Quer extrair dados de formulários impressos ou manuscritos? Confira Nanoredes™ extrator de dados de formulário gratuitamente e automatize a exportação de informações de qualquer formato!
Os formulários estão por toda parte; são definidos como documentos criados para coletar informações solicitando aos participantes que preencham as informações necessárias em um formato específico. Eles são úteis devido à sua capacidade de coletar muitos dados em um curto espaço de tempo. No entanto, nem todos os formulários têm a mesma capacidade de recolha de dados e muitas vezes requerem trabalho manual posterior. Por isso, contamos com ferramentas e algoritmos para automatizar de forma inteligente o processo de extração de dados de formulários. Esta postagem do blog irá se aprofundar em diferentes cenários e técnicas para extrair dados de formulários usando OCR e Deep Learning.
- O que é extração de dados de formulário?
- O que torna o problema desafiador?
- A profundidade do problema de extração de formulários
- Como evoluíram as soluções de extração de dados de formulários?
- Extração de dados de formulário usando OCRs
- Resolvendo extração de dados de formulário usando aprendizado profundo
- Digite Nanonets
O que é extração de dados de formulário?
Extração de dados de formulário é o processo de extração de dados de formulários – tanto online quanto offline. Esses dados podem ser encontrados em qualquer formato, geralmente contendo um formulário com as informações relevantes. Porém, extrair esses dados nem sempre é uma tarefa fácil porque muitos layouts e designs não permitem que o texto seja selecionado facilmente. Não existe uma maneira nativa de copiar dados deles. Portanto, contamos com técnicas automatizadas para ajudar a extrair dados de formulários mais eficazes e menos sujeitos a erros.
Por exemplo, hoje, muitos usuários dependem de formulários baseados em PDF para coletar informações de contato. Esta é uma forma altamente eficiente de coletar informações porque não exige que o remetente e o destinatário forneçam informações. Mas extrair esses dados de um formulário PDF pode ser desafiador e caro.
Aqui, a extração de dados de formulário pode ajudar a extrair dados de um formulário PDF, como nome, endereço de e-mail, número de telefone, etc. Ele pode ser importado para outro aplicativo como Excel, Planilhas ou qualquer outro formato estruturado. A forma como funciona é que as ferramentas de extração leem o arquivo PDF, extraem automaticamente o que ele precisa e organizam-no em um formato de fácil leitura. Esses dados podem ser exportados para outros formatos como Excel, CSV, JSON e outros formatos de dados bem estruturados. Na próxima seção, veremos alguns dos desafios frequentemente encontrados ao construir algoritmos de extração de dados de formulários.
Quer extrair dados de formulários impressos ou manuscritos? Confira Nanonets™ extrator de dados de formulário gratuitamente e automatize a exportação de informações de qualquer formulário!
O que torna a extração de dados de formulário um desafio?
A extração de dados é um problema interessante por vários motivos. Por um lado, é um problema de reconhecimento de imagem, mas também tem que considerar o texto que pode estar presente na imagem e o layout do formulário, o que torna a construção de um algoritmo mais complexa. Esta seção discute alguns dos desafios comuns que as pessoas encontram ao construir algoritmos de extração de dados de formulários.
- Falta de dados: Os algoritmos de extração de dados geralmente são construídos usando algoritmos poderosos de aprendizado profundo e baseados em visão computacional. Normalmente, eles dependem de grandes quantidades de dados para obter desempenho de última geração. Assim, encontrar um conjunto de dados consistente e confiável e processá-los é crucial para qualquer forma de ferramenta ou software de extração de dados. Por exemplo, digamos que temos formulários com vários modelos, então esses algoritmos devem ser capazes de compreender uma ampla variedade de formulários; portanto, treiná-los em um conjunto de dados robusto teria um desempenho mais preciso.
- Manipulação de fontes, idiomas e layouts: Existem quantidades estonteantes de diferentes fontes, designs e modelos disponíveis para diferentes tipos de dados de formulário. Eles podem cair em várias classificações completamente diferentes, o que torna difícil garantir um reconhecimento preciso quando há uma grande quantidade de tipos de caracteres diferentes a serem considerados. Portanto, é importante limitar a coleção de fontes a um idioma e tipo específicos, pois isso criará muitos processos que fluem sem problemas depois que esses documentos forem processados adequadamente. Em casos multilíngues, é necessário preparar o malabarismo entre caracteres de vários idiomas e também cuidar de tipografia complexa.
- Orientação e inclinação (rotação): Durante a curadoria de dados, frequentemente escaneamos imagens para treinar algoritmos para coleta de dados de entrada. Se você já usou um scanner ou câmera digital, deve ter notado que o ângulo em que você captura imagens de documentos às vezes pode fazer com que pareçam distorcidos. Isso é conhecido como assimetria, que se refere ao grau de ângulo. Essa assimetria pode reduzir a precisão do modelo. Felizmente, várias técnicas podem ser usadas para corrigir esse problema, simplesmente modificando a forma como nosso software detecta recursos em regiões específicas da imagem. Um exemplo de tal técnica são os métodos de perfil de projeção ou métodos de transformação de Fourier, que permitem resultados muito mais limpos no reconhecimento de forma, dimensão e textura! Embora a orientação e a assimetria possam ser erros simples, eles podem afetar a precisão do modelo em grande número.
- Segurança de dados: Se você estiver extraindo dados de diversas fontes para coleta de dados, é importante estar ciente das medidas de segurança em vigor. Caso contrário, você corre o risco de comprometer as informações que estão sendo transferidas. Isso pode levar a situações em que as informações pessoais sejam violadas ou as informações enviadas para uma API não sejam seguras. Portanto, ao trabalhar com scripts ETL e APIs online para extração de dados, também é preciso estar atento às questões de segurança dos dados.
- Extração de Tabela: Às vezes, vemos dados de formulário dentro de tabelas; construir um algoritmo robusto que possa lidar com a extração de formulários e de tabelas pode ser um desafio. A abordagem usual é construir esses algoritmos de forma independente e aplicá-los aos dados, mas isso levará ao uso de mais poder computacional, o que aumenta os custos. Portanto, uma extração de formulário ideal deve ser capaz de extrair tanto dados de formulário quanto dados de um determinado documento.
- Pós-processamento/exportação de saída: Os dados de saída de qualquer extração de dados não são diretos. Portanto, os desenvolvedores contam com técnicas de pós-processamento para filtrar os resultados em um formato mais estruturado. Após o processamento dos dados, eles são exportados para um formato mais estruturado como CSV, Excel ou banco de dados. As organizações dependem de integrações de terceiros ou desenvolvem APIs para automatizar esse processo, que novamente é demorado. Conseqüentemente, algoritmos ideais de extração de dados devem ser flexíveis e fáceis de comunicar com fontes de dados externas.
Quer extrair dados de formulários impressos ou manuscritos? Confira Nanonets™ extrator de dados de formulário gratuitamente e automatize a exportação de informações de qualquer formulário!
Compreendendo a profundidade da extração de formulários com vários cenários
Até agora, discutimos os fundamentos e desafios da extração de dados de formulários. Nesta seção, nos aprofundaremos em diferentes cenários e compreenderemos a profundidade da extração de dados de formulário. Também veremos como podemos automatizar o processo de extração para esses cenários específicos.
Cenário nº 1: reconhecimento escrito à mão para formulários off-line
Formulários offline são comumente encontrados na vida diária. É fundamental que os formulários sejam fáceis de preencher e enviar. A digitalização manual de formulários off-line pode ser uma tarefa árdua e cara, e é por isso que algoritmos de aprendizado profundo são necessários. Documentos manuscritos são um grande desafio para extrair dados devido à complexidade dos caracteres manuscritos. Portanto, algoritmos de reconhecimento de dados são muito utilizados, pelos quais uma máquina aprende a ler e interpretar o texto manuscrito. O processo envolve digitalizar imagens de palavras manuscritas e convertê-las em dados que podem ser processados e analisados por um algoritmo. O algoritmo então cria um mapa de caracteres baseado em traços e reconhece as letras correspondentes para extrair o texto.
Cenário nº 2: identificação de caixa de seleção em formulários
Formulários de caixa de seleção são uma forma de entrada de dados usada para coletar informações de um usuário em um campo de entrada. Esse tipo de dados geralmente é encontrado em listas e tabelas que exigem que o usuário selecione um ou mais itens, como os itens com os quais deseja ser contatado. Ele pode ser encontrado em vários lugares – formulários online, questionários e pesquisas, e assim por diante. Hoje, alguns algoritmos podem automatizar o processo de extração de dados até mesmo das caixas de seleção. O objetivo principal deste algoritmo é identificar as regiões de entrada usando técnicas de visão computacional. Envolvem a identificação de linhas (horizontais e verticais), aplicação de filtros, contornos e detecção de bordas nas imagens. Após a região de entrada ser identificada, é fácil extrair o conteúdo da caixa de seleção marcada ou desmarcada.
Cenário nº 3: Mudanças de layout do formulário de tempos em tempos
Quando se trata de preencher formulários, normalmente existem dois tipos diferentes de opções. Para alguns formulários, precisamos fornecer nossas informações escrevendo em todos os campos relevantes, enquanto para outros podemos fornecer as informações selecionando algumas caixas de seleção. O layout do formulário também muda dependendo do tipo de formulário e do seu contexto. Portanto, é essencial construir um algoritmo que possa lidar com vários documentos não estruturados e extrair conteúdo de forma inteligente dependendo dos rótulos do formulário. Uma técnica popular de arquitetura de aprendizado profundo para lidar com layouts de documentos são os Graph CNNs. A ideia por trás das Redes Convolucionais de Gráficos (GCNs) é garantir que as ativações dos neurônios sejam orientadas por dados. Eles são projetados para funcionar em gráficos, que são compostos de nós e arestas. Uma camada convolucional gráfica é capaz de reconhecer padrões na ausência de um sinal de treinamento específico da tarefa. Portanto, estes são adequados quando os dados são robustos.
Cenário #4: Detecção de Células de Tabela
Em alguns casos, as empresas encontram tipos especiais de formulários que consistem em células de tabela. As células da tabela são áreas retangulares dentro de uma tabela onde os dados são armazenados. Eles podem ser classificados como cabeçalhos, linhas ou colunas. Um algoritmo ideal deve identificar todos esses tipos de células e seus limites para extrair os dados delas. Algumas técnicas populares para extração de tabelas incluem Stream e Lattice; são algoritmos que podem ajudar a detectar linhas, formas e polígonos usando operações isomórficas simples em imagens.
Como evoluíram as soluções de extração de dados de formulários?
A extração de dados de formulários tem sua origem na época anterior à informática, quando as pessoas manuseavam formulários em papel. Com o advento da computação, tornou-se possível armazenar dados eletronicamente. Os programas de computador poderiam usar os dados para criar relatórios, como estatísticas de vendas. Este software também pode ser utilizado para imprimir etiquetas de endereçamento, como nome e endereço de clientes, e imprimir faturas, como o valor devido e o endereço para onde deve ser enviado. No entanto, hoje vemos uma versão diferente do software de extração de dados de formulários; eles são altamente precisos, mais rápidos e entregam os dados de maneira altamente organizada e estruturada. Agora, vamos discutir brevemente os diferentes tipos de técnicas de extração de dados de formulário.
- Extração de dados baseada em regras: a extração baseada em regras é uma técnica que extrai automaticamente dados de um formulário de modelo específico. Ele pode extrair dados sem qualquer intervenção humana. Eles trabalham examinando diferentes campos na página e decidindo quais extrair com base no texto, rótulos e outras pistas contextuais ao redor. Esses algoritmos geralmente são desenvolvidos e automatizados usando scripts ETL ou web scraping. No entanto, quando são testados em dados invisíveis, falham completamente.
- Extração de dados de formulário usando OCR: OCR é uma solução ideal para qualquer tipo de problema de extração de dados. No entanto, é necessário escrever scripts e programas adicionais para obter um desempenho preciso. Para que o OCR funcione, é necessária a entrada de uma imagem com texto. O software então lê cada pixel e compara cada pixel com sua letra correspondente. Se corresponder, produzirá essa letra e quaisquer números ou símbolos próximos o suficiente da letra. O maior desafio do OCR é descobrir como separar as letras. Por exemplo, quando as notas estão próximas ou sobrepostas, como "a" e "e". Portanto, isso pode não funcionar quando extraímos formulários offline.
- NER para extração de dados de formulário: O reconhecimento de entidade nomeada é a tarefa de identificar e classificar entidades predefinidas em texto em linguagem natural. É frequentemente usado para extrair informações de formulários, onde as pessoas digitam nomes, endereços, comentários, etc. A tarefa de reconhecer entidades nomeadas está intimamente relacionada à tarefa mais ampla de resolução de correferência, que determina se as menções às mesmas entidades se referem ao mesmas entidades do mundo real. Hoje, com ferramentas e estruturas de programação avançadas, poderíamos aproveitar modelos pré-treinados para construir modelos baseados em NER para tarefas de extração de informações.
- Usando Deep Learning para extração de dados de formulário: A aprendizagem profunda não é nova, já existe há décadas, mas os desenvolvimentos recentes nas arquiteturas de aprendizagem profunda e no poder da computação levaram a resultados inovadores. A extração de dados de formulários usando aprendizado profundo alcançou desempenho de última geração em praticamente qualquer formato, seja ele digital ou manuscrito. O processo começa alimentando a rede neural profunda (DNN) com milhares ou milhões de exemplos diferentes rotulados com o que são. Por exemplo, rótulos em forma de imagem com suas entidades como nome, email, id, etc. A DNN processa todas essas informações e aprende por conta própria como essas peças estão conectadas. No entanto, construir um modelo altamente preciso requer muita experiência e experimentação.
Quer extrair dados de formulários impressos ou manuscritos? Confira Nanonets™ extrator de dados de formulário gratuitamente e automatize a exportação de informações de qualquer formulário!
Extração de dados de formulário usando OCRs
Existem muitas bibliotecas diferentes disponíveis para extrair dados de formulários. Mas e se você quiser extrair dados de uma imagem de um formulário? É aqui que entra o Tesseract OCR (Optical Character Recognition). Tesseract é um mecanismo de OCR (Optical Character Recognition) de código aberto desenvolvido pela HP. Usando o Tesseract OCR, é possível converter documentos digitalizados, como faturas, recibos e cheques em papel, em arquivos digitais pesquisáveis e editáveis. Está disponível em vários idiomas e pode reconhecer caracteres em vários formatos de imagem. O Tesseract é normalmente usado em combinação com outras bibliotecas para processar imagens e extrair texto.
Para testar isso, certifique-se de instalar o Tesseract em sua máquina local. Você pode usar ligações Tesseract CLI ou Python para executar o OCR. Python-tesseract é um wrapper para o mecanismo Tesseract-OCR do Google. Ele pode ser usado para ler todos os tipos de imagens suportados pelas bibliotecas de imagens Pillow e Leptonica, incluindo jpeg, png, gif, bmp, tiff e outros. Você pode usá-lo facilmente como um script de invocação independente para tesseract, se necessário.
Agora, vamos pegar um recibo contendo os dados do formulário e tentar identificar a localização do texto usando Visão Computacional e 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')
Aqui, na saída, como podemos ver, o programa conseguiu identificar todo o texto dentro do formulário. Agora, vamos aplicar o OCR para extrair todas as informações. Podemos simplesmente fazer isso usando o imagem_para_string função em Python.
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
Saída:
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
Aqui podemos extrair todas as informações do formulário. No entanto, na maioria dos casos, usar apenas OCR não ajudará, pois os dados extraídos ficarão completamente desestruturados. Portanto, os usuários contam com a extração de pares de valores-chave em formulários, que só podem identificar entidades específicas como ID, Datas, Valor do Imposto, etc. Na próxima seção, veremos como podemos aproveitar diferentes técnicas de aprendizado profundo para construir algoritmos de extração de informações.
Resolvendo extração de dados de formulário usando aprendizado profundo
Convolução de gráfico para extração de informação multimodal de documentos visualmente ricos
Redes convolucionais gráficas (Graph CNNs) são uma classe de redes neurais convolucionais profundas (CNNs) capazes de aprender com eficácia recursos altamente não lineares em estruturas de dados de gráficos, preservando a estrutura de nós e bordas. Eles podem usar estruturas de dados gráficos como entrada e gerar 'mapas de recursos' para nós e arestas. Os recursos resultantes podem ser usados para classificação de gráficos, agrupamento ou detecção de comunidade. As GCNs fornecem uma solução poderosa para extrair informações de documentos grandes e visualmente ricos, como faturas e recibos. Para processá-los, cada imagem deve ser transformada em um gráfico composto por nós e arestas. Qualquer palavra na imagem é representada por seu próprio nó; a visualização do restante dos dados é codificada no vetor de recursos do nó.
Este modelo primeiro codifica cada segmento de texto do documento em incorporação de gráfico. Isso captura o contexto visual e textual em torno de cada elemento de texto, juntamente com sua posição ou localização dentro de um bloco de texto. Em seguida, ele combina esses gráficos com incorporações de texto para criar uma representação geral da estrutura do documento e do que está escrito nele. O modelo aprende a atribuir pesos mais elevados a textos que provavelmente serão entidades com base na sua localização relativa entre si e no contexto em que aparecem num bloco maior de leitores. Finalmente, aplica um modelo padrão BiLSTM-CRF para extração de entidades. Os resultados mostram que este algoritmo supera o modelo de linha de base (BiLSTM-CRF) por uma ampla margem.
LayoutLM: Pré-treinamento de texto e layout para compreensão de imagens de documentos
A arquitetura do modelo LayoutLM é fortemente inspirada no BERT e incorpora embeddings de imagens de um Faster R-CNN. Os embeddings de entrada do LayoutLM são gerados como uma combinação de embeddings de texto e posição e, em seguida, combinados com os embeddings de imagem gerados pelo modelo Faster R-CNN. Modelos de linguagem visual mascarados e classificação de documentos com vários rótulos são usados principalmente como tarefas de pré-treinamento para LayoutLM. O modelo LayoutLM é valioso, dinâmico e forte o suficiente para qualquer trabalho que exija compreensão de layout, como extração de formulário/recibo, classificação de imagem de documento ou até mesmo resposta visual a perguntas que podem ser realizadas com este modelo de treinamento.
O modelo LayoutLM foi treinado no IIT-CDIP Test Collection 1.0, que inclui mais de 6 milhões de documentos e mais de 11 milhões de imagens de documentos digitalizados, totalizando mais de 12 GB de dados. Este modelo superou substancialmente vários modelos pré-treinados SOTA em tarefas de compreensão de formulários, compreensão de recibos e classificação de imagens de documentos digitalizados.
Form2Seq: uma estrutura para extração de estrutura de formulário de ordem superior
Form2Seq é uma estrutura que se concentra na extração de estruturas de texto de entrada usando sequências posicionais. Ao contrário das estruturas seq2seq tradicionais, o Form2Seq aproveita as posições espaciais relativas das estruturas, em vez de sua ordem.
Neste método, primeiramente classificamos os elementos de baixo nível que permitirão um melhor processamento e organização. Existem 10 tipos de formulários, como legendas de campos, itens de lista e assim por diante. A seguir, agrupamos elementos de nível inferior, como Text Fields e ChoiceFields, em construções de ordem superior chamadas ChoiceGroups. Eles são usados como mecanismos de coleta de informações para obter uma melhor experiência do usuário, elementos de nível inferior em construções de ordem superior, como campos de texto, ChoiceFields e ChoiceGroups, usados como mecanismos de coleta de informações em formulários. Isso é possível organizando os elementos constituintes em uma ordem linear em ordem natural de leitura e alimentando suas representações espaciais e textuais na estrutura Seq2Seq. A estrutura Seq2Seq faz previsões sequencialmente para cada elemento de uma frase, dependendo do contexto. Isso permite processar mais informações e chegar a uma melhor compreensão da tarefa em questão.
O modelo alcançou uma precisão de 90% na tarefa de classificação, superior à dos modelos de linha de base baseados em segmentação. O F1 em blocos de texto, campos de texto e campos de escolha foi de 86.01%, 61.63% respectivamente. Esta estrutura alcançou o estado dos resultados no conjunto de dados ICDAR para reconhecimento de estrutura de tabela.
Quer extrair dados de formulários impressos ou manuscritos? Confira Nanonets™ extrator de dados de formulário gratuitamente e automatize a exportação de informações de qualquer formulário!
Por que o OCR baseado em IA da Nanonets é a melhor opção
Embora o software OCR possa converter imagens digitalizadas de texto em arquivos digitais formatados, como PDFs, DOCs e PPTs, nem sempre é preciso. O software de ponta atual, como o sistema de aprendizagem profunda de OCR baseado em IA da Nanonets, superou muitos desafios que os sistemas de OCR tradicionais enfrentaram ao criar um arquivo editável a partir de um documento digitalizado. Tornou-se a melhor opção para extração de dados porque pode fornecer altas taxas de precisão e altos níveis de tolerância a ruídos, elementos gráficos e alterações de formatação. Agora, vamos discutir alguns pontos sobre como o OCR baseado em IA é a melhor opção.
- OCR, conforme discutido, é uma técnica simples para extrair dados. No entanto, eles não funcionarão de forma consistente quando colocados em dados novos/invisíveis. No entanto, o OCR baseado em IA poderia lidar com situações como essas, pois treina em uma ampla gama de dados.
- Os OCRs normais não conseguem lidar com layouts complexos para extrações de dados de formulário. Portanto, quando alimentados com aprendizagem profunda ou IA, eles fornecem os melhores resultados ao compreender os layouts, o texto e o contexto dos dados.
- Os OCRs podem ter desempenho inferior quando há ruído nos dados, como distorções, imagens digitalizadas com pouca luz, etc., enquanto os modelos de aprendizagem profunda podem lidar com essas condições e ainda retornar resultados altamente precisos.
- Os OCRs baseados em IA são altamente personalizáveis e flexíveis em comparação com os OCRs tradicionais; eles podem ser construídos em vários tipos de dados para converter dados não estruturados em qualquer formato estruturado.
- Os resultados de pós-processamento do OCR baseado em IA são acessíveis em comparação com o OCR simples; eles podem ser exportados para qualquer formato de dados, como JSON, CSV, planilhas Excel ou até mesmo um banco de dados como Postgres diretamente do modelo.
- OCR baseado em IA pode ser exportado como uma API simples usando modelos pré-treinados. Isto ainda é possível em outros métodos tradicionais, mas pode ser difícil melhorar os modelos de forma consistente e oportuna. Enquanto estiver no OCR baseado em IA, ele pode ser ajustado automaticamente por erros.
- A extração de tabelas é altamente impossível usando OCR direto. No entanto, isso pode ser feito facilmente com o poder da AI/DL. Hoje, os OCRs baseados em IA podem apontar positivamente formulários baseados em tabelas dentro de documentos e extrair informações.
- Se houver dados financeiros ou confidenciais nos documentos, os modelos de IA também podem realizar verificações de fraude. Basicamente, ele procura texto editado/desfocado nos documentos digitalizados e notifica os administradores. Documentos ou informações duplicadas também podem ser identificadas por meio desses modelos. Embora o OCR simplesmente falhe nesses casos.
- &
- 67
- 7
- 9
- Conta
- preciso
- alcançado
- em
- Adicional
- endereço
- avançado
- AI
- algoritmo
- algoritmos
- Todos os Produtos
- Apesar
- quantidade
- quantidades
- Outro
- api
- APIs
- Aplicação
- Aplicando
- abordagem
- arquitetura
- por aí
- Automatizado
- disponível
- fundo
- Linha de Base
- Basicamente
- base
- tornam-se
- ser
- MELHOR
- O maior
- Bloquear
- Blog
- fronteira
- construir
- Prédio
- negócios
- Capacidade
- legendas
- Cuidado
- casos
- Causar
- desafiar
- desafios
- Cheques
- classificação
- coletar
- Coleta
- coleção
- combinação
- combinado
- comentários
- comum
- comunidade
- comparado
- integrações
- computação
- poder de computação
- conteúdo
- conteúdo
- custos
- poderia
- cria
- Criar
- crucial
- Clientes
- dados,
- segurança dos dados
- banco de dados
- Datas
- projetos
- Detecção
- desenvolver
- desenvolvido
- desenvolvedores
- desenvolvimentos
- diferente
- digital
- Dimensão
- discutir
- INSTITUCIONAIS
- dinâmico
- o email
- facilmente
- borda
- Eficaz
- eficiente
- essencial
- Euro
- exemplo
- Excel
- vasta experiência
- experiência
- Extractos
- enfrentou
- mais rápido
- Característica
- Funcionalidades
- Campos
- filtros
- Finalmente
- financeiro
- Primeiro nome
- Fixar
- fluxo
- formulário
- formato
- formas
- encontrado
- Quadro
- fraude
- Gratuito
- função
- Fundamentos
- gerar
- meta
- Grupo
- ajudar
- útil
- Alta
- altamente
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTTPS
- idéia
- identificação
- identificar
- imagem
- Impacto
- importante
- impossível
- melhorar
- Em outra
- incluir
- Incluindo
- INFORMAÇÕES
- inspirado
- integrações
- questões
- IT
- Trabalho
- conhecido
- Rótulos
- língua
- Idiomas
- grande
- Maior
- conduzir
- aprendizagem
- levou
- Alavancagem
- aproveita as
- Lista
- listas
- local
- localização
- locais
- máquina
- principal
- manual
- manualmente
- mapa,
- menções
- milhão
- milhões
- modelo
- modelos
- a maioria
- nomes
- natural
- rede
- redes
- nós
- Ruído
- Notas
- números
- online
- Operações
- Opção
- Opções
- ordem
- organização
- organizações
- Outros
- de outra forma
- Papel
- participantes
- Pessoas
- atuação
- pessoal
- Popular
- possível
- poder
- poderoso
- Previsões
- presente
- primário
- Problema
- processo
- processos
- Perfil
- Agenda
- Programação
- Programas
- Projeção
- fornecer
- questão
- alcance
- Preços
- RE
- leitores
- Leitura
- razões
- reconhece
- reduzir
- Relatórios
- requerer
- DESCANSO
- Resultados
- Risco
- corrida
- vendas
- digitalização
- exploração
- seguro
- segurança
- segmentação
- selecionado
- formas
- Baixo
- simples
- So
- Software
- Soluções
- começado
- Estado
- estado-da-arte
- estatística
- loja
- transmitir canais
- mais forte,
- Suportado
- .
- sistemas
- tarefas
- imposto
- técnicas
- teste
- De terceiros
- milhares
- Através da
- tempo
- demorado
- hoje
- juntos
- tolerância
- ferramentas
- tradicional
- Training
- Transformação
- compreender
- usar
- usuários
- geralmente
- visão
- visualização
- W
- web
- O Quê
- O que é a
- se
- dentro
- sem
- palavras
- Atividades:
- trabalhar
- trabalho
- escrita
- X