印刷されたフォームまたは手書きのフォームからデータを抽出したいですか?チェックアウト ナノネット™ フォームデータエクストラクタ 無料で、あらゆるフォームからの情報のエクスポートを自動化します。
フォームはどこにでもあります。これらは、参加者に特定の形式で必要な情報を記入してもらい、情報を収集するために作成される文書として定義されます。短時間で大量のデータを収集できるため、役立ちます。ただし、すべてのフォームに同じデータ収集能力があるわけではなく、多くの場合、後で手動作業が必要になります。したがって、フォーム データ抽出のプロセスをインテリジェントに自動化するツールとアルゴリズムに依存しています。このブログ投稿では、OCR とディープ ラーニングを使用してフォームからデータを抽出するためのさまざまなシナリオとテクニックについて詳しく説明します。
- フォームデータ抽出とは何ですか?
- 何が問題を困難にしているのでしょうか?
- フォーム抽出問題の奥深さ
- フォームデータ抽出ソリューションはどのように進化してきましたか?
- OCRを使用したフォームデータの抽出
- ディープラーニングを使用したフォームデータ抽出の解決
- ナノネットに入る
フォームデータ抽出とは何ですか?
フォーム データ抽出は、オンラインとオフラインの両方でフォームからデータを抽出するプロセスです。このデータは任意の形式で見つけることができ、通常は関連情報を含むフォームが含まれています。ただし、多くのレイアウトやデザインではテキストを簡単に選択できないため、このデータの抽出は必ずしも簡単な作業ではありません。これらからデータをコピーするネイティブな方法はありません。したがって、私たちは、より効果的でエラーが発生しにくいフォームからデータを抽出する自動化技術に依存しています。
たとえば、現在、多くのユーザーは連絡先情報を収集するために PDF ベースのフォームを利用しています。これは、送信者と受信者が入力を行う必要がないため、情報を収集するための非常に効率的な方法です。ただし、PDF フォームからこのデータを抽出するのは困難で、コストがかかる場合があります。
ここで、フォーム データ抽出は、名前、電子メール アドレス、電話番号などのデータを PDF フォームから抽出するのに役立ちます。このデータは、Excel、スプレッドシート、その他の構造化フォーマットなどの別のアプリケーションにインポートできます。その仕組みは、抽出ツールが PDF ファイルを読み取り、必要なものを自動的に抽出し、読みやすい形式に整理することです。このデータは、Excel、CSV、JSON、その他の適切に構造化されたデータ形式などの他の形式にエクスポートできます。次のセクションでは、フォーム データ抽出アルゴリズムを構築するときによく発生する課題のいくつかを見てみましょう。
印刷されたフォームまたは手書きのフォームからデータを抽出したいですか?ナノネットをチェックしてみよう™ フォーム データ エクストラクターを無料で利用し、あらゆるフォームからの情報のエクスポートを自動化します。
フォームデータの抽出が難しいのはなぜですか?
データ抽出は、さまざまな理由から興味深い問題です。 1 つは、これは画像認識の問題ですが、画像内に存在する可能性のあるテキストやフォームのレイアウトも考慮する必要があるため、アルゴリズムの構築がより複雑になります。このセクションでは、フォーム データ抽出アルゴリズムを構築する際に遭遇する一般的な課題のいくつかについて説明します。
- データの欠如: データ抽出アルゴリズムは通常、強力な深層学習とコンピューター ビジョン ベースのアルゴリズムを使用して構築されます。これらは通常、最先端のパフォーマンスを実現するために膨大な量のデータに依存しています。したがって、一貫性があり信頼できるデータセットを見つけて処理することは、どのような形式のデータ抽出ツールやソフトウェアにとっても重要です。たとえば、複数のテンプレートを含むフォームがあるとします。その場合、これらのアルゴリズムは広範囲のフォームを理解できるはずです。したがって、堅牢なデータセットでトレーニングすると、より正確なパフォーマンスが得られます。
- フォント、言語、レイアウトの処理: さまざまな種類のフォーム データに使用できるさまざまな書体、デザイン、テンプレートが、驚くほどたくさんあります。これらはいくつかの完全に異なる分類に分類される場合があるため、考慮すべき文字の種類が膨大にある場合、正確な認識を保証することが困難になります。したがって、フォント コレクションを特定の言語と種類に限定することが重要です。これらのドキュメントを適切に処理すると、スムーズに流れる多くのプロセスが作成されるからです。多言語の場合、複数の言語の文字間でのジャグリングを準備し、複雑なタイポグラフィにも対処する必要があります。
- 方向と傾き(回転): データのキュレーション中に、入力データ収集のためのアルゴリズムをトレーニングするために画像をスキャンすることがよくあります。スキャナーやデジタル カメラを使用したことがある方は、文書の画像を取り込む角度によって、文書が歪んで見える場合があることに気づいたかもしれません。これは角度の度合いを表す歪度として知られています。この歪みにより、モデルの精度が低下する可能性があります。幸いなことに、さまざまな技術を使用して、ソフトウェアが画像の特定の領域の特徴を検出する方法を変更するだけで、この問題を解決できます。このような技術の例としては、投影プロファイル法またはフーリエ変換法が挙げられます。これらを使用すると、形状、寸法、およびテクスチャの認識においてよりクリーンな結果が得られます。方向と歪みは単純な間違いである可能性がありますが、これらはモデルの精度に大きな影響を与える可能性があります。
- データセキュリティ: データ収集のためにさまざまなソースからデータを抽出する場合は、実施されているセキュリティ対策を認識することが重要です。そうしないと、転送される情報が危険にさらされる危険があります。これにより、個人情報が侵害されたり、API に送信される情報が安全でない状況が発生する可能性があります。したがって、ETL スクリプトとオンライン API を使用してデータ抽出を行う場合は、データのセキュリティの問題にも注意する必要があります。
- テーブル抽出: テーブル内にフォーム データが表示されることがあります。フォーム抽出とテーブル抽出の両方を処理できる堅牢なアルゴリズムを構築するのは困難な場合があります。通常のアプローチは、これらのアルゴリズムを個別に構築してデータに適用することですが、これによりより多くの計算能力が使用され、コストが増加します。したがって、理想的なフォーム抽出では、特定のドキュメントからフォーム データとデータの両方を抽出できる必要があります。
- 後処理/出力のエクスポート: データ抽出からの出力データは直線ではありません。したがって、開発者は後処理技術を利用して、結果をより構造化された形式にフィルタリングします。データは処理後、CSV、Excel、データベースなどのより構造化された形式にエクスポートされます。組織はサードパーティの統合に依存するか、API を開発してこのプロセスを自動化しますが、これにも時間がかかります。したがって、理想的なデータ抽出アルゴリズムは、柔軟性があり、外部データソースとの通信が容易である必要があります。
印刷されたフォームまたは手書きのフォームからデータを抽出したいですか?ナノネットをチェックしてみよう™ フォーム データ エクストラクターを無料で利用し、あらゆるフォームからの情報のエクスポートを自動化します。
さまざまなシナリオでフォーム抽出の深さを理解する
ここまで、フォーム データ抽出の基本と課題について説明してきました。このセクションでは、さまざまなシナリオを詳しく掘り下げ、フォーム データ抽出の深さを理解します。これらの特定のシナリオで抽出プロセスを自動化する方法についても見ていきます。
シナリオ #1: オフライン フォームの手書き認識
オフライン フォームは日常生活でよく見られます。フォームへの記入と送信が簡単であることが不可欠です。オフライン フォームを手動でデジタル化するのは多忙で費用がかかる作業になる可能性があるため、ディープラーニング アルゴリズムが必要となります。手書きの文字は複雑であるため、手書きの文書からデータを抽出するのは大きな課題です。したがって、機械が手書きのテキストを読んで解釈する方法を学習するデータ認識アルゴリズムが頻繁に使用されます。このプロセスには、手書きの単語の画像をスキャンし、アルゴリズムで処理および分析できるデータに変換することが含まれます。次に、アルゴリズムはストロークに基づいて文字マップを作成し、対応する文字を認識してテキストを抽出します。
シナリオ #2: フォーム上のチェックボックスの識別
チェックボックス フォームは、入力フィールドでユーザーから情報を収集するために使用されるデータ入力の形式です。このタイプのデータは通常、連絡したい項目など、ユーザーが 1 つ以上の項目を選択する必要があるリストや表に含まれています。これは、オンライン フォーム、アンケート、アンケートなど、さまざまな場所で見つけることができます。現在、一部のアルゴリズムでは、チェックボックスからでもデータ抽出プロセスを自動化できます。このアルゴリズムの主な目的は、コンピューター ビジョン技術を使用して入力領域を識別することです。これらには、画像上の線 (水平および垂直) の識別、フィルター、輪郭の適用、およびエッジの検出が含まれます。入力領域が特定されたら、マークされている、またはマークされていないチェックボックスの内容を簡単に抽出できます。
シナリオ #3: レイアウトは随時変更されます
フォームに記入する場合、通常は 2 つの異なるタイプのオプションがあります。一部のフォームでは、関連するすべてのフィールドに記入して情報を提供する必要がありますが、他のフォームでは、いくつかのチェックボックスを選択することで情報を提供できます。フォームのレイアウトは、フォームの種類とそのコンテキストに応じて変わります。したがって、複数の非構造化ドキュメントを処理し、フォームのラベルに応じてコンテンツをインテリジェントに抽出できるアルゴリズムを構築することが不可欠です。ドキュメント レイアウトを処理するためのディープ ラーニング アーキテクチャの一般的な手法の 1 つは、Graph CNN です。グラフ畳み込みネットワーク (GCN) の背後にある考え方は、ニューロンの活性化がデータ駆動型であることを保証することです。これらは、ノードとエッジで構成されるグラフ上で機能するように設計されています。グラフ畳み込み層は、タスク固有のトレーニング信号がない場合でもパターンを認識できます。したがって、これらはデータが堅牢な場合に適しています。
シナリオ #4: テーブルセルの検出
場合によっては、表のセルで構成される特殊な種類のフォームに遭遇することがあります。テーブル セルは、データが保存されるテーブル内の長方形の領域です。これらは、ヘッダー、行、または列として分類できます。理想的なアルゴリズムでは、これらすべてのタイプのセルとその境界を識別して、そこからデータを抽出する必要があります。テーブル抽出の一般的な手法には、ストリームとラティスがあります。これらは、画像に対する単純な同型操作を使用して、線、形状、多角形を検出するのに役立つアルゴリズムです。
フォームデータ抽出ソリューションはどのように進化しましたか?
フォーム データの抽出は、人々が紙のフォームを扱っていたコンピューター以前の時代にその起源を持ちます。コンピューティングの出現により、データを電子的に保存できるようになりました。コンピュータ プログラムはデータを使用して、販売統計などのレポートを作成する可能性があります。このソフトウェアは、顧客の名前や住所などの宛名ラベルの印刷や、未払い金額や送付先住所などの請求書の印刷にも使用できます。しかし、現在では、フォーム データ抽出ソフトウェアの別のバージョンが登場しています。これらは非常に正確で高速であり、高度に組織化され構造化された方法でデータを配信します。ここで、さまざまな種類のフォーム データ抽出手法について簡単に説明します。
- ルールベースのデータ抽出: ルールベースの抽出は、特定のテンプレート フォームからデータを自動的に抽出する手法です。人間の介入なしにデータを抽出できます。これらは、ページ上のさまざまなフィールドを調べ、周囲のテキスト、ラベル、その他の文脈上の手がかりに基づいてどのフィールドを抽出するかを決定することによって機能します。これらのアルゴリズムは通常、ETL スクリプトまたは Web スクレイピングを使用して開発および自動化されます。ただし、目に見えないデータでテストすると、完全に失敗します。
- OCRを使用したフォームデータ抽出: OCR は、あらゆる形式のデータ抽出問題に対する頼りになるソリューションです。ただし、正確なパフォーマンスを実現するには、追加のスクリプトとプログラムを作成する必要があります。 OCR を機能させるには、テキストが含まれた画像を入力する必要があります。次に、ソフトウェアは各ピクセルを読み取り、各ピクセルを対応する文字と比較します。一致する場合、その文字と、その文字に十分近い数字または記号が出力されます。 OCR の最大の課題は、文字を分割する方法を理解することです。たとえば、「a」と「e」のように、音符が近接している場合や重なっている場合などです。したがって、オフライン フォームを抽出する場合、これらは機能しない可能性があります。
- フォームデータ抽出用の NER: 名前付きエンティティ認識は、自然言語テキスト内の事前定義されたエンティティを識別して分類するタスクです。これは、ユーザーが名前、住所、コメントなどを入力するフォームから情報を抽出するためによく使用されます。名前付きエンティティを認識するタスクは、同じエンティティへの言及が参照されているかどうかを判断する、より広範な共参照解決タスクと密接に関連しています。同じ現実世界の実体。現在、高度なプログラミング ツールとフレームワークにより、事前トレーニングされたモデルを活用して、情報抽出タスク用の NER ベースのモデルを構築できるようになりました。
- ディープラーニングを使用したフォームデータ抽出: ディープ ラーニングは新しいものではなく、数十年前から存在していますが、ディープ ラーニング アーキテクチャとコンピューティング能力の最近の発展により、画期的な結果がもたらされました。ディープラーニングを使用したフォームデータ抽出は、デジタルでも手書きでも、ほぼあらゆる形式で最先端のパフォーマンスを実現しました。このプロセスは、ディープ ニューラル ネットワーク (DNN) に、その内容がラベル付けされた数千または数百万の異なるサンプルを供給することから始まります。たとえば、名前、電子メール、ID などのエンティティを含む画像形式のラベルです。DNN はこのすべての情報を処理し、これらの部分がどのように接続されているかを独自に学習します。ただし、高精度のモデルを構築するには、多くの専門知識と実験が必要です。
印刷されたフォームまたは手書きのフォームからデータを抽出したいですか?ナノネットをチェックしてみよう™ フォーム データ エクストラクターを無料で利用し、あらゆるフォームからの情報のエクスポートを自動化します。
OCRを使用したフォームデータの抽出
フォームからデータを抽出するために使用できるさまざまなライブラリが多数あります。しかし、フォームの画像からデータを抽出したい場合はどうすればよいでしょうか?ここで、Tesseract OCR (光学式文字認識) が登場します。 Tesseract は、HP が開発したオープンソースの OCR (光学式文字認識) エンジンです。 Tesseract OCR を使用すると、紙の請求書、領収書、小切手などのスキャンされた文書を、検索可能で編集可能なデジタル ファイルに変換できます。複数の言語で利用でき、さまざまな画像形式の文字を認識できます。 Tesseract は通常、画像を処理してテキストを抽出するために他のライブラリと組み合わせて使用されます。
これをテストするには、必ず Tesseract をローカル マシンにインストールしてください。 OCR の実行には、Tesseract CLI または Python バインディングを使用できます。 Python-tesseract は、Google の Tesseract-OCR エンジンのラッパーです。これを使用して、Pillow および Leptonica イメージング ライブラリでサポートされているすべての画像タイプ (jpeg、png、gif、bmp、tiff など) を読み取ることができます。必要に応じて、スタンドアロンの呼び出しスクリプトとして簡単に使用して、tesseract を実行できます。
次に、フォーム データを含む領収書を取得し、Computer Vision と Tesseract を使用してテキストの場所を特定してみましょう。
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')
ここの出力では、見てわかるように、プログラムはフォーム内のすべてのテキストを識別できました。ここで、これに OCR を適用してすべての情報を抽出しましょう。これは、 画像を文字列に変換 Pythonの関数。
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
出力:
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
ここでフォームからすべての情報を抽出できます。ただし、抽出されたデータは完全に構造化されていないため、ほとんどの場合、OCR だけを使用しても役に立ちません。したがって、ユーザーは、ID、日付、税額などの特定のエンティティのみを識別できるフォーム上のキーと値のペアの抽出に依存します。これはディープ ラーニングでのみ可能です。次のセクションでは、さまざまな深層学習技術を活用して情報抽出アルゴリズムを構築する方法を見てみましょう。
ディープラーニングを使用したフォームデータ抽出の解決
視覚的に豊富なドキュメントからのマルチモーダル情報抽出のためのグラフ畳み込み
グラフ畳み込みネットワーク (グラフ CNN) は、ノードとエッジの構造を維持しながら、グラフ データ構造の非線形性の高い特徴を効果的に学習できるディープ畳み込みニューラル ネットワーク (CNN) のクラスです。グラフ データ構造を入力として受け取り、ノードとエッジの「特徴マップ」を生成できます。結果として得られる特徴は、グラフ分類、クラスタリング、またはコミュニティ検出に使用できます。 GCN は、請求書や領収書などの視覚的に豊富な大規模なドキュメントから情報を抽出するための強力なソリューションを提供します。これらを処理するには、各画像をノードとエッジで構成されるグラフに変換する必要があります。画像上のすべての単語は、独自のノードによって表されます。残りのデータの視覚化は、ノードの特徴ベクトルにエンコードされます。
このモデルは、まずドキュメント内の各テキスト セグメントをグラフ埋め込みにエンコードします。そうすることで、各テキスト要素を囲む視覚的およびテキストのコンテキストと、テキストのブロック内のその位置がキャプチャされます。次に、これらのグラフをテキスト埋め込みと組み合わせて、文書の構造とその中に書かれている内容の全体的な表現を作成します。モデルは、相互の相対的な位置と、読者のより大きなブロック内でテキストが表示されるコンテキストに基づいて、エンティティである可能性が高いテキストに高い重みを割り当てることを学習します。最後に、エンティティ抽出に標準 BiLSTM-CRF モデルを適用します。結果は、このアルゴリズムがベースライン モデル (BiLSTM-CRF) よりも大幅に優れていることを示しています。
LayoutLM: ドキュメント画像を理解するためのテキストとレイアウトの事前トレーニング
LayoutLM モデルのアーキテクチャは BERT から多大な影響を受けており、Faster R-CNN からの画像埋め込みが組み込まれています。 LayoutLM 入力埋め込みは、テキストと位置の埋め込みの組み合わせとして生成され、Faster R-CNN モデルによって生成された画像埋め込みと結合されます。マスクされた視覚言語モデルとマルチラベル文書分類は、主に LayoutLM の事前トレーニング タスクとして使用されます。 LayoutLM モデルは価値があり、動的であり、フォーム/領収書の抽出、文書画像の分類、視覚的な質問応答など、レイアウトの理解を必要とするあらゆるジョブにとって十分強力です。このトレーニング モデルを使用して実行することもできます。
LayoutLM モデルは、IIT-CDIP テスト コレクション 1.0 でトレーニングされました。これには、6 万以上のドキュメントと 11 万以上のスキャンされたドキュメント画像、合計 12GB 以上のデータが含まれています。このモデルは、フォームの理解、領収書の理解、およびスキャンされた文書画像の分類タスクにおいて、いくつかの SOTA 事前トレーニング済みモデルを大幅に上回っていました。
Form2Seq: 高次のフォーム構造抽出のためのフレームワーク
Form2Seq は、位置シーケンスを使用して入力テキストから構造を抽出することに重点を置いたフレームワークです。従来の seq2seq フレームワークとは異なり、Form2Seq は構造の順序ではなく、構造の相対的な空間位置を利用します。
この方法では、まず、より適切な処理と編成を可能にする低レベルの要素を分類します。フォームはフィールドキャプションやリスト項目など10種類あります。次に、テキスト フィールドやチョイスフィールドなどの下位レベルの要素を、ChoiceGroups と呼ばれる上位の構成要素にグループ化します。これらは、より優れたユーザー エクスペリエンスを実現するための情報収集メカニズムとして使用され、フォーム内の情報収集メカニズムとして使用されるテキスト フィールド、ChoiceFields、ChoiceGroups などの下位レベルの要素を高次の構成要素に変換します。これは、構成要素を自然な読み取り順序で線形に配置し、それらの空間表現とテキスト表現を Seq2Seq フレームワークに供給することによって可能になります。 Seq2Seq フレームワークは、コンテキストに応じて文の各要素の予測を順番に行います。これにより、より多くの情報を処理し、当面のタスクをより深く理解できるようになります。
このモデルは、分類タスクで 90% の精度を達成しました。これは、セグメンテーション ベースのベースライン モデルよりも高かったです。テキスト ブロック、テキスト フィールド、選択フィールドの F1 はそれぞれ 86.01%、61.63% でした。このフレームワークは、テーブル構造認識のための ICDAR データセット上の結果の状態を実現しました。
印刷されたフォームまたは手書きのフォームからデータを抽出したいですか?ナノネットをチェックしてみよう™ フォーム データ エクストラクターを無料で利用し、あらゆるフォームからの情報のエクスポートを自動化します。
Nanonets AI ベースの OCR が最良の選択肢である理由
OCR ソフトウェアは、スキャンしたテキストの画像を PDF、DOC、PPT などのフォーマットされたデジタル ファイルに変換できますが、必ずしも正確であるとは限りません。 Nanonets AI ベースの OCR 深層学習システムのような今日の最先端のソフトウェアは、スキャンされた文書から編集可能なファイルを作成する際に従来の OCR システムが直面していた多くの課題を克服しました。これは、高い精度率と、ノイズ、グラフィック要素、書式変更に対する高い許容レベルを提供できるため、データ抽出に最適なオプションとなっています。ここで、AI ベースの OCR がどのように最適な選択肢であるかについていくつかのポイントを説明します。
- 説明したように、OCR はデータを抽出するための簡単な技術です。ただし、未見のデータや新しいデータに配置すると、一貫して機能しません。ただし、AI ベースの OCR は、広範囲のデータをトレーニングするため、このような状況に対処できます。
- 通常の OCR では、フォーム データ抽出の複雑なレイアウトを処理できません。したがって、ディープ ラーニングや AI を利用すると、データのレイアウト、テキスト、コンテキストを理解することで最良の結果が得られます。
- OCR は、データにノイズ (歪み、低照度のスキャン画像など) がある場合にはパフォーマンスが低下する可能性がありますが、ディープ ラーニング モデルはそのような状況に対処し、依然として高精度の結果を返すことができます。
- AI ベースの OCR は、従来の OCR と比較して高度にカスタマイズ可能で柔軟性があります。さまざまな種類のデータに基づいて構築し、非構造化データを任意の構造化形式に変換できます。
- AI ベースの OCR からの後処理出力は、単純な OCR と比較してアクセス可能です。これらは、JSON、CSV、Excel シートなどの任意のデータ形式にエクスポートでき、さらには Postgres などのデータベースにもモデルから直接エクスポートできます。
- AI ベースの OCR は、事前トレーニングされたモデルを使用してシンプルな API としてエクスポートできます。これは他の従来の方法でも可能ですが、モデルをタイムリーに一貫して改善するのは難しい場合があります。 AI ベースの OCR を使用している間は、エラーによって自動的に調整できます。
- 直接 OCR を使用してテーブルを抽出することは非常に不可能です。しかし、AI/DLの力を使えば簡単にそれが可能になります。現在、AI ベースの OCR は、文書内の表ベースのフォームを積極的にポイントし、情報を抽出できます。
- 文書内に財務データや機密データが含まれている場合、AI モデルは不正チェックを実行することもできます。基本的に、スキャンされた文書から編集/ぼかしのあるテキストを検索し、管理者に通知します。重複した文書や情報も、これらのモデルを通じて識別できます。このような場合、OCR は単純に失敗します。
- &
- 67
- 7
- 9
- 正確な
- 達成
- 越えて
- NEW
- 住所
- 高度な
- AI
- アルゴリズム
- アルゴリズム
- すべて
- しかし
- 量
- 金額
- 別の
- API
- API
- 申し込み
- 適用
- アプローチ
- 建築
- 周りに
- 自動化
- 利用できます
- 背景
- ベースライン
- 基本的に
- 基礎
- になる
- さ
- BEST
- 最大の
- ブロック
- ブログ
- 国境
- ビルド
- 建物
- ビジネス
- 容量
- キャプションが
- これ
- 例
- 原因となる
- 挑戦する
- 課題
- 小切手
- 分類
- 収集する
- 収集
- コレクション
- 組み合わせ
- 組み合わせた
- 注釈
- コマンドと
- コミュニティ
- 比べ
- 複雑な
- コンピューティング
- コンピューティングパワー
- コンテンツ
- 中身
- コスト
- 可能性
- 作成します。
- 作成
- 重大な
- Customers
- データ
- データセキュリティ
- データベース
- 試合日
- デザイン
- 検出
- 開発する
- 発展した
- 開発者
- 進展
- 異なります
- デジタル
- 次元
- 話し合います
- ドキュメント
- ダイナミック
- メール
- 簡単に
- エッジ(Edge)
- 効果的な
- 効率的な
- 本質的な
- ユーロ
- 例
- Excel
- 体験
- 専門知識
- 抽出物
- 直面して
- 速いです
- 特徴
- 特徴
- フィールズ
- フィルター
- 最後に
- ファイナンシャル
- 名
- 修正する
- フロー
- フォーム
- 形式でアーカイブしたプロジェクトを保存します.
- フォーム
- 発見
- フレームワーク
- 詐欺
- 無料版
- function
- 基礎
- 生成する
- 目標
- グループ
- 助けます
- 役立つ
- ハイ
- 非常に
- 認定条件
- How To
- HTTPS
- アイデア
- 識別
- 識別する
- 画像
- 影響
- 重要
- 不可能
- 改善します
- その他の
- include
- 含めて
- 情報
- インスピレーションある
- 統合
- 問題
- IT
- ジョブ
- 既知の
- ラベル
- 言語
- ESL, ビジネスESL <br> 中国語/フランス語、その他
- 大
- より大きい
- つながる
- 学習
- ツェッペリン
- 活用します
- レバレッジ
- リスト
- リスト
- ローカル
- 場所
- 場所
- 機械
- 主要な
- マニュアル
- 手動で
- 地図
- 言及
- 百万
- 何百万
- モデル
- 最も
- 名
- ナチュラル
- ネットワーク
- ネットワーク
- ノード
- ノイズ
- ノート
- 番号
- オンライン
- 業務執行統括
- オプション
- オプション
- 注文
- 組織
- 組織
- その他
- さもないと
- 紙素材
- 参加者
- のワークプ
- パフォーマンス
- 個人的な
- 人気
- 可能
- 電力
- 強力な
- 予測
- 現在
- 主要な
- 問題
- プロセス
- ラボレーション
- プロフィール
- 演奏曲目
- プログラミング
- プログラム
- 投影
- 提供します
- 質問
- 範囲
- 価格表
- RE
- 読者
- リーディング
- 理由は
- 認識
- 減らします
- レポート
- 必要とする
- REST
- 結果
- リスク
- ランニング
- セールス
- スキャン
- スキャニング
- 安全に
- セキュリティ
- セグメンテーション
- 選択
- シェイプ
- ショート
- 簡単な拡張で
- So
- ソフトウェア
- ソリューション
- 開始
- 都道府県
- 最先端の
- 統計
- 店舗
- 流れ
- 強い
- サポート
- システム
- タスク
- 税金
- テクニック
- test
- サードパーティ
- 数千
- 介して
- 時間
- 時間がかかる
- 今日
- 一緒に
- 公差
- 豊富なツール群
- 伝統的な
- トレーニング
- 変換
- わかる
- つかいます
- users
- 通常
- ビジョン
- 可視化
- W
- ウェブ
- この試験は
- 何ですか
- かどうか
- 以内
- 無し
- 言葉
- 仕事
- ワーキング
- 作品
- 書き込み
- X