¿Quiere extraer datos de formularios impresos o escritos a mano? Verificar Nanonetas™ extractor de datos de formulario ¡gratis y automatice la exportación de información desde cualquier formulario!
Las formas están en todas partes; se definen como documentos creados para recopilar información solicitando a los participantes que completen la información necesaria en un formato específico. Son útiles debido a su capacidad para recopilar una gran cantidad de datos en poco tiempo. Sin embargo, no todos los formularios tienen la misma capacidad de recogida de datos y muchas veces requieren un trabajo manual posterior. Por lo tanto, confiamos en herramientas y algoritmos para automatizar de manera inteligente el proceso de extracción de datos de formularios. Esta publicación de blog profundizará en diferentes escenarios y técnicas para extraer datos de formularios utilizando OCR y Deep Learning.
- ¿Qué es la extracción de datos de formulario?
- ¿Qué hace que el problema sea desafiante?
- La profundidad del problema de extracción de formularios
- ¿Cómo han evolucionado las soluciones de extracción de datos de formularios?
- Extracción de datos de formulario mediante OCR
- Resolver la extracción de datos de formularios mediante el aprendizaje profundo
- Introduzca nanonetas
¿Qué es la extracción de datos de formulario?
La extracción de datos de formularios es el proceso de extracción de datos de formularios, tanto en línea como fuera de línea. Estos datos se pueden encontrar en cualquier formato, normalmente conteniendo un formulario con la información relevante. Sin embargo, extraer estos datos no siempre es una tarea fácil porque muchos diseños y diseños no permiten que el texto se seleccione fácilmente. No hay una forma nativa de copiar datos de ellos. Por lo tanto, confiamos en técnicas automatizadas para ayudar a extraer datos de formularios que sean más efectivos y menos propensos a errores.
Por ejemplo, hoy en día, muchos usuarios dependen de formularios basados en PDF para recopilar información de contacto. Esta es una forma muy eficiente de recopilar información porque no requiere que el remitente y el destinatario proporcionen información. Pero extraer estos datos de un formulario PDF puede ser complicado y costoso.
Aquí, la extracción de datos del formulario puede ayudar a extraer datos de un formulario PDF, como el nombre, la dirección de correo electrónico, el número de teléfono, etc. Se puede importar a otra aplicación como Excel, Hojas de cálculo o cualquier otro formato estructurado. La forma en que funciona es que las herramientas de extracción leen el archivo PDF, extraen automáticamente lo que necesita y lo organizan en un formato fácil de leer. Estos datos se pueden exportar a otros formatos como Excel, CSV, JSON y otros formatos de datos bien estructurados. En la siguiente sección, veamos algunos de los desafíos que se encuentran con frecuencia al crear algoritmos de extracción de datos de formularios.
¿Quiere extraer datos de formularios impresos o escritos a mano? Echa un vistazo a las nanoredes™ extractor de datos de formulario gratis y automatice la exportación de información desde cualquier formulario.
¿Qué hace que la extracción de datos de formularios sea un desafío?
La extracción de datos es un problema emocionante por una variedad de razones. Por un lado, es un problema de reconocimiento de imágenes, pero también tiene que considerar el texto que puede estar presente en la imagen y el diseño del formulario, lo que hace que la construcción de un algoritmo sea más compleja. En esta sección se analizan algunos de los desafíos comunes a los que se enfrentan las personas al crear algoritmos de extracción de datos de formularios.
- Falta de datos: Los algoritmos de extracción de datos generalmente se crean utilizando potentes algoritmos basados en aprendizaje profundo y visión por computadora. Por lo general, se basan en grandes cantidades de datos para lograr un rendimiento de vanguardia. Por lo tanto, encontrar un conjunto de datos consistente y confiable y procesarlos es crucial para cualquier forma de herramienta o software de extracción de datos. Por ejemplo, digamos que tenemos formularios con múltiples plantillas, entonces estos algoritmos deberían poder comprender una amplia gama de formularios; por lo tanto, entrenarlos en un conjunto de datos sólido tendría un rendimiento más preciso.
- Manejo de fuentes, idiomas y diseños: Hay cantidades vertiginosas de diferentes tipos de letra, diseños y plantillas disponibles para diferentes tipos de datos de formulario. Pueden caer en varias clasificaciones completamente diferentes, lo que dificulta garantizar un reconocimiento preciso cuando hay una gran cantidad de tipos de caracteres diferentes a tener en cuenta. Por lo tanto, es importante limitar la colección de fuentes a un idioma y tipo en particular porque creará muchos procesos que fluirán sin problemas una vez que haya procesado adecuadamente esos documentos. En casos multilingües, es necesario estar preparado para hacer malabarismos entre caracteres de varios idiomas y también cuidar la tipografía compleja.
- Orientación y sesgo (rotación): Durante la curación de datos, a menudo escaneamos imágenes para entrenar algoritmos para la recopilación de datos de entrada. Si alguna vez ha utilizado un escáner o una cámara digital, es posible que haya notado que el ángulo en el que captura las imágenes de los documentos a veces puede hacer que aparezcan torcidos. Esto se conoce como sesgo, que se refiere al grado de ángulo. Esta asimetría puede reducir la precisión del modelo. Afortunadamente, se pueden usar varias técnicas para solucionar este problema simplemente modificando cómo nuestro software detecta características en regiones particulares de la imagen. Un ejemplo de tal técnica son los métodos de perfil de proyección o los métodos de transformación de Fourier, que permiten resultados mucho más claros en el reconocimiento de formas, dimensiones y texturas. Aunque la orientación y la asimetría pueden ser errores simples, estos pueden afectar la precisión del modelo en grandes cantidades.
- Seguridad de Datos: Si está extrayendo datos de varias fuentes para la recopilación de datos, es importante conocer las medidas de seguridad que existen. De lo contrario, corre el riesgo de comprometer la información que se transfiere. Esto puede dar lugar a situaciones en las que se viola la información personal o la información que se envía a una API no es segura. Por lo tanto, al trabajar con scripts ETL y API en línea para la extracción de datos, también se deben tener en cuenta los problemas de seguridad de los datos.
- Extracción de mesa: A veces, vemos datos de formularios dentro de tablas; construir un algoritmo robusto que pueda manejar tanto la extracción de formularios como la extracción de tablas puede ser un desafío. El enfoque habitual es construir estos algoritmos de forma independiente y aplicarlos a los datos, pero esto conducirá al uso de más poder de cómputo, lo que aumenta los costos. Por lo tanto, una extracción de formulario ideal debería poder extraer tanto datos de formulario como datos de un documento determinado.
- Procesamiento posterior / Salida de exportación: Los datos de salida de cualquier extracción de datos no son directos. Por lo tanto, los desarrolladores confían en las técnicas de procesamiento posterior para filtrar los resultados en un formato más estructurado. Después de procesar los datos, se exportan a un formato más estructurado, como CSV, Excel o una base de datos. Las organizaciones confían en integraciones de terceros o desarrollan API para automatizar este proceso, que nuevamente consume mucho tiempo. Por lo tanto, los algoritmos de extracción de datos ideales deben ser flexibles y fáciles de comunicar con fuentes de datos externas.
¿Quiere extraer datos de formularios impresos o escritos a mano? Echa un vistazo a las nanoredes™ extractor de datos de formulario gratis y automatice la exportación de información desde cualquier formulario.
Comprender la profundidad de la extracción de formularios con varios escenarios
Hasta ahora, hemos discutido los fundamentos y desafíos de la extracción de datos de formularios. En esta sección, profundizaremos en diferentes escenarios y comprenderemos la profundidad de la extracción de datos del formulario. También veremos cómo podemos automatizar el proceso de extracción para estos escenarios específicos.
Escenario #1: Reconocimiento escrito a mano para formularios fuera de línea
Los formularios sin conexión se encuentran comúnmente en la vida diaria. Es imperativo que los formularios sean fáciles de llenar y enviar. La digitalización manual de formularios fuera de línea puede ser una tarea frenética y costosa, por lo que se necesitan algoritmos de aprendizaje profundo. Los documentos escritos a mano son un gran desafío para extraer datos debido a la complejidad de los caracteres escritos a mano. Por lo tanto, se utilizan mucho los algoritmos de reconocimiento de datos mediante los cuales una máquina aprende a leer e interpretar el texto escrito a mano. El proceso implica escanear imágenes de palabras escritas a mano y convertirlas en datos que pueden ser procesados y analizados por un algoritmo. Luego, el algoritmo crea un mapa de caracteres basado en trazos y reconoce las letras correspondientes para extraer el texto.
Escenario n.º 2: identificación de casillas de verificación en formularios
Los formularios de casilla de verificación son una forma de entrada de datos utilizada para recopilar información de un usuario en un campo de entrada. Este tipo de datos generalmente se encuentra en listas y tablas que requieren que el usuario seleccione uno o más elementos, como los elementos que desea que se contacten. Se puede encontrar en cualquier número de lugares: formularios en línea, cuestionarios y encuestas, etc. Hoy en día, algunos algoritmos pueden automatizar el proceso de extracción de datos incluso desde las casillas de verificación. El objetivo principal de este algoritmo es identificar las regiones de entrada utilizando técnicas de visión artificial. Estos implican identificar líneas (horizontales y verticales), aplicar filtros, contornos y detectar bordes en las imágenes. Una vez que se identifica la región de entrada, es fácil extraer el contenido de la casilla de verificación que está marcado o sin marcar.
Escenario n.º 3: cambios de diseño del formulario de vez en cuando
Cuando se trata de completar formularios, normalmente hay dos tipos diferentes de opciones. Para algunos formularios, debemos proporcionar nuestra información escribiendo en todos los campos relevantes, mientras que para otros, podemos proporcionar la información seleccionando algunas casillas de verificación. El diseño del formulario también cambia según el tipo de formulario y su contexto. Por lo tanto, es esencial construir un algoritmo que pueda manejar múltiples documentos no estructurados y extraer contenido de manera inteligente según las etiquetas del formulario. Una técnica popular de arquitectura de aprendizaje profundo para manejar diseños de documentos es Graph CNNs. La idea detrás de Graph Convolutional Networks (GCN) es garantizar que las activaciones de las neuronas estén basadas en datos. Están diseñados para funcionar en gráficos, que se componen de nodos y aristas. Una capa convolucional gráfica es capaz de reconocer patrones en ausencia de una señal de entrenamiento específica de la tarea. Por lo tanto, estos son adecuados cuando los datos son robustos.
Escenario #4: Detección de celdas de tabla
En algunos casos, las empresas se encuentran con tipos especiales de formularios que consisten en celdas de tablas. Las celdas de la tabla son áreas rectangulares dentro de una tabla donde se almacenan los datos. Se pueden clasificar como encabezados, filas o columnas. Un algoritmo ideal debería identificar todos estos tipos de celdas y sus límites para extraer los datos de ellas. Algunas técnicas populares para la extracción de tablas incluyen Stream y Lattice; estos son algoritmos que pueden ayudar a detectar líneas, formas, polígonos usando operaciones isomórficas simples en imágenes.
¿Cómo han evolucionado las soluciones de extracción de datos de formularios?
La extracción de datos de formularios tiene sus orígenes en los días previos a la computadora cuando las personas manejaban formularios en papel. Con el advenimiento de la informática, se hizo posible almacenar datos electrónicamente. Los programas de computadora podrían usar los datos para crear informes, como estadísticas de ventas. Este software también podría usarse para imprimir etiquetas de correo, como el nombre y la dirección de los clientes, e imprimir facturas, como el monto adeudado y la dirección a la que debe enviarse. Sin embargo, hoy vemos una versión diferente del software de extracción de datos de formularios; estos son altamente precisos, más rápidos y entregan los datos de una manera altamente organizada y estructurada. Ahora, analicemos brevemente los diferentes tipos de técnicas de extracción de datos de formularios.
- Extracción de datos basada en reglas: La extracción basada en reglas es una técnica que extrae automáticamente datos de un formulario de plantilla en particular. Puede extraer datos sin intervención humana. Trabajan examinando diferentes campos en la página y decidiendo cuáles extraer en función del texto circundante, las etiquetas y otras pistas contextuales. Estos algoritmos generalmente se desarrollan y automatizan mediante scripts ETL o web scraping. Sin embargo, cuando se prueban con datos invisibles, fallan por completo.
- Extracción de datos de formulario mediante OCR: OCR es una solución de referencia para cualquier tipo de problema de extracción de datos. Sin embargo, se deben escribir scripts y programas adicionales para lograr un rendimiento preciso. Para que funcione OCR, requiere la entrada de una imagen con texto. Luego, el software lee cada píxel y compara cada píxel con su letra correspondiente. Si coincide, generará esa letra y cualquier número o símbolo lo suficientemente cercano a la letra. El mayor desafío con OCR es descubrir cómo separar letras. Por ejemplo, cuando las notas están muy juntas o se superponen, como "a" y "e". Por lo tanto, estos pueden no funcionar cuando estamos extrayendo formularios sin conexión.
- NER para la extracción de datos de formularios: El reconocimiento de entidades nombradas es la tarea de identificar y clasificar entidades predefinidas en texto de lenguaje natural. A menudo se utiliza para extraer información de formularios, donde las personas escriben nombres, direcciones, comentarios, etc. La tarea de reconocer entidades nombradas está estrechamente relacionada con la tarea más amplia de resolución de correferencias, que determina si las menciones de las mismas entidades se refieren a la misma. mismas entidades del mundo real. Hoy en día, con herramientas y marcos de programación avanzados, podemos aprovechar los modelos previamente entrenados para construir modelos basados en NER para tareas de extracción de información.
- Uso del aprendizaje profundo para la extracción de datos de formularios: El aprendizaje profundo no es nuevo, existe desde hace décadas, pero los desarrollos recientes en las arquitecturas de aprendizaje profundo y la potencia informática han dado lugar a resultados revolucionarios. La extracción de datos de formularios mediante el aprendizaje profundo logró un rendimiento de vanguardia en casi cualquier formato, ya sea digital o escrito a mano. El proceso comienza alimentando la red neuronal profunda (DNN) con miles o millones de ejemplos diferentes etiquetados con lo que son. Por ejemplo, etiquetas en forma de imagen con sus entidades como nombre, correo electrónico, identificación, etc. La DNN procesa toda esta información y aprende por sí misma cómo se conectan estas piezas. Sin embargo, construir un modelo de alta precisión requiere mucha experiencia y experimentación.
¿Quiere extraer datos de formularios impresos o escritos a mano? Echa un vistazo a las nanoredes™ extractor de datos de formulario gratis y automatice la exportación de información desde cualquier formulario.
Extracción de datos de formulario mediante OCR
Hay muchas bibliotecas diferentes disponibles para extraer datos de formularios. Pero, ¿qué sucede si desea extraer datos de una imagen de un formulario? Aquí es donde entra en juego Tesseract OCR (reconocimiento óptico de caracteres). Tesseract es un motor OCR (reconocimiento óptico de caracteres) de código abierto desarrollado por HP. Con Tesseract OCR, es posible convertir documentos escaneados, como facturas en papel, recibos y cheques, en archivos digitales editables y con capacidad de búsqueda. Está disponible en varios idiomas y puede reconocer caracteres en varios formatos de imagen. Tesseract generalmente se usa en combinación con otras bibliotecas para procesar imágenes para extraer texto.
Para probar esto, asegúrese de instalar Tesseract en su máquina local. Puede utilizar la CLI de Tesseract o los enlaces de Python para ejecutar el OCR. Python-tesseract es un contenedor para el motor Tesseract-OCR de Google. Se puede usar para leer todos los tipos de imágenes compatibles con las bibliotecas de imágenes de Pillow y Leptonica, incluidos jpeg, png, gif, bmp, tiff y otros. Puede usarlo fácilmente como un script de invocación independiente para tesseract si es necesario.
Ahora, tomemos un recibo que contiene datos de formulario e intentemos identificar la ubicación del texto usando Computer Vision y Tesseract.
import pytesseract
from pytesseract import Output
import cv2 img = cv2.imread('receipt.jpg')
d = pytesseract.image_to_data(img, output_type=Output.DICT)
n_boxes = len(d['level'])
for i in range(n_boxes): (x, y, w, h) = (d['left'][i], d['top'][i], d['width'][i], d['height'][i]) img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2) cv2.imshow(img,'img')
Aquí, en la salida, como podemos ver, el programa pudo identificar todo el texto dentro del formulario. Ahora, apliquemos OCR a esto para extraer toda la información. Simplemente podemos hacer esto usando el imagen_a_cadena función en Python.
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
Salida:
Berghotel
Grosse Scheidegg
3818 Grindelwald
Familie R.Müller Rech.Nr. 4572 30.07.2007/13:29: 17
Bar Tisch 7/01
2xLatte Macchiato &ä 4.50 CHF 9,00
1xGloki a 5.00 CH 5.00
1xSchweinschnitzel ä 22.00 CHF 22.00
IxChässpätz 1 a 18.50 CHF 18.50 Total: CHF 54.50 Incl. 7.6% MwSt 54.50 CHF: 3.85 Entspricht in Euro 36.33 EUR
Es bediente Sie: Ursula MwSt Nr. : 430 234
Tel.: 033 853 67 16
Fax.: 033 853 67 19
E-mail: grossescheidegs@b luewin. Ch
Aquí podemos extraer toda la información del formulario. Sin embargo, en la mayoría de los casos, usar solo OCR no ayudará, ya que los datos extraídos estarán completamente desestructurados. Por lo tanto, los usuarios confían en la extracción de pares clave-valor en formularios, que solo pueden identificar entidades específicas como ID, fechas, monto de impuestos, etc. Esto solo es posible con el aprendizaje profundo. En la siguiente sección, veamos cómo podemos aprovechar diferentes técnicas de aprendizaje profundo para construir algoritmos de extracción de información.
Resolver la extracción de datos de formularios mediante el aprendizaje profundo
Convolución de gráficos para la extracción de información multimodal de documentos visualmente ricos
Redes convolucionales gráficas (CNN gráficas) son una clase de redes neuronales convolucionales profundas (CNN) capaces de aprender de manera efectiva características altamente no lineales en estructuras de datos de gráficos mientras preservan la estructura de nodos y bordes. Pueden tomar estructuras de datos de gráficos como entrada y generar 'mapas de características' para nodos y bordes. Las funciones resultantes se pueden utilizar para la clasificación de gráficos, la agrupación en clústeres o la detección de comunidades. Los GCN brindan una solución poderosa para extraer información de documentos grandes y visualmente ricos, como facturas y recibos. Para procesarlos, cada imagen debe transformarse en un gráfico compuesto por nodos y bordes. Cualquier palabra en la imagen está representada por su propio nodo; la visualización del resto de los datos está codificada en el vector de características del nodo.
Este modelo primero codifica cada segmento de texto en el documento en la incrustación de gráficos. Al hacerlo, se captura el contexto visual y textual que rodea a cada elemento de texto, junto con su posición o ubicación dentro de un bloque de texto. Luego combina estos gráficos con incrustaciones de texto para crear una representación general de la estructura del documento y lo que está escrito en él. El modelo aprende a asignar pesos más altos a los textos que probablemente sean entidades en función de sus ubicaciones relativas entre sí y el contexto en el que aparecen dentro de un bloque más grande de lectores. Finalmente, aplica un modelo estándar BiLSTM-CRF para la extracción de entidades. Los resultados muestran que este algoritmo supera al modelo de referencia (BiLSTM-CRF) por un amplio margen.
LayoutLM: entrenamiento previo de texto y diseño para la comprensión de imágenes de documentos
La arquitectura del modelo LayoutLM está fuertemente inspirada en BERT e incorpora incrustaciones de imágenes de un Faster R-CNN. Las incrustaciones de entrada de LayoutLM se generan como una combinación de incrustaciones de texto y posición, luego se combinan con las incrustaciones de imágenes generadas por el modelo Faster R-CNN. Los modelos de lenguaje visual enmascarados y la clasificación de documentos de etiquetas múltiples se utilizan principalmente como tareas de capacitación previa para LayoutLM. El modelo LayoutLM es valioso, dinámico y lo suficientemente fuerte para cualquier trabajo que requiera comprensión del diseño, como la extracción de formularios/recibos, la clasificación de imágenes de documentos o incluso la respuesta visual a preguntas que se pueden realizar con este modelo de capacitación.
El modelo LayoutLM se entrenó en IIT-CDIP Test Collection 1.0, que incluye más de 6 millones de documentos y más de 11 millones de imágenes de documentos escaneados con un total de más de 12 GB de datos. Este modelo había superado sustancialmente a varios modelos preentrenados de SOTA en tareas de comprensión de formularios, comprensión de recibos y clasificación de imágenes de documentos escaneados.
Form2Seq: un marco para la extracción de estructuras de formularios de orden superior
Form2Seq es un marco que se enfoca en extraer estructuras del texto de entrada usando secuencias posicionales. A diferencia de los marcos tradicionales de seq2seq, Form2Seq aprovecha las posiciones espaciales relativas de las estructuras, en lugar de su orden.
En este método, primero, clasificamos elementos de bajo nivel que permitirán un mejor procesamiento y organización. Hay 10 tipos de formularios, como títulos de campo, elementos de lista, etc. A continuación, agrupamos elementos de nivel inferior, como campos de texto y campos de elección, en construcciones de orden superior denominadas grupos de elección. Estos se utilizan como mecanismos de recopilación de información para lograr una mejor experiencia del usuario elementos de nivel inferior en construcciones de orden superior, como campos de texto, ChoiceFields y ChoiceGroups, utilizados como mecanismos de recopilación de información en formularios. Esto es posible organizando los elementos constituyentes en un orden lineal en orden de lectura natural y alimentando sus representaciones espaciales y textuales al marco Seq2Seq. El marco Seq2Seq hace predicciones secuencialmente para cada elemento de una oración según el contexto. Esto le permite procesar más información y llegar a una mejor comprensión de la tarea en cuestión.
El modelo logró una precisión del 90 % en la tarea de clasificación, que fue superior a la de los modelos de referencia basados en la segmentación. El F1 en bloques de texto, campos de texto y campos de elección fue 86.01%, 61.63% respectivamente. Este marco logró el estado de los resultados en el conjunto de datos ICDAR para el reconocimiento de estructuras de tablas.
¿Quiere extraer datos de formularios impresos o escritos a mano? Echa un vistazo a las nanoredes™ extractor de datos de formulario gratis y automatice la exportación de información desde cualquier formulario.
Por qué el OCR basado en IA de Nanonets es la mejor opción
Aunque el software OCR puede convertir imágenes escaneadas de texto en archivos digitales formateados como PDF, DOC y PPT, no siempre es preciso. El software de vanguardia actual, como el sistema de aprendizaje profundo OCR basado en IA de Nanonets, ha superado muchos desafíos a los que se han enfrentado los sistemas OCR tradicionales al crear un archivo editable a partir de un documento escaneado. Se ha convertido en la mejor opción para la extracción de datos porque puede proporcionar altas tasas de precisión y altos niveles de tolerancia para el ruido, los elementos gráficos y los cambios de formato. Ahora, analicemos algunos puntos sobre cómo el OCR basado en IA es la mejor opción.
- OCR, como se discutió, es una técnica sencilla para extraer datos. Sin embargo, no funcionarán de manera consistente cuando se coloquen datos no vistos/nuevos. Sin embargo, el OCR basado en IA podría manejar situaciones como estas, ya que se entrenan en una amplia gama de datos.
- Los OCR normales no pueden manejar diseños complejos para la extracción de datos de formularios. Por lo tanto, cuando se alimentan con aprendizaje profundo o IA, brindan los mejores resultados al comprender los diseños, el texto y el contexto de los datos.
- Los OCR pueden tener un rendimiento inferior cuando hay ruido en los datos, como asimetría, imágenes escaneadas con poca luz, etc., mientras que los modelos de aprendizaje profundo pueden manejar tales condiciones y aun así arrojar resultados muy precisos.
- Los OCR basados en IA son altamente personalizables y flexibles en comparación con los OCR tradicionales; se pueden construir sobre varios tipos de datos para convertir datos no estructurados en cualquier formato estructurado.
- Los resultados de posprocesamiento del OCR basado en IA son accesibles en comparación con el OCR simple; se pueden exportar a cualquier formato de datos como JSON, CSV, hojas de Excel o incluso una base de datos como Postgres directamente desde el modelo.
- El OCR basado en IA se puede exportar como una API simple utilizando modelos previamente entrenados. Esto todavía es posible en otros métodos tradicionales, pero puede ser difícil mejorar los modelos de manera consistente y oportuna. Mientras está en OCR basado en IA, se puede ajustar automáticamente por errores.
- La extracción de tablas es altamente imposible usando OCR directo. Sin embargo, se puede hacer fácilmente con el poder de AI/DL. Hoy en día, los OCR basados en IA pueden señalar positivamente formularios basados en tablas dentro de documentos y extraer información.
- Si hay datos financieros o confidenciales en los documentos, los modelos de IA también pueden realizar comprobaciones de fraude. Básicamente busca texto editado/borroso de los documentos escaneados y notifica a los administradores. Los documentos o la información duplicados también se pueden identificar a través de estos modelos. Mientras que OCR simplemente falla en tales casos.
- &
- 67
- 7
- 9
- Mi Cuenta
- preciso
- alcanzado
- a través de
- Adicionales
- dirección
- avanzado
- AI
- algoritmo
- algoritmos
- Todos
- Aunque
- cantidad
- cantidades
- Otra
- abejas
- API
- Aplicación
- La aplicación de
- enfoque
- arquitectura
- en torno a
- Confirmación de Viaje
- Hoy Disponibles
- fondo
- Base
- Básicamente
- base
- a las que has recomendado
- "Ser"
- MEJOR
- Mayor
- Bloquear
- Blog
- frontera
- build
- Construir la
- negocios
- Capacidad
- subtítulos
- servicios sociales
- cases
- Causar
- Reto
- retos
- Cheques
- clasificación
- recoger
- El cobro
- --
- combinación
- combinado
- comentarios
- Algunos
- vibrante e inclusiva
- en comparación con
- integraciones
- informática
- potencia de cálculo
- contenido
- contenido
- Precio
- podría
- crea
- Creamos
- crucial
- Clientes
- datos
- seguridad de datos
- Base de datos
- Fechas
- diseños
- Detección
- desarrollar
- desarrollado
- desarrolladores
- desarrollos
- una experiencia diferente
- digital
- Dimensiones
- discutir
- documentos
- lugar de trabajo dinámico
- correo electrónico
- pasan fácilmente
- Southern Implants
- Eficaz
- eficiente
- esencial
- Euro
- ejemplo
- Excel
- experience
- Experiencia
- Extractos
- enfrentado
- más rápida
- Feature
- Caracteristicas
- Terrenos
- filtros
- Finalmente
- financiero
- Nombre
- Fijar
- de tus señales
- formulario
- formato
- Formularios
- encontrado
- Marco conceptual
- fraude
- Gratuito
- función
- Las Bases (Fundamentales)
- generar
- objetivo
- Grupo procesos
- ayuda
- serviciales
- Alta
- altamente
- Cómo
- Como Hacer
- HTTPS
- idea
- Identificación
- Identifique
- imagen
- Impacto
- importante
- imposible
- mejorar
- En otra
- incluir
- Incluye
- información
- inspirado
- integraciones
- cuestiones
- IT
- Trabajos
- conocido
- Etiquetas
- idioma
- Idiomas
- large
- mayores
- Lead
- aprendizaje
- LED
- Apalancamiento
- apalancamientos
- Lista
- Listas
- local
- Ubicación
- .
- máquina
- gran
- manual
- a mano
- mapa
- menciona
- millones
- millones
- modelo
- modelos
- MEJOR DE TU
- nombres
- Natural
- del sistema,
- telecomunicaciones
- nodos
- ruido
- Notas
- números
- en línea
- Operaciones
- Optión
- Opciones
- solicite
- organización
- para las fiestas.
- Otro
- de otra manera
- Papel
- Participantes
- (PDF)
- Personas
- actuación
- con
- Popular
- posible
- industria
- poderoso
- Predicciones
- presente
- primario
- Problema
- en costes
- Mi Perfil
- Programa
- Programación
- Programas
- Proyección
- proporcionar
- pregunta
- distancia
- Tarifas
- RE
- lectores
- Reading
- razones
- reconoce
- reducir
- Informes
- exigir
- RESTO
- Resultados
- Riesgo
- correr
- ventas
- escanear
- exploración
- seguro
- EN LINEA
- segmentación
- seleccionado
- formas
- En Corto
- sencillos
- So
- Software
- Soluciones
- fundó
- Estado
- el estado de la técnica
- statistics
- tienda
- stream
- fuerte
- Soportado
- te
- Todas las funciones a su disposición
- tareas
- deuda
- técnicas
- test
- terceros.
- miles
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- prolongado
- hoy
- juntos
- tolerancia
- tradicional
- Formación
- entender
- utilizan el
- usuarios
- generalmente
- visión
- visualización
- W
- web
- ¿
- Que es
- sean
- dentro de
- sin
- palabras
- Actividades:
- trabajando
- funciona
- la escritura
- X