Хотите извлечь данные из печатных или рукописных форм? Проверить Нанонеты™ экстрактор данных формы бесплатно и автоматизируйте экспорт информации из любой формы!
Формы повсюду; они определяются как документы, созданные для сбора информации путем просьбы участников заполнить необходимую информацию в определенном формате. Они полезны из-за их способности собирать много данных за короткое время. Однако не все формы имеют одинаковые возможности для сбора данных и часто требуют последующей ручной работы. Поэтому мы полагаемся на инструменты и алгоритмы для интеллектуальной автоматизации процесса извлечения данных из формы. В этом сообщении в блоге подробно рассматриваются различные сценарии и методы извлечения данных из форм с использованием оптического распознавания символов и глубокого обучения.
- Что такое извлечение данных формы?
- Что делает проблему сложной?
- Глубина проблемы извлечения формы
- Как развивались решения для извлечения данных из форм?
- Извлечение данных из формы с помощью OCR
- Решение извлечения данных формы с использованием глубокого обучения
- Введите Нанонец
Что такое извлечение данных формы?
Извлечение данных из форм — это процесс извлечения данных из форм как онлайн, так и офлайн. Эти данные можно найти в любом формате, обычно содержащие форму с соответствующей информацией. Однако извлечение этих данных не всегда является простой задачей, поскольку многие макеты и дизайны не позволяют легко выбирать текст. Нативного способа копирования данных с них нет. Поэтому мы полагаемся на автоматизированные методы извлечения данных из форм, которые более эффективны и менее подвержены ошибкам.
Например, сегодня многие пользователи используют формы на основе PDF для сбора контактной информации. Это очень эффективный способ сбора информации, поскольку он не требует ввода данных от отправителя и получателя. Но извлечение этих данных из формы PDF может быть сложным и дорогим.
Здесь извлечение данных формы может помочь извлечь данные из формы PDF, такие как имя, адрес электронной почты, номер телефона и т. д. Их можно импортировать в другое приложение, такое как Excel, Таблицы или любой другой структурированный формат. Это работает так: инструменты извлечения читают PDF-файл, автоматически извлекают то, что ему нужно, и организуют его в удобном для чтения формате. Эти данные можно экспортировать в другие форматы, такие как Excel, CSV, JSON и другие хорошо структурированные форматы данных. В следующем разделе мы рассмотрим некоторые часто встречающиеся проблемы при построении алгоритмов извлечения данных из форм.
Хотите извлечь данные из печатных или рукописных форм? Проверьте Нанонет™ бесплатное извлечение данных из форм и автоматизация экспорта информации из любой формы!
Что делает извлечение данных формы сложной задачей?
Извлечение данных является интересной задачей по целому ряду причин. Во-первых, это проблема распознавания изображений, но при этом также необходимо учитывать текст, который может присутствовать на изображении, и макет формы, что усложняет построение алгоритма. В этом разделе обсуждаются некоторые распространенные проблемы, с которыми сталкиваются люди при создании алгоритмов извлечения данных из форм.
- Недостаток данных: Алгоритмы извлечения данных обычно строятся с использованием мощных алгоритмов глубокого обучения и компьютерного зрения. Они обычно полагаются на огромные объемы данных для достижения самой современной производительности. Таким образом, поиск согласованного и надежного набора данных и их обработка имеют решающее значение для любого инструмента или программного обеспечения для извлечения данных. Например, скажем, у нас есть формы с несколькими шаблонами, тогда эти алгоритмы должны понимать широкий спектр форм; поэтому обучение их на надежном наборе данных будет иметь более точную производительность.
- Работа со шрифтами, языками и макетами: Существует головокружительное количество различных шрифтов, дизайнов и шаблонов, доступных для различных типов данных формы. Они могут подпадать под несколько совершенно разных классификаций, что затрудняет точное распознавание, когда необходимо учитывать огромное количество различных типов символов. Следовательно, важно ограничить коллекцию шрифтов определенным языком и типом, потому что это создаст множество процессов, которые протекают гладко, как только вы правильно обработаете эти документы. В многоязычных случаях нужно быть готовым к жонглированию между символами из разных языков, а также позаботиться о сложной типографике.
- Ориентация и наклон (вращение): Во время обработки данных мы часто сканируем изображения, чтобы обучить алгоритмы сбора входных данных. Если вы когда-либо пользовались сканером или цифровой камерой, то могли заметить, что угол, под которым вы снимаете изображения документов, иногда может привести к их перекосу. Это известно как асимметрия, которая относится к степени угла. Эта асимметрия может снизить точность модели. К счастью, для решения этой проблемы можно использовать различные методы, просто изменив то, как наше программное обеспечение обнаруживает особенности в определенных областях изображения. Примером такого метода являются методы проекционного профиля или методы преобразования Фурье, которые позволяют получить гораздо более точные результаты в распознавании формы, размера и текстуры! Хотя ориентация и асимметрия могут быть простыми ошибками, в больших количествах они могут повлиять на точность модели.
- Безопасность данных: Если вы извлекаете данные из различных источников для сбора данных, важно знать о принятых мерах безопасности. В противном случае вы рискуете скомпрометировать передаваемую информацию. Это может привести к ситуациям, когда личная информация будет взломана или информация, отправляемая в API, не защищена. Поэтому при работе с ETL-скриптами и онлайн-API для извлечения данных необходимо также помнить о проблемах безопасности данных.
- Извлечение таблицы: Иногда мы видим данные форм внутри таблиц; создание надежного алгоритма, который может обрабатывать как извлечение формы, так и извлечение таблицы, может быть сложной задачей. Обычный подход состоит в том, чтобы создавать эти алгоритмы независимо и применять их к данным, но это приведет к использованию большей вычислительной мощности, что увеличивает затраты. Следовательно, идеальное извлечение формы должно извлекать как данные формы, так и данные из данного документа.
- Постобработка/экспорт вывода: Выходные данные любого извлечения данных не являются прямыми. Поэтому разработчики полагаются на методы постобработки для фильтрации результатов в более структурированном формате. После обработки данные экспортируются в более структурированный формат, например CSV, Excel или базу данных. Организации полагаются на сторонние интеграции или разрабатывают API для автоматизации этого процесса, что опять-таки требует много времени. Следовательно, идеальные алгоритмы извлечения данных должны быть гибкими и легко взаимодействовать с внешними источниками данных.
Хотите извлечь данные из печатных или рукописных форм? Проверьте Нанонет™ бесплатное извлечение данных из форм и автоматизация экспорта информации из любой формы!
Понимание глубины извлечения формы с различными сценариями
До сих пор мы обсуждали основы и проблемы извлечения данных формы. В этом разделе мы подробно рассмотрим различные сценарии и поймем глубину извлечения данных формы. Мы также рассмотрим, как мы можем автоматизировать процесс извлечения для этих конкретных сценариев.
Сценарий № 1: Распознавание рукописного текста для офлайн-форм
Офлайн-формы часто встречаются в повседневной жизни. Крайне важно, чтобы формы было легко заполнять и отправлять. Ручная оцифровка офлайн-форм может быть сложной и дорогостоящей задачей, поэтому необходимы алгоритмы глубокого обучения. Рукописные документы представляют собой серьезную проблему для извлечения данных из-за сложности рукописных символов. Поэтому активно используются алгоритмы распознавания данных, с помощью которых машина учится читать и интерпретировать рукописный текст. Процесс включает в себя сканирование изображений рукописных слов и преобразование их в данные, которые могут быть обработаны и проанализированы алгоритмом. Затем алгоритм создает карту символов на основе штрихов и распознает соответствующие буквы, чтобы извлечь текст.
Сценарий № 2: Идентификация флажка в формах
Формы флажков — это форма ввода данных, используемая для сбора информации от пользователя в поле ввода. Этот тип данных обычно находится в списках и таблицах, требующих от пользователя выбора одного или нескольких элементов, например элементов, с которыми он хочет связаться. Его можно найти в любом количестве мест — онлайн-формы, анкеты и опросы и так далее. Сегодня некоторые алгоритмы могут автоматизировать процесс извлечения данных даже из флажков. Основная цель этого алгоритма — идентифицировать области ввода с помощью методов компьютерного зрения. Они включают определение линий (горизонтальных и вертикальных), применение фильтров, контуров и обнаружение краев на изображениях. После определения области ввода легко извлечь содержимое флажка, отмеченного или не отмеченного.
Сценарий № 3: Макет Время от времени меняется форма
Когда дело доходит до заполнения форм, обычно есть два разных варианта. Для некоторых форм нам необходимо предоставить информацию, заполнив все соответствующие поля, в то время как для других мы можем предоставить информацию, выбрав один из нескольких флажков. Макет формы также меняется в зависимости от типа формы и ее контекста. Поэтому важно создать алгоритм, который может обрабатывать несколько неструктурированных документов и интеллектуально извлекать содержимое в зависимости от меток формы. Одним из популярных методов архитектуры глубокого обучения для обработки макетов документов является Graph CNN. Идея сверточных сетей графов (GCN) состоит в том, чтобы гарантировать, что активация нейронов управляется данными. Они предназначены для работы с графами, состоящими из узлов и ребер. Сверточный слой графа способен распознавать закономерности в отсутствие обучающего сигнала для конкретной задачи. Поэтому они подходят, когда данные надежны.
Сценарий № 4: Обнаружение ячеек таблицы
В некоторых случаях на предприятиях встречаются специальные формы, состоящие из ячеек таблицы. Ячейки таблицы — это прямоугольные области внутри таблицы, в которых хранятся данные. Их можно классифицировать как заголовки, строки или столбцы. Идеальный алгоритм должен идентифицировать все эти типы ячеек и их границы для извлечения из них данных. Некоторые популярные методы извлечения таблиц включают Stream и Lattice; это алгоритмы, которые могут помочь обнаружить линии, формы, многоугольники с помощью простых изоморфных операций над изображениями.
Как развивались решения для извлечения данных из форм?
Извлечение данных из форм берет свое начало в докомпьютерные дни, когда люди работали с бумажными формами. С появлением вычислительной техники стало возможным хранить данные в электронном виде. Компьютерные программы могут использовать данные для создания отчетов, таких как статистика продаж. Это программное обеспечение также можно использовать для печати почтовых этикеток, таких как имя и адрес клиентов, и распечатки счетов-фактур, таких как сумма к оплате и адрес, на который ее следует отправить. Однако сегодня мы видим другую версию программного обеспечения для извлечения данных формы; они очень точны, быстрее и предоставляют данные высокоорганизованным и структурированным образом. Теперь давайте кратко обсудим различные типы методов извлечения данных формы.
- На основе правил из извлечения данных: Извлечение на основе правил — это метод автоматического извлечения данных из определенной формы шаблона. Он может извлекать данные без вмешательства человека. Они работают, изучая различные поля на странице и решая, какие из них следует извлечь, основываясь на окружающем тексте, метках и других контекстных подсказках. Эти алгоритмы обычно разрабатываются и автоматизируются с использованием ETL-скриптов или веб-скрапинга. Однако, когда они тестируются на невидимых данных, они полностью терпят неудачу.
- Извлечение данных из формы с помощью OCR: OCR — это универсальное решение для любой проблемы извлечения данных. Однако для достижения точной производительности необходимо написать дополнительные сценарии и программы. Для работы OCR требуется ввод изображения с текстом на нем. Затем программа считывает каждый пиксель и сравнивает каждый пиксель с соответствующей ему буквой. Если он совпадает, он выведет эту букву и любые цифры или символы, достаточно близкие к букве. Самая большая проблема с OCR — выяснить, как разделить буквы. Например, когда ноты расположены близко друг к другу или перекрывают друг друга, например, «ля» и «ми». Поэтому они могут не работать, когда мы извлекаем автономные формы.
- NER для извлечения данных формы: Распознавание именованных сущностей — это задача идентификации и классификации предопределенных сущностей в тексте на естественном языке. Он часто используется для извлечения информации из форм, где люди вводят имена, адреса, комментарии и т. д. Задача распознавания именованных сущностей тесно связана с более широкой задачей разрешения кореферентности, которая определяет, относятся ли упоминания одних и тех же сущностей к одни и те же сущности реального мира. Сегодня, благодаря передовым инструментам и платформам программирования, мы можем использовать предварительно обученные модели для создания моделей на основе NER для задач извлечения информации.
- Использование глубокого обучения для извлечения данных формы: Глубокое обучение не ново, оно существует уже несколько десятилетий, но недавние разработки в области архитектуры глубокого обучения и вычислительной мощности привели к прорывным результатам. Извлечение данных из форм с использованием глубокого обучения достигло современной производительности практически в любом формате, будь то цифровой или рукописный. Процесс начинается с подачи в глубокую нейронную сеть (DNN) тысяч или миллионов различных примеров, помеченных тем, чем они являются. Например, метки изображений-форм со своими сущностями, такими как имя, адрес электронной почты, идентификатор и т. Д. DNN обрабатывает всю эту информацию и самостоятельно изучает, как эти части связаны. Однако создание высокоточной модели требует большого опыта и экспериментов.
Хотите извлечь данные из печатных или рукописных форм? Проверьте Нанонет™ бесплатное извлечение данных из форм и автоматизация экспорта информации из любой формы!
Извлечение данных из формы с помощью OCR
Существует множество различных библиотек для извлечения данных из форм. Но что, если вы хотите извлечь данные из изображения формы? Здесь на помощь приходит Tesseract OCR (оптическое распознавание символов). Tesseract — это механизм OCR (оптическое распознавание символов) с открытым исходным кодом, разработанный HP. Используя Tesseract OCR, можно преобразовать отсканированные документы, такие как бумажные счета, квитанции и чеки, в редактируемые цифровые файлы с возможностью поиска. Он доступен на нескольких языках и может распознавать символы в различных форматах изображений. Tesseract обычно используется в сочетании с другими библиотеками для обработки изображений для извлечения текста.
Чтобы проверить это, убедитесь, что вы установили Tesseract на свой локальный компьютер. Вы можете использовать привязки Tesseract CLI или Python для запуска OCR. Python-tesseract — это оболочка для Google Tesseract-OCR Engine. Его можно использовать для чтения всех типов изображений, поддерживаемых библиотеками обработки изображений Pillow и Leptonica, включая jpeg, png, gif, bmp, tiff и другие. Вы можете легко использовать его как автономный сценарий вызова для тессеракта, если это необходимо.
Теперь давайте возьмем квитанцию, содержащую данные формы, и попробуем определить местоположение текста с помощью Computer Vision и 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')
Здесь в выводе, как мы видим, программа смогла идентифицировать весь текст внутри формы. Теперь давайте применим к этому OCR, чтобы извлечь всю информацию. Мы можем просто сделать это с помощью изображение_to_string функция в Python.
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
Вывод:
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
Здесь мы можем извлечь всю информацию из формы. Однако в большинстве случаев использование только OCR не поможет, так как извлеченные данные будут совершенно неструктурированы. Поэтому пользователи полагаются на извлечение пар ключ-значение в формах, которые могут идентифицировать только определенные объекты, такие как идентификатор, даты, сумма налога и т. д. Это возможно только при глубоком обучении. В следующем разделе мы рассмотрим, как мы можем использовать различные методы глубокого обучения для создания алгоритмов извлечения информации.
Решение извлечения данных формы с использованием глубокого обучения
Свертка графов для мультимодального извлечения информации из визуально насыщенных документов
Граф сверточных сетей (Graph CNN) представляют собой класс глубоких сверточных нейронных сетей (CNN), способных эффективно изучать сильно нелинейные функции в структурах данных графа, сохраняя при этом структуру узлов и ребер. Они могут принимать структуры данных графа в качестве входных данных и генерировать «карты признаков» для узлов и ребер. Полученные функции можно использовать для классификации графов, кластеризации или обнаружения сообществ. GCN предоставляют мощное решение для извлечения информации из больших, визуально насыщенных документов, таких как счета и квитанции. Для их обработки каждое изображение должно быть преобразовано в граф, состоящий из узлов и ребер. Любое слово на изображении представлено своим узлом; визуализация остальных данных закодирована в векторе признаков узла.
Эта модель сначала кодирует каждый текстовый сегмент в документе во встраивание графа. При этом фиксируется визуальный и текстовый контекст, окружающий каждый текстовый элемент, а также его положение или местоположение в текстовом блоке. Затем он объединяет эти графики с встраиванием текста, чтобы создать общее представление о структуре документа и о том, что в нем написано. Модель учится присваивать больший вес текстам, которые могут быть сущностями, на основе их расположения относительно друг друга и контекста, в котором они появляются в более широком блоке читателей. Наконец, он применяет стандартную модель BiLSTM-CRF для извлечения сущностей. Результаты показывают, что этот алгоритм значительно превосходит базовую модель (BiLSTM-CRF).
LayoutLM: предварительное обучение текста и макета для понимания изображения документа
Архитектура модели LayoutLM во многом вдохновлена BERT и включает встраивание изображений из Faster R-CNN. Вложения ввода LayoutLM генерируются как комбинация вложений текста и положения, а затем объединяются с вложениями изображений, сгенерированными моделью Faster R-CNN. Маскированные модели визуального языка и классификация документов с несколькими метками в основном используются в качестве предварительных задач для LayoutLM. Модель LayoutLM ценна, динамична и достаточно сильна для любой работы, требующей понимания макета, такой как извлечение форм/квитанций, классификация изображений документов или даже визуальные ответы на вопросы, которые могут быть выполнены с помощью этой обучающей модели.
Модель LayoutLM была обучена на тестовой коллекции IIT-CDIP 1.0, которая включает более 6 миллионов документов и более 11 миллионов отсканированных изображений документов общим объемом более 12 ГБ данных. Эта модель значительно превзошла несколько предварительно обученных моделей SOTA в задачах понимания формы, понимания квитанций и классификации изображений отсканированных документов.
Form2Seq: платформа для извлечения структуры формы более высокого порядка
Form2Seq — это платформа, которая фокусируется на извлечении структур из входного текста с использованием позиционных последовательностей. В отличие от традиционных структур seq2seq, Form2Seq использует относительное пространственное положение структур, а не их порядок.
В этом методе сначала мы классифицируем низкоуровневые элементы, что позволит улучшить обработку и организацию. Существует 10 типов форм, таких как заголовки полей, элементы списка и так далее. Затем мы группируем элементы более низкого уровня, такие как текстовые поля и поля выбора, в конструкции более высокого порядка, называемые группами выбора. Они используются в качестве механизмов сбора информации для улучшения взаимодействия с пользователем элементов более низкого уровня в конструкциях более высокого порядка, таких как текстовые поля, поля выбора и группы выбора, используемые в качестве механизмов сбора информации в формах. Это возможно за счет расположения составных элементов в линейном порядке в естественном порядке чтения и подачи их пространственных и текстовых представлений в структуру Seq2Seq. Инфраструктура Seq2Seq последовательно делает прогнозы для каждого элемента предложения в зависимости от контекста. Это позволяет ему обрабатывать больше информации и лучше понимать поставленную задачу.
Модель достигла точности 90% в задаче классификации, что было выше, чем у базовых моделей, основанных на сегментации. F1 в текстовых блоках, текстовых полях и полях выбора составил 86.01% и 61.63% соответственно. Эта структура достигла состояния результатов набора данных ICDAR для распознавания структуры таблиц.
Хотите извлечь данные из печатных или рукописных форм? Проверьте Нанонет™ бесплатное извлечение данных из форм и автоматизация экспорта информации из любой формы!
Почему оптическое распознавание символов Nanonets на основе искусственного интеллекта — лучший вариант
Хотя программное обеспечение OCR может преобразовывать отсканированные изображения текста в отформатированные цифровые файлы, такие как PDF, DOC и PPT, оно не всегда точно. Сегодняшнее передовое программное обеспечение, такое как система глубокого обучения OCR на основе искусственного интеллекта Nanonets, преодолело многие проблемы, с которыми сталкивались традиционные системы OCR при создании редактируемого файла из отсканированного документа. Он стал лучшим вариантом для извлечения данных, поскольку он может обеспечить высокую точность и высокие уровни допуска для шума, графических элементов и изменений форматирования. Теперь давайте обсудим несколько моментов о том, как OCR на основе ИИ является лучшим вариантом.
- OCR, как уже говорилось, представляет собой простой метод извлечения данных. Тем не менее, они не будут работать последовательно, если будут добавлены невидимые/новые данные. Однако OCR на основе ИИ может справиться с такими ситуациями, поскольку они обучаются на широком спектре данных.
- Обычные OCR не могут обрабатывать сложные макеты для извлечения данных формы. Поэтому при использовании глубокого обучения или искусственного интеллекта они дают наилучшие результаты за счет понимания структуры данных, текста и контекста.
- OCR могут работать хуже, когда в данных есть шумы, такие как асимметрия, отсканированные изображения при слабом освещении и т. д., в то время как модели глубокого обучения могут справляться с такими условиями и по-прежнему возвращать высокоточные результаты.
- OCR на основе ИИ обладают широкими возможностями настройки и гибкости по сравнению с традиционными OCR; они могут быть построены на различных типах данных для преобразования неструктурированных данных в любой структурированный формат.
- Выходные данные постобработки OCR на основе ИИ доступны по сравнению с обычным OCR; их можно экспортировать в любые форматы данных, такие как JSON, CSV, таблицы Excel или даже в базу данных, такую как Postgres, непосредственно из модели.
- OCR на основе ИИ можно экспортировать как простой API с использованием предварительно обученных моделей. Это по-прежнему возможно в других традиционных методах, но может быть сложно постоянно улучшать модели на своевременной основе. В то время как OCR на основе AI может автоматически настраиваться по ошибкам.
- Извлечение таблицы с помощью прямого оптического распознавания символов невозможно. Однако это можно легко сделать с помощью AI/DL. Сегодня OCR на основе ИИ могут положительно указывать табличные формы внутри документов и извлекать информацию.
- Если в документах есть какие-либо финансовые или конфиденциальные данные, модели ИИ также могут выполнять проверку на мошенничество. Он в основном ищет отредактированный/размытый текст в отсканированных документах и уведомляет администраторов. Дубликаты документов или информации также могут быть идентифицированы с помощью этих моделей. В то время как OCR просто не работает в таких случаях.
- &
- 67
- 7
- 9
- Учетная запись
- точный
- достигнутый
- через
- дополнительный
- адрес
- продвинутый
- AI
- алгоритм
- алгоритмы
- Все
- Несмотря на то, что
- количество
- суммы
- Другой
- API
- API
- Применение
- Применение
- подхода
- архитектура
- около
- Автоматизированный
- доступен
- фон
- Базовая линия
- в основном
- основа
- становиться
- не являетесь
- ЛУЧШЕЕ
- Крупнейшая
- Заблокировать
- Блог
- граница
- строить
- Строительство
- бизнес
- Пропускная способность
- Подписи
- заботится
- случаев
- Вызывать
- вызов
- проблемы
- Проверки
- классификация
- собирать
- Сбор
- лыжных шлемов
- сочетание
- сочетании
- Комментарии
- Общий
- сообщество
- сравненный
- комплекс
- вычисление
- вычислительная мощность
- содержание
- содержание
- Расходы
- может
- создает
- Создающий
- решающее значение
- Клиенты
- данным
- безопасность данных
- База данных
- Финики
- конструкций
- обнаружение
- развивать
- развитый
- застройщиков
- события
- различный
- Интернет
- Размеры
- обсуждать
- Документация
- динамический
- Электронная почта:
- легко
- Edge
- Эффективный
- эффективный
- существенный
- Евро
- пример
- Excel
- опыт
- опыта
- Экстракты
- сталкиваются
- быстрее
- Особенность
- Особенности
- Поля
- фильтры
- в заключение
- финансовый
- First
- фиксированный
- поток
- форма
- формат
- формы
- найденный
- Рамки
- мошенничество
- Бесплатно
- функция
- Основы
- порождать
- цель
- группы
- помощь
- полезный
- High
- очень
- Как
- How To
- HTTPS
- идея
- Идентификация
- определения
- изображение
- Влияние
- важную
- что она
- улучшать
- В других
- включают
- В том числе
- информация
- вдохновленный
- интеграций
- вопросы
- IT
- работа
- известный
- Этикетки
- язык
- Языки
- большой
- больше
- вести
- изучение
- привело
- Кредитное плечо
- рычаги
- Список
- Списки
- локальным
- расположение
- места
- машина
- основной
- руководство
- вручную
- карта
- упоминает
- миллиона
- миллионы
- модель
- Модели
- самых
- имена
- натуральный
- сеть
- сетей
- узлы
- Шум
- Заметки
- номера
- онлайн
- Операционный отдел
- Опция
- Опции
- заказ
- организация
- организации
- Другое
- в противном случае
- бумага & картон
- новыми участниками
- Люди
- производительность
- личного
- Популярное
- возможное
- мощностью
- мощный
- Predictions
- представить
- первичный
- Проблема
- процесс
- Процессы
- Профиль
- FitPartner™
- Программирование
- Программы
- Проекция
- обеспечивать
- вопрос
- ассортимент
- Стоимость
- RE
- читатели
- Reading
- причины
- признает
- уменьшить
- Отчеты
- требовать
- ОТДЫХ
- Итоги
- Снижение
- Бег
- главная
- сканирование
- сканирование
- безопасный
- безопасность
- сегментация
- выбранный
- формы
- Короткое
- просто
- So
- Software
- Решения
- и политические лидеры
- Область
- современное состояние
- статистика
- магазин
- поток
- сильный
- Поддержанный
- система
- системы
- задачи
- налог
- снижения вреда
- тестXNUMX
- сторонние
- тысячи
- Через
- время
- кропотливый
- сегодня
- вместе
- терпимость
- инструменты
- традиционный
- Обучение
- трансформация
- понимать
- использование
- пользователей
- обычно
- видение
- визуализация
- W
- Web
- Что
- Что такое
- будь то
- в
- без
- слова
- Работа
- работает
- работает
- письмо
- X