zu verbessern, die allen Kunden zur Verfügung stehen. Der Adapter ist auf das Konto des Kunden oder andere vom Kunden ausdrücklich benannte Konten beschränkt und stellt sicher, dass nur diese Konten auf die mithilfe der Kundendaten vorgenommenen Verbesserungen zugreifen können.
- Verbraucherfreundlichkeit –Benutzerdefinierte Abfragen bieten eine vollständig verwaltete Inferenzerfahrung ähnlich wie Abfragen. Die Adapterschulung ist kostenlos und Sie zahlen nur für die Inferenz. Durch benutzerdefinierte Abfragen sparen Sie den Aufwand und die Kosten für die Schulung und den Betrieb benutzerdefinierter Modelle.
Zusammenfassung
In diesem Beitrag haben wir die Vorteile benutzerdefinierter Abfragen besprochen, gezeigt, wie benutzerdefinierte Abfragen Daten aus Prüfungen genau extrahieren können, und Best Practices für die effektive Nutzung dieser Funktion vorgestellt. In nur wenigen Stunden können Sie über die Konsole einen Adapter erstellen und ihn in der AnalyzeDocument-API für Ihre Datenextraktionsanforderungen verwenden. Weitere Informationen finden Sie unter Benutzerdefinierte Abfragen.
Über die Autoren
Schibin Michaelraj ist Senior Product Manager im Amazon Textract-Team. Sein Schwerpunkt liegt auf der Entwicklung AI/ML-basierter Produkte für AWS-Kunden. Er freut sich darauf, Kunden bei der Lösung ihrer komplexen Geschäftsherausforderungen durch den Einsatz von KI- und ML-Technologien zu unterstützen. In seiner Freizeit läuft er gerne, hört sich Podcasts an und verfeinert seine Amateur-Tennisfähigkeiten.
Keith Mascarenhas ist Sr. Solutions Architect im Amazon Textract-Serviceteam. Seine Leidenschaft gilt der Lösung von Geschäftsproblemen im großen Maßstab mithilfe von maschinellem Lernen und er hilft derzeit unseren weltweiten Kunden dabei, ihre Dokumentenverarbeitung zu automatisieren, um eine schnellere Markteinführung bei reduzierten Betriebskosten zu erreichen.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/customize-amazon-textract-with-business-specific-documents-using-custom-queries/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 10
- 100
- 17
- 36
- 7
- a
- Fähigkeit
- Über Uns
- beschleunigen
- Zugang
- Konto
- Trading Konten
- Genauigkeit
- genau
- Erreichen
- sich anpassen
- hinzufügen
- Zusatz
- Zusätzliche
- Adresse
- Adressen
- gegen
- AI
- Alle
- erlaubt
- entlang
- ebenfalls
- Amateur
- Amazon
- Amazontext
- Amazon Web Services
- Betrag
- an
- analysieren
- und
- Antworten
- Bienen
- anwendbar
- angewandt
- angemessen
- SIND
- AS
- beurteilen
- At
- Audits
- Auto
- automatisieren
- automatische
- Im Prinzip so, wie Sie es von Google Maps kennen.
- Automation
- verfügbar
- AWS
- Bank
- basierend
- Grundlage
- BE
- war
- beginnen
- Nutzen
- Vorteile
- BESTE
- Best Practices
- Besser
- zwischen
- Box
- bauen
- Building
- Geschäft
- aber
- by
- rufen Sie uns an!
- Aufrufe
- CAN
- Fähigkeiten
- vorsichtig
- Häuser
- challenges
- Herausforderungen
- herausfordernd
- Änderungen
- aus der Ferne überprüfen
- Schecks
- Wahl
- Auswählen
- Auswahl
- reinigen
- Code
- gemeinsam
- vergleichen
- abschließen
- Abgeschlossene Verkäufe
- Komplex
- Komponente
- Komponenten
- Überlegungen
- Konsul (Console)
- konstruieren
- fortsetzen
- Verträge
- Smartgeräte App
- Dazugehörigen
- Kosten
- Kosten
- Land
- erstellen
- erstellt
- Erstellen
- kuratiert
- Zur Zeit
- Original
- Kunde
- Kunden
- Anpassung
- anpassen
- technische Daten
- Datensätze
- Datum
- tief
- tiefe Lernen
- Grad
- Demo
- Abhängig
- Beschreibung
- bezeichnet
- Details
- Entwicklung
- anders
- Direkt
- diskutieren
- diskutiert
- verschieden
- do
- Dokument
- Unterlagen
- die
- Dollar
- Nicht
- Lüftung
- Zeichnung
- zwei
- Dauer
- im
- e
- jeder
- Einfache
- effektiv
- entweder
- eingebettet
- beschäftigt
- ermöglichen
- ermöglicht
- ermöglichen
- zu steigern,
- gewährleisten
- Gewährleistung
- Eingabe
- Arbeitsumfeld
- Fehler
- essential
- bewerten
- Auswertung
- untersuchen
- Untersuchen
- aufgeregt
- vorhandenen
- Kosten
- ERFAHRUNGEN
- Expertise
- explizit
- ERKUNDEN
- Extrakt
- Extraktion
- KONZENTRAT
- f1
- beschleunigt
- Merkmal
- Eigenschaften
- wenige
- Felder
- Mappen
- Revolution
- Finanzinstitut
- fünf
- Flexibilität
- konzentriert
- Folgende
- Aussichten für
- Format
- Frei
- für
- voll
- Allgemeines
- erzeugen
- erzeugt
- Erzeugung
- Generation
- GitHub
- mehr
- Haben
- mit
- he
- Hilfe
- Unternehmen
- hilft
- GUTE
- High-Level
- höher
- seine
- STUNDEN
- Ultraschall
- aber
- HTML
- http
- HTTPS
- human
- ID
- Kennzeichnung
- identifizieren
- if
- Image
- importieren
- wichtig
- zu unterstützen,
- Verbesserungen
- in
- das
- inklusive
- Dazu gehören
- einarbeiten
- Steigert
- Information
- Infrastruktur
- Anfangs-
- initiieren
- Varianten des Eingangssignals:
- installieren
- Institution
- integrieren
- Intelligent
- Intelligente Dokumentenverarbeitung
- Intervention
- in
- Investieren
- aufgerufen
- IT
- SEINE
- jpg
- nur
- Wesentliche
- Label
- Beschriftung
- Sprache
- lernen
- Darlehen
- Nutzung
- Bibliothek
- Gefällt mir
- Limitiert
- Line
- Liste
- Standorte
- senken
- Maschine
- Maschinelles Lernen
- gemacht
- halten
- um
- verwaltet
- Management
- Manager
- Weise
- manuell
- manuell
- Markt
- Triff
- Memo
- Metrisch
- Metrik
- minimal
- Kommt demnächst...
- ML
- Modell
- für
- mehr
- mehrere
- Name
- Natürliche
- Natur
- navigieren
- Menü
- Need
- erforderlich
- Bedürfnisse
- Neu
- weiter
- Notizbuch
- jetzt an
- Anzahl
- Zahlen
- Objekt
- of
- Angebote
- vorgenommen,
- on
- Einsen
- einzige
- die
- Betriebs-
- Option
- or
- Organisationen
- Andere
- UNSERE
- Möglichkeiten für das Ausgangssignal:
- übrig
- besitzen
- Seite
- Seiten
- Brot
- Parameter
- passieren
- Bestehen
- leidenschaftlich
- AUFMERKSAMKEIT
- Zahlung
- Ausführen
- Leistung
- führt
- persönliche
- Phase
- Stücke
- Pipeline
- Platzierung
- Plato
- Datenintelligenz von Plato
- PlatoData
- Stecker
- Podcasts
- Post
- Praktiken
- Präzision
- vorher
- primär
- Probleme
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkt
- Produkt-Manager
- Produktion
- Produkte
- vorausgesetzt
- bietet
- Bereitstellung
- Abfragen
- Fragen
- realen Welt
- erkennen
- erkennen
- empfehlen
- Reduziert
- reduziert
- siehe
- Verfeinerung
- regelmäßig
- relevant
- zuverlässig
- Vertrauen
- Vertreter
- Anforderung
- Downloads
- Antwort
- Antworten
- Die Ergebnisse
- behalten
- Überprüfen
- bewertet
- Bewertungen
- Routing
- Führen Sie
- Laufen
- Gerettet
- Skalieren
- Szenario
- Ergebnis
- nahtlos
- Abschnitt
- sehen
- Auswahl
- Selbstbedienung
- Lösungen
- kompensieren
- Teilen
- von Locals geführtes
- sollte
- erklären
- zeigte
- Stempel, Unterschrift
- ähnlich
- Einfacher
- gleichzeitig
- Größe
- Fähigkeiten
- Lösungen
- LÖSEN
- Auflösung
- spezifisch
- gespalten
- Beginnen Sie
- Aussagen
- Schritt
- Shritte
- Stimulus
- Stimulus-Checks
- Lagerung
- Strukturen
- Erfolgreich
- so
- Support
- Aufgabe
- Team
- Technologies
- AGB
- Test
- Testen
- Text
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- damit
- Diese
- fehlen uns die Worte.
- Schwelle
- Durch
- Zeit
- zu
- Werkzeug
- Training
- trainiert
- Ausbildung
- TRP
- Abstimmung
- Lernprogramm
- tippe
- Typen
- zugrunde liegen,
- einzigartiges
- Aktualisierung
- aktualisiert
- Updates
- -
- Anwendungsfall
- verwendet
- Verwendung von
- seit
- Verwendung
- Bestätigung
- Vielfalt
- Variieren
- Verification
- Version
- Versionen
- warten
- Walkthrough
- wollen
- will
- Weg..
- we
- Netz
- Web-Services
- Was
- Was ist
- wann
- welche
- WHO
- Wikipedia
- werden wir
- mit
- .
- ohne
- Worte
- Arbeitsablauf.
- Workflows
- Das weltweit
- Falsch
- Du
- Ihr
- Zephyrnet
- PLZ