Haluatko poimia tietoja skannatuista asiakirjoista? Yrittää Nanonetit™ kehittynyt Tekoälypohjainen OCR-skanneri poimia ja järjestää tietoja skannatut asiakirjat automaattisesti.
esittely
Kun maailma on siirtynyt papereista ja käsinkirjoituksista digitaalisiin asiakirjoihin käyttömukavuuden vuoksi, kuvien ja skannattujen asiakirjojen muuntamisen merkitys merkityksellisiksi tiedoiksi on kasvanut pilviin.
Pysyäkseen ajan tasalla erittäin tarkan asiakirjatietojen poiminnan tarpeesta, monet tutkimuslaitokset ja yritykset (esim. Google, AWS, Nanonets jne.) keskittyivät syvästi tietokonenäön ja luonnollisen kielen käsittelyn (NLP) tekniikoihin.
Syväoppimistekniikoiden kukoistaminen on varmistanut valtavan harppauksen sellaiseen dataan, jota voidaan poimia. meitä ei enää rajoita poimimaan vain tekstiä, vaan myös muita tietorakenteita, kuten taulukoita ja avainarvopareja. Monet ratkaisut tarjoavat nyt erilaisia tuotteita, jotka täyttävät yksityishenkilöiden ja yritysten omistajien tarpeet asiakirjatietojen poiminnassa.
Tämä artikkeli sukeltaa nykyiseen teknologiaan, jota käytetään tietojen poimimiseen skannatuista asiakirjoista, ja sitä seuraa lyhyt käytännönläheinen opetusohjelma Pythonissa. Tarkastelemme myös joitain tällä hetkellä markkinoilla olevia suosittuja ratkaisuja, jotka tarjoavat parhaat tarjoukset tällä alalla.
Mikä on tietojen poiminta?
Tietojen poiminta on prosessi, jossa ohjelmien avulla jäsentämätöntä dataa muunnetaan tulkittavissa olevaksi tiedoksi, jotta ihmiset voivat jatkossa käsitellä tietoja. Tässä luetellaan useita yleisimpiä skannatuista asiakirjoista poimittavia tietotyyppejä.
Tekstitiedot
Yleisin ja tärkein tehtävä tiedon poiminnassa skannatuista asiakirjoista on tekstin purkaminen. Vaikka tämä prosessi näyttää yksinkertaiselta, se on itse asiassa erittäin vaikea, koska skannatut asiakirjat esitetään usein kuvien muodossa. Lisäksi poimintamenetelmät riippuvat suuresti tekstityypeistä. Vaikka tekstiä on suurimman osan ajasta tiheissä painetuissa muodoissa, kyky poimia niukkaa tekstiä huonommin skannatuista asiakirjoista tai käsinkirjoitetuista kirjeistä, joiden tyylit vaihtelevat dramaattisesti, ovat yhtä tärkeitä. Tällainen prosessi antaa ohjelmille mahdollisuuden muuntaa kuvat konekoodatuksi tekstiksi, jossa voimme edelleen järjestää ne jäsentelemättömästä tiedosta (ilman tiettyä muotoilua) strukturoiduksi dataksi jatkoanalyysiä varten.
taulukot
Taulukkolomakkeet ovat suosituin tapa tiedon tallentamiseen, koska muoto on helposti tulkittavissa ihmissilmällä. Taulukoiden purkaminen skannatuista asiakirjoista vaatii tekniikkaa, joka on muutakin kuin merkkien havaitsemista – täytyy havaita viivat ja muut visuaaliset ominaisuudet, jotta taulukko voidaan poimia kunnolla ja muuntaa nämä tiedot strukturoiduksi tiedoiksi lisälaskentaa varten. Tietokonenäkömenetelmiä (kuvattu yksityiskohtaisesti seuraavissa osissa) käytetään paljon korkean tarkkuuden saavuttamiseksi.
Avain-arvo-parit
Vaihtoehtoinen muoto, jota käytämme usein dokumenteissa tietojen tallentamiseen, ovat avainarvoparit (KVP).
KVP:t ovat pohjimmiltaan kaksi tietokohdetta – avain ja arvo – yhdistettynä yhdeksi. Avainta käytetään haettavan arvon yksilöllisenä tunnisteena. Klassinen KVP-esimerkki on sanakirja, jossa sanastot ovat avaimia ja vastaavat määritelmät ovat arvoja. Vaikka näitä pareja ei yleensä huomaakaan, niitä käytetään todella usein asiakirjoissa: kyselyissä kysymykset, kuten nimi, ikä ja laskujen tuotteiden hinnat, ovat kaikki implisiittisesti KVP:itä.
Toisin kuin taulukot, KVP:t ovat kuitenkin usein tuntemattomissa muodoissa ja joskus jopa osittain käsinkirjoitettuja. Esimerkiksi avaimet voidaan tulostaa valmiiksi laatikoihin ja arvot kirjoitetaan käsin lomaketta täytettäessä. Siksi taustalla olevien rakenteiden löytäminen KVP-poiston automaattista suorittamista varten on jatkuva tutkimusprosessi jopa edistyneimmissä tiloissa ja laboratorioissa.
luvut
Lopuksi on myös erittäin tärkeää poimia tai kaappaa tietoja skannatun asiakirjan kuvista. Tilastolliset indikaattorit, kuten ympyrä- ja pylväskaaviot, sisältävät usein asiakirjoille tärkeitä tietoja. Hyvän tiedonkeruuprosessin pitäisi pystyä päättelemään selitteistä ja numeroista osittain poimimaan dataa kuvista myöhempää käyttöä varten.
Haluatko poimia tietoja skannatuista asiakirjoista? Anna Nanonets™ spin parempaan tarkkuuteen, suurempaan joustavuuteen, jälkikäsittelyyn ja laajaan integraatioiden sarjaan!
Tietojen purkamisen takana olevat tekniikat
Tietojen poiminta pyörii kahden pääprosessin ympärillä: Optinen merkintunnistus (OCR) jota seuraa Natural Language Processing (NLP).
OCR-poiminta on prosessi, jossa tekstikuvat muunnetaan konekoodatuksi tekstiksi, kun taas jälkimmäinen on sanojen analysointi merkityksien päättelemiseksi. OCR:n mukana on usein muita tietokonenäkötekniikoita, kuten laatikon ja linjan havaitseminen edellä mainittujen tietotyyppien, kuten taulukoiden ja KVP:iden, poimimiseksi kattavamman poiminnan saamiseksi.
Tietojen purkamisprosessin taustalla olevat ydinparannukset liittyvät tiiviisti syväoppimisen edistymiseen, joka vaikutti suuresti tietokonenäön ja luonnollisen kielen käsittelyn (NLP) aloille.
Mitä on syväoppiminen?
Syväoppimisella on tärkeä rooli tekoälyn aikakauden hypetyksen takana, ja sitä on jatkuvasti työnnetty eturintamaan lukuisissa sovelluksissa. Perinteisessä suunnittelussa tavoitteenamme on suunnitella järjestelmä/toiminto, joka tuottaa lähdön tietystä syötteestä; syväoppiminen puolestaan luottaa syötteisiin ja lähtöihin löytääkseen välisuhteen, joka voidaan laajentaa uuteen näkymättömään dataan ns. neuroverkkomallien.
Neuraaliverkko tai monikerroksinen perceptroni (MLP), on koneoppimisarkkitehtuuri, joka on saanut inspiraationsa siitä, miten ihmisaivot oppivat. Verkosto sisältää hermosoluja, jotka jäljittelevät biologisia hermosoluja ja "aktivoituvat", kun niille annetaan erilaista tietoa. Hermosolujen joukot muodostavat kerroksia, ja useat kerrokset pinotaan yhteen muodostamaan verkko, joka palvelee useiden muotojen ennustustarkoituksia (eli kuvien luokitukset tai rajauslaatikot objektien havaitsemista varten).
Tietokonenäön alalla käytetään voimakkaasti eräänlaista neuroverkkovariaatiota - konvoluutiohermoverkkoja (CNN:t). Perinteisten kerrosten sijaan CNN ottaa käyttöön konvoluutioytimiä, jotka liukuvat tensorien (tai korkeadimensionaalisten vektoreiden) läpi piirteiden erottamiseksi. Loppujen lopuksi perinteisten verkkokerrosten ohella CNN:t menestyvät erittäin hyvin kuviin liittyvissä tehtävissä ja muodostivat edelleen perustan OCR-poiminnalle ja muiden piirteiden havaitsemiselle.
Toisaalta NLP on riippuvainen toisesta verkkojoukosta, joka keskittyy aikasarjatietoihin. Toisin kuin kuvissa, joissa yksi kuva on riippumaton toisistaan, tekstin ennustamisesta voi olla suurta hyötyä, jos huomioidaan myös sanat ennen tai jälkeen. Viime vuosina perhe verkostoja, eli pitkiä lyhytaikaisia muistoja (LSTM:t), joka ottaa aiemmat tulokset syötteinä ennustaakseen nykyiset tulokset. Kahdenvälisiä LSTM-menetelmiä otettiin usein käyttöön myös ennustetulosten parantamiseksi, jolloin huomioitiin sekä ennen että jälkeen saadut tulokset. Viime vuosina huomiomekanismia käyttävien muuntajien konsepti on kuitenkin alkanut nousta sen suuremman joustavuuden ansiosta, mikä johtaa parempiin tuloksiin kuin perinteiset peräkkäisiä aikasarjoja käsittelevät verkot.
Tietojen purkamisen sovellukset
Tiedon poiminnan päätavoite on muuntaa dataa jäsentämättömistä asiakirjoista strukturoituihin muotoihin, joissa erittäin tarkka tekstin, kuvien ja tietorakenteiden haku voi olla erittäin hyödyllinen numeerisessa ja kontekstuaalisessa analyysissä. Nämä analyysit voivat olla erittäin hyödyllisiä erityisesti yrityksille:
Bisnes
Liikeyritykset ja suuret organisaatiot käsittelevät tuhansia samanmuotoisia papereita päivittäin – suuret pankit saavat lukuisia identtisiä hakemuksia, ja tutkimusryhmien on analysoitava kasa lomakkeita tilastollisen analyysin suorittamiseksi. Siksi tietojen poimimisen asiakirjoista ensimmäisen vaiheen automatisointi vähentää merkittävästi henkilöstöresurssien redundanssia ja antaa työntekijöille mahdollisuuden keskittyä tietojen analysointiin ja sovellusten tarkistamiseen tietojen syöttämisen sijaan.
- Sovellusten tarkistaminen — Yritykset saavat tonnia hakemuksia, joko käsin kirjoitettuja tai pelkillä hakulomakkeilla. Useimmiten näihin hakemuksiin voidaan liittää henkilöllisyystodistukset vahvistusta varten. Skannatut henkilöllisyystodistukset, kuten passit tai kortit, toimitetaan yleensä erissä samanmuotoisina. Siksi hyvin kirjoitettu tiedonpoiminta pystyy muuttamaan tiedot (tekstit, taulukot, kuviot, KVP:t) nopeasti koneellisesti ymmärrettäviksi teksteiksi, mikä voisi merkittävästi vähentää näiden tehtävien työtunteja ja keskittyä sovelluksen valintaan purkamisen sijaan.
- Maksujen täsmäytys — Maksujen täsmäytys on prosessi, jossa verrataan tiliotteita tilien lukujen täsmäämisen varmistamiseksi, mikä perustuu vahvasti asiakirjoista tiedon poimimiseen. Tämä on haastava ongelma yritykselle, jolla on huomattava koko ja eri tulolähteet. Tietojen poimiminen voi helpottaa tätä prosessia ja antaa työntekijöille mahdollisuuden keskittyä viallisiin tietoihin ja tutkia mahdollisia kassavirtaan liittyviä petollisia tapahtumia.
- Tilastollinen analyysi — Yritykset ja organisaatiot hyödyntävät asiakkailta tai kokeiluihin osallistujilta saatua palautetta tuotteidensa ja palveluidensa parantamiseen, ja kattava palautteen arviointi vaatii yleensä tilastollisen analyysin. Tutkimustietoja voi kuitenkin olla useissa muodoissa tai piilotettu tekstin väliin eri muodoissa. Tiedon poimiminen voisi helpottaa prosessia osoittamalla ilmeisiä tietoja asiakirjoista erissä, helpottaa hyödyllisten prosessien löytämistä ja viime kädessä lisätä tehokkuutta.
- Menneiden ennätysten jakaminen — Terveydenhuollosta pankkipalveluiden vaihtamiseen suuret teollisuudenalat vaativat usein uutta asiakastietoa, joka on saattanut olla jo olemassa muualla. Esimerkiksi potilaalla, joka vaihtaa sairaalaa muuton vuoksi, voi olla jo olemassa olevia potilastietoja, joista voi olla apua uudelle sairaalalle. Tällaisissa tapauksissa hyvä tiedonpoimintaohjelmisto on hyödyllinen, sillä henkilön tarvitsee vain tuoda skannattu tietuehistoria uuteen sairaalaan, jotta hän täyttää automaattisesti kaikki tiedot. Sen lisäksi, että tämä olisi kätevää, se voisi myös välttää laajat riskit, erityisesti terveydenhuoltoalalla, että tärkeitä potilastietoja ei huomioida.
Haluatko poimia tietoja skannatuista asiakirjoista? Anna Nanonets™ spin parempaan tarkkuuteen, suurempaan joustavuuteen, jälkikäsittelyyn ja laajaan integraatioiden sarjaan!
Opetusohjelmat
Antaaksemme selkeämmän kuvan tietojen poimimisesta, näytämme kaksi menetelmää tietojen poimimiseen skannausasiakirjoista.
Rakennus Scratchista
PyTesseract-moottorin avulla voidaan rakentaa yksinkertainen tietojen poimiva OCR-moottori seuraavasti:
try: from PIL import Image
except ImportError: import Image
import pytesseract # If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:Program Files (x86)Tesseract-OCRtesseract' # Simple image to string
print(pytesseract.image_to_string(Image.open('test.png'))) # List of available languages
print(pytesseract.get_languages(config='')) # French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra')) # In order to bypass the image conversions of pytesseract, just use relative or absolute image path
# NOTE: In this case you should provide tesseract supported images or tesseract will return error
print(pytesseract.image_to_string('test.png')) # Batch processing with a single file containing the list of multiple image file paths
print(pytesseract.image_to_string('images.txt')) # Timeout/terminate the tesseract job after a period of time
try: print(pytesseract.image_to_string('test.jpg', timeout=2)) # Timeout after 2 seconds print(pytesseract.image_to_string('test.jpg', timeout=0.5)) # Timeout after half a second
except RuntimeError as timeout_error: # Tesseract processing is terminated pass # Get bounding box estimates
print(pytesseract.image_to_boxes(Image.open('test.png'))) # Get verbose data including boxes, confidences, line and page numbers
print(pytesseract.image_to_data(Image.open('test.png'))) # Get information about orientation and script detection
print(pytesseract.image_to_osd(Image.open('test.png'))) # Get a searchable PDF
pdf = pytesseract.image_to_pdf_or_hocr('test.png', extension='pdf')
with open('test.pdf', 'w+b') as f: f.write(pdf) # pdf type is bytes by default # Get HOCR output
hocr = pytesseract.image_to_pdf_or_hocr('test.png', extension='hocr') # Get ALTO XML output
xml = pytesseract.image_to_alto_xml('test.png')
Lisätietoja koodista voit tarkistaa heidän virkailijastaan dokumentointi.
Yksinkertaisesti sanottuna koodi poimii tietystä kuvasta dataa, kuten tekstejä ja rajauslaatikoita. Vaikka moottori on melko hyödyllinen, se ei ole missään yhtä vahva kuin edistyneiden ratkaisujen tarjoamat moottorit, koska niiden laskentateho on huomattava koulutukseen.
Google Document API:n käyttö
def async_detect_document(gcs_source_uri, gcs_destination_uri):
"""OCR with PDF/TIFF as source files on GCS""" import json import re from google.cloud import vision from google.cloud import storage # Supported mime_types are: 'application/pdf' and 'image/tiff' mime_type = 'application/pdf' # How many pages should be grouped into each json output file. batch_size = 2 client = vision.ImageAnnotatorClient() feature = vision.Feature( type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION) gcs_source = vision.GcsSource(uri=gcs_source_uri) input_config = vision.InputConfig( gcs_source=gcs_source, mime_type=mime_type) gcs_destination = vision.GcsDestination(uri=gcs_destination_uri) output_config = vision.OutputConfig( gcs_destination=gcs_destination, batch_size=batch_size) async_request = vision.AsyncAnnotateFileRequest( features=[feature], input_config=input_config, output_config=output_config) operation = client.async_batch_annotate_files( requests=[async_request]) print('Waiting for the operation to finish.') operation.result(timeout=420) # Once the request has completed and the output has been # written to GCS, we can list all the output files. storage_client = storage.Client() match = re.match(r'gs://([^/]+)/(.+)', gcs_destination_uri) bucket_name = match.group(1) prefix = match.group(2) bucket = storage_client.get_bucket(bucket_name) # List objects with the given prefix. blob_list = list(bucket.list_blobs(prefix=prefix)) print('Output files:') for blob in blob_list: print(blob.name) # Process the first output file from GCS. # Since we specified batch_size=2, the first response contains # the first two pages of the input file. output = blob_list[0] json_string = output.download_as_string() response = json.loads(json_string) # The actual response for the first page of the input file. first_page_response = response['responses'][0] annotation = first_page_response['fullTextAnnotation'] # Here we print the full text from the first page. # The response contains more information: # annotation/pages/blocks/paragraphs/words/symbols # including confidence scores and bounding boxes print('Full text:n') print(annotation['text'])
Viime kädessä Googlen asiakirja-AI mahdollistaa lukuisten tietojen poimia asiakirjoista suurella tarkkuudella. Lisäksi palvelua tarjotaan myös tiettyihin käyttötarkoituksiin, mukaan lukien tekstinpoiminnat sekä normaaleille että luonnollisille kuville.
Katso tätä lisää.
Nykyiset ratkaisut, jotka tarjoavat tiedonpoiston
Suurten yritysten lisäksi, joilla on API:t asiakirjatietojen poimimiseen, on olemassa useita ratkaisuja, jotka tarjoavat erittäin tarkkoja ratkaisuja PDF -tekstintunnistus palvelut. Esittelemme useita PDF OCR -vaihtoehtoja, jotka ovat erikoistuneet eri näkökohtiin, sekä joitain viimeaikaisia tutkimusprototyyppejä, jotka näyttävät tuottavan lupaavia tuloksia*:
*Sivuhuomautus: On olemassa useita OCR-palveluita, jotka on suunnattu tehtäviin, kuten kuviin luonnossa. Jätimme nämä palvelut väliin, koska keskitymme tällä hetkellä vain PDF-dokumenttien lukemiseen.
- Google -sovellusliittymä — Yhtenä suurimmista verkkopalveluntarjoajista Google tarjoaa upeita tuloksia asiakirjojen poiminnassa uraauurtavalla tietokonenäköteknologiallaan. Heidän palveluitaan voi käyttää ilmaiseksi, jos käyttö on melko vähäistä, mutta hinta nousee API-kutsujen kasvaessa.
- Syvä lukija — Deep Reader on ACCV Conference 2019:ssä julkaistu tutkimusteos. Se sisältää useita huippuluokan verkkoarkkitehtuureja suorittamaan tehtäviä, kuten esim. asiakirjan sovitus, tekstin haku ja kohinan poistaminen kuvista. On lisäominaisuuksia, kuten taulukoita ja avain-arvo-parin purkamista, joiden avulla tietoja voidaan noutaa ja tallentaa järjestelmällisesti.
- Nanonets ™ — Erittäin taitavan syväoppivan tiimin ansiosta Nanonets™ PDF OCR on täysin malleista ja säännöistä riippumaton. Siksi Nanonets™ ei voi vain toimia tietyntyyppisten PDF-tiedostojen kanssa, vaan sitä voidaan myös soveltaa mihin tahansa asiakirjatyyppiin tekstin hakuun.
Haluatko poimia tietoja skannatuista asiakirjoista? Anna Nanonets™ spin parempaan tarkkuuteen, suurempaan joustavuuteen, jälkikäsittelyyn ja laajaan integraatioiden sarjaan!
Yhteenveto
Yhteenvetona voidaan todeta, että tämä artikkeli tarjoaa perusteellisen selvityksen tietojen poimimisesta skannatuista asiakirjoista, mukaan lukien sen taustalla olevat haasteet ja tähän prosessiin tarvittava tekniikka.
Esitetään kaksi eri menetelmien opetusohjelmaa, ja myös nykyiset ratkaisut, jotka tarjoavat sen heti valmiiksi, esitetään viitteeksi.
- 2019
- Meistä
- absoluuttinen
- Tili
- tarkka
- Saavuttaa
- Lisäksi
- lisä-
- kehittynyt
- ennakot
- AI
- algoritmit
- Kaikki
- jo
- vaihtoehto
- analysoida
- analyysi
- Toinen
- api
- API
- Hakemus
- sovellukset
- lähestymistapa
- arkkitehtuuri
- noin
- artikkeli
- keinotekoinen
- tekoäly
- huomio
- Automaatio
- saatavissa
- AWS
- tausta
- Pankki
- Pankit
- perusta
- ovat
- PARAS
- Jälkeen
- Suurimmat
- reunus
- Laatikko
- rakentaa
- liiketoiminta
- yritykset
- Kortit
- tapauksissa
- kassa
- kassavirta
- tietty
- haasteet
- haastava
- Kaaviot
- Kassa
- klassinen
- pilvi
- CNN
- koodi
- Tulla
- Yhteinen
- Yritykset
- yritys
- täysin
- Suoritettuaan
- kattava
- laskeminen
- tietokone
- käsite
- Konferenssi
- luottamus
- kytketty
- alituisesti
- sisältää
- osaltaan
- mukavuus
- Mukava
- tuloksia
- Ydin
- yritykset
- vastaava
- voisi
- ratkaiseva
- Nykyinen
- Tällä hetkellä
- asiakas
- Asiakkaat
- tiedot
- tietojenkäsittely
- tietovarasto
- sopimus
- on kuvattu
- Malli
- yksityiskohta
- Detection
- eri
- vaikea
- digitaalinen
- asiakirjat
- helposti
- tehokkuus
- työntekijää
- Moottori
- Tekniikka
- erityisesti
- olennaisesti
- arviot
- jne.
- arviointi
- Tapahtumat
- esimerkki
- Paitsi
- kokeilu
- tutkia
- laaja
- otteet
- perhe
- Ominaisuus
- Ominaisuudet
- palaute
- Fields
- löytäminen
- Etunimi
- Joustavuus
- virtaus
- Keskittää
- keskityttiin
- keskittyy
- tarkennus
- jälkeen
- eturintamassa
- muoto
- muoto
- lomakkeet
- Ilmainen
- Ranskan
- Täyttää
- koko
- edelleen
- tavoite
- hyvä
- suurempi
- suuresti
- Käsittely
- käytännön
- pää
- terveydenhuollon
- terveydenhuollon alalla
- hyödyllinen
- tätä
- Korkea
- korkeampi
- erittäin
- historia
- sairaalat
- Miten
- Miten
- Kuitenkin
- HTTPS
- ihmisen
- Human Resources
- Ihmiset
- kuva
- merkitys
- tärkeä
- parantaa
- sisältää
- Mukaan lukien
- Tulo
- Kasvaa
- henkilökohtainen
- henkilöt
- teollisuuden
- teollisuus
- tiedot
- panos
- innoittamana
- Älykkyys
- kysymys
- IT
- Job
- avain
- avaimet
- Labs
- Kieli
- kielet
- suuri
- johtava
- OPPIA
- oppiminen
- linja
- Lista
- Pitkät
- kone
- koneoppiminen
- merkittävä
- Enemmistö
- mies
- tapa
- markkinat
- ottelu
- matching
- lääketieteellinen
- menetelmät
- lisää
- eniten
- Suosituin
- liikkuvat
- moninkertainen
- nimittäin
- Luonnollinen
- tarpeet
- verkko
- verkot
- normaali
- numerot
- useat
- kampanja
- tarjotaan
- tarjoamalla
- tarjoukset
- Tarjoukset
- virallinen
- jatkuva
- verkossa
- toiminta
- Vaihtoehdot
- tilata
- organisaatioiden
- Järjestetty
- Muut
- omistajat
- osallistujat
- maksu
- esittävä
- aika
- henkilöstö
- uraauurtava
- Suosittu
- mahdollinen
- teho
- ennustaa
- ennustus
- esittää
- aika
- edellinen
- hinta
- prosessi
- Prosessit
- käsittely
- Tuotteemme
- Ohjelma
- Ohjelmat
- lupaava
- toimittaa
- tarjoamalla
- tarkoituksiin
- nopeasti
- RE
- lukija
- Lukeminen
- vastaanottaa
- sovinto
- asiakirjat
- vähentää
- suhteen
- yhteys
- pyyntö
- edellyttää
- tarvitaan
- Vaatii
- tutkimus
- Esittelymateriaalit
- vastaus
- tulokset
- palata
- riskit
- skannaus
- sekuntia
- palvelu
- Palvelut
- setti
- useat
- Lyhyt
- Lyhytaikainen
- samankaltainen
- Yksinkertainen
- koska
- Koko
- Tuotteemme
- vankka
- Ratkaisumme
- jonkin verran
- erikoistunut
- Kierre
- huippu-
- lausuntoja
- tilastollinen
- Levytila
- virta
- vahva
- jäsennelty
- merkittävä
- onnistunut
- Tuetut
- Tutkimus
- kohdennettu
- tehtävät
- joukkue-
- tekniikat
- Technologies
- Elektroniikka
- testi
- maailma
- siksi
- tuhansia
- Kautta
- aika
- kertaa
- yhdessä
- tonnia
- kohti
- perinteinen
- koulutus
- opetusohjelmat
- tyypit
- ymmärtää
- unique
- käyttää
- yleensä
- arvo
- eri
- Vahvistus
- Näytä
- visio
- onko
- vaikka
- sisällä
- ilman
- sanoja
- Referenssit
- työntekijöitä
- maailman-
- olisi
- XML
- vuotta