Vill du extrahera data från tryckta eller handskrivna formulär? Kolla upp Nanonetter™ formulärdataextraktor gratis och automatisera exporten av information från vilken form som helst!
Former finns överallt; de definieras som dokument som skapats för att samla in information genom att deltagarna uppmanas att fylla i den information som behövs i ett specifikt format. De är användbara på grund av deras förmåga att samla in mycket data på kort tid. Alla formulär har dock inte samma kapacitet att samla in data och kräver ofta manuellt arbete senare. Därför förlitar vi oss på verktyg och algoritmer för att intelligent automatisera processen för extrahering av formulärdata. Det här blogginlägget kommer att djupdyka i olika scenarier och tekniker för att extrahera data från formulär med OCR och Deep Learning.
- Vad är Form Data Extraction?
- Vad gör problemet utmanande?
- Djupet av formulärextraktionsproblemet
- Hur har formulärdataextraktionslösningarna utvecklats?
- Formulärdataextraktion med OCR
- Lösning av formulärdataextraktion med hjälp av Deep Learning
- Gå in i Nanonets
Vad är Form Data Extraction?
Formulärdataextraktion är processen att extrahera data från formulär – både online och offline. Dessa data kan hittas i vilket format som helst, vanligtvis med ett formulär med relevant information. Att extrahera dessa data är dock inte alltid en lätt uppgift eftersom många layouter och mönster inte tillåter text att väljas lätt. Det finns inget naturligt sätt att kopiera data från dem. Därför förlitar vi oss på automatiserade tekniker för att extrahera data från formulär som är mer effektiva och mindre felbenägna.
Till exempel är många användare idag beroende av PDF-baserade formulär för att samla in kontaktinformation. Detta är ett mycket effektivt sätt att samla in information eftersom det inte kräver att avsändaren och mottagaren lämnar input. Men att extrahera dessa data från ett PDF-formulär kan vara utmanande och dyrt.
Här kan formulärdataextraktion hjälpa till att extrahera data från ett PDF-formulär, såsom namn, e-postadress, telefonnummer, etc. Det kan importeras till ett annat program som Excel, Sheets eller något annat strukturerat format. Hur det fungerar är att extraheringsverktygen läser över PDF-filen, drar automatiskt ut det den behöver och organiserar den i ett lättläst format. Denna data kan exporteras till andra format som Excel, CSV, JSON och andra välstrukturerade dataformat. I nästa avsnitt, låt oss titta på några av de vanliga utmaningarna när vi bygger formdataextraktionsalgoritmer.
Vill du extrahera data från tryckta eller handskrivna formulär? Kolla in Nanonets™ formulärdataextraktor gratis & automatisera exporten av information från vilken form som helst!
Vad gör formulärdataextraktion utmanande?
Dataextraktion är ett spännande problem av olika anledningar. För det första är det ett problem med bildigenkänning, men det måste också ta hänsyn till texten som kan finnas i bilden och formulärets layout, vilket gör att bygga en algoritm mer komplex. Det här avsnittet diskuterar några av de vanligaste utmaningarna som människor möter när de bygger formdataextraktionsalgoritmer.
- Brist på data: Dataextraktionsalgoritmer byggs vanligtvis med kraftfulla djupinlärnings- och datorseende-baserade algoritmer. Dessa förlitar sig vanligtvis på stora mängder data för att uppnå toppmodern prestanda. Att hitta en konsekvent och pålitlig datauppsättning och bearbeta dem är därför avgörande för alla former av dataextraktionsverktyg eller programvara. Säg till exempel att vi har formulär med flera mallar, då borde dessa algoritmer kunna förstå ett brett utbud av formulär; därför att träna dem på en robust datauppsättning skulle ha en mer exakt prestanda.
- Hantera teckensnitt, språk och layouter: Det finns svindlande mängder av olika typsnitt, mönster och mallar tillgängliga för olika typer av formulärdata. De kan delas in i flera helt olika klassificeringar, vilket gör det utmanande att säkerställa korrekt igenkänning när det finns en stor mängd olika karaktärstyper att ta hänsyn till. Därför är det viktigt att begränsa teckensnittssamlingen till ett visst språk och typ eftersom det kommer att skapa många processer som flyter smidigt när du väl har bearbetat dessa dokument på rätt sätt. I flerspråkiga fall måste jonglering mellan tecken från flera språk vara förberedd på och även ta hand om komplex typografi.
- Orientering och skevhet (rotation): Under datakurering skannar vi ofta bilder för att träna algoritmer för insamling av indata. Om du någonsin har använt en skanner eller digitalkamera, kanske du har märkt att vinkeln som du tar bilder av dokument ibland kan få dem att se skeva ut. Detta är känt som skevhet som hänvisar till graden av vinkel. Denna snedhet kan minska modellens noggrannhet. Lyckligtvis kan olika tekniker användas för att åtgärda detta problem genom att helt enkelt modifiera hur vår programvara upptäcker funktioner i vissa delar av bilden. Ett exempel på en sådan teknik är Projection Profile-metoder eller Fourier Transformation-metoder, som möjliggör mycket renare resultat i form, dimension och texturigenkänning! Även om orientering och skevhet kan vara enkla misstag, kan dessa påverka modellens noggrannhet i stort antal.
- Datasäkerhet: Om du extraherar data från olika källor för datainsamling är det viktigt att vara medveten om vilka säkerhetsåtgärder som finns. Annars riskerar du att äventyra informationen som överförs. Detta kan leda till situationer där personlig information bryts eller informationen som skickas till ett API inte är säker. Därför måste man, när man arbetar med ETL-skript och online-API:er för dataextraktion, också vara medveten om datasäkerhetsproblem.
- Tabell extraktion: Ibland ser vi formulärdata inuti tabeller; att bygga en robust algoritm som kan hantera både formextraktion och tabellextraktion kan vara utmanande. Det vanliga tillvägagångssättet är att bygga dessa algoritmer oberoende och tillämpa dem på data, men detta kommer att leda till användning av mer beräkningskraft vilket ökar kostnaderna. Därför bör en idealisk formulärextraktion kunna extrahera både formulärdata och data från ett givet dokument.
- Efterbearbetning/export av utdata: Utdata från någon dataextraktion är inte rak. Därför förlitar sig utvecklare på efterbehandlingstekniker för att filtrera resultaten till ett mer strukturerat format. Efter bearbetning av data exporteras den till ett mer strukturerat format som CSV, Excel eller en databas. Organisationer förlitar sig på tredjepartsintegrationer eller utvecklar API:er för att automatisera denna process, vilket återigen är tidskrävande. Därför bör idealiska dataextraktionsalgoritmer vara flexibla och lätta att kommunicera med externa datakällor.
Vill du extrahera data från tryckta eller handskrivna formulär? Kolla in Nanonets™ formulärdataextraktor gratis & automatisera exporten av information från vilken form som helst!
Förstå djupet av formulärextraktionen med olika scenarier
Hittills har vi diskuterat grunderna och utmaningarna med utvinning av formulärdata. I det här avsnittet kommer vi att djupdyka i olika scenarier och förstå djupet av extraheringen av formulärdata. Vi kommer också att titta på hur vi kan automatisera utvinningsprocessen för dessa specifika scenarier.
Scenario #1: Handskriven igenkänning för offlineformulär
Offlineformulär förekommer ofta i det dagliga livet. Det är absolut nödvändigt att formulären är lätta att fylla i och skicka in. Att manuellt digitalisera offlineformulär kan vara en hektisk och dyr uppgift, varför algoritmer för djupinlärning behövs. Handskrivna dokument är en stor utmaning att extrahera data från på grund av komplexiteten hos de handskrivna tecknen. Därför används algoritmer för dataigenkänning flitigt genom vilka en maskin lär sig att läsa och tolka den handskrivna texten. Processen går ut på att skanna bilder av handskrivna ord och omvandla dem till data som kan bearbetas och analyseras med en algoritm. Algoritmen skapar sedan en teckenkarta baserad på streck och känner igen motsvarande bokstäver för att extrahera texten.
Scenario #2: Kryssrutaidentifiering på formulär
Kryssrutaformulär är en form av datainmatning som används för att samla in information från en användare i ett inmatningsfält. Denna typ av data finns vanligtvis i listor och tabeller som kräver att användaren väljer ett eller flera objekt, till exempel objekt som de vill bli kontaktade. Den kan hittas på hur många platser som helst – onlineformulär, frågeformulär och undersökningar och så vidare. Idag kan vissa algoritmer automatisera datautvinningsprocessen även från kryssrutorna. Det primära målet med denna algoritm är att identifiera inmatningsregionerna med hjälp av datorseendetekniker. Dessa innebär att identifiera linjer (horisontella och vertikala), applicera filter, konturer och detektera kanter på bilderna. När inmatningsområdet har identifierats är det lätt att extrahera innehållet i kryssrutan som antingen är markerat eller omarkerat.
Scenario #3: Layout Ändringar av formuläret då och då
När det gäller att fylla i formulär finns det vanligtvis två olika typer av alternativ. För vissa formulär måste vi tillhandahålla vår information genom att skriva i alla relevanta fält, medan för andra kan vi tillhandahålla informationen genom att markera från några kryssrutor. Formulärets layout ändras också beroende på typen av formulär och dess sammanhang. Därför är det viktigt att bygga en algoritm som kan hantera flera ostrukturerade dokument och på ett intelligent sätt extrahera innehåll beroende på formuläretiketterna. En populär teknik för djupinlärningsarkitektur för att hantera dokumentlayouter är Graph CNNs. Tanken bakom Graph Convolutional Networks (GCN) är att säkerställa att neuronaktiveringarna är datadrivna. De är designade för att fungera på grafer, som är sammansatta av noder och kanter. Ett graffaltningslager kan känna igen mönster i frånvaro av en uppgiftsspecifik träningssignal. Därför är dessa lämpliga när uppgifterna är robusta.
Scenario #4: Tabellcellsdetektering
I vissa fall stöter företag på speciella typer av formulär som består av tabellceller. Tabellceller är rektangulära områden inuti en tabell där data lagras. De kan klassificeras som rubriker, rader eller kolumner. En idealisk algoritm bör identifiera alla dessa typer av celler och deras gränser för att extrahera data från dem. Några populära tekniker för bordsextraktion inkluderar Stream och Lattice; dessa är algoritmer som kan hjälpa till att upptäcka linjer, former, polygoner genom att använda enkla isomorfa operationer på bilder.
Hur har formulärdataextraktionslösningarna utvecklats?
Formulärdataextraktion har sitt ursprung i före-datorns dagar då människor hanterade pappersformulär. Med tillkomsten av databehandling blev det möjligt att lagra data elektroniskt. Datorprogrammen skulle kunna använda datan för att skapa rapporter, till exempel försäljningsstatistik. Denna programvara kan också användas för att skriva ut adressetiketter, såsom namn och adress på kunder, och skriva ut fakturor, såsom beloppet som ska betalas och adressen som det ska skickas till. Men idag ser vi en annan version av programvaran för extrahering av formulärdata; dessa är mycket exakta, snabbare och levererar data på ett mycket organiserat och strukturerat sätt. Låt oss nu kort diskutera olika typer av tekniker för utvinning av formulärdata.
- Regelbaserad från dataextraktion: Regelbaserad extrahering är en teknik som automatiskt extraherar data från ett visst mallformulär. Det kan extrahera data utan mänsklig inblandning. De fungerar genom att undersöka olika fält på sidan och bestämma vilka som ska extraheras baserat på omgivande text, etiketter och andra kontextuella ledtrådar. Dessa algoritmer är vanligtvis utvecklade och automatiserade med hjälp av ETL-skript eller webbskrapning. Men när de testas på osynliga data, misslyckas de helt.
- Formulärdataextraktion med OCR: OCR är en bra lösning för alla former av datautvinningsproblem. Däremot måste man skriva ytterligare skript och program för att uppnå korrekt prestanda. För att OCR ska fungera krävs en inmatning av en bild med text på. Programvaran läser sedan varje pixel och jämför varje pixel med dess motsvarande bokstav. Om den matchar kommer den att mata ut den bokstaven och eventuella siffror eller symboler tillräckligt nära bokstaven. Den största utmaningen med OCR är att ta reda på hur man separerar bokstäver. Till exempel när tonerna ligger nära varandra eller överlappar varandra, som "a" och "e". Därför kanske dessa inte fungerar när vi extraherar offlineformulär.
- NER för formulärdataextraktion: Namngiven enhetsigenkänning är uppgiften att identifiera och klassificera fördefinierade enheter i naturligt språktext. Det används ofta för att extrahera information från formulär, där personer skriver in namn, adresser, kommentarer etc. Uppgiften att känna igen namngivna enheter är nära relaterad till den bredare uppgiften med coreference resolution, som avgör om omnämnanden av samma enheter refererar till samma verkliga enheter. Idag med avancerade programmeringsverktyg och ramverk kan vi utnyttja förutbildade modeller för att bygga NER-baserade modeller för uppgifter för informationsutvinning.
- Använda Deep Learning för att extrahera formulärdata: Deep learning är inte nytt, det har funnits i decennier, men den senaste utvecklingen inom djupinlärningsarkitekturer och datorkraft har lett till genombrottsresultat. Formulärdataextraktion med hjälp av djupinlärning uppnådde toppmodern prestanda i nästan alla format, oavsett om det är digitalt eller handskrivet. Processen börjar med att mata det djupa neurala nätverket (DNN) tusentals eller miljontals olika exempel märkta med vad de är. Till exempel, bildformsetiketter med dess enheter som namn, e-post, id, etc. DNN bearbetar all denna information och lär sig på egen hand hur dessa bitar hänger ihop. Men att bygga en mycket exakt modell kräver mycket expertis och experiment.
Vill du extrahera data från tryckta eller handskrivna formulär? Kolla in Nanonets™ formulärdataextraktor gratis & automatisera exporten av information från vilken form som helst!
Formulärdataextraktion med OCR
Det finns många olika bibliotek tillgängliga för att extrahera data från formulär. Men vad händer om du vill extrahera data från en bild av ett formulär? Det är här Tesseract OCR (Optical Character Recognition) kommer in. Tesseract är en öppen källkodsmotor för OCR (Optical Character Recognition) utvecklad av HP. Med Tesseract OCR är det möjligt att konvertera skannade dokument som pappersfakturor, kvitton och checkar till sökbara, redigerbara digitala filer. Den finns på flera språk och kan känna igen tecken i olika bildformat. Tesseract används vanligtvis i kombination med andra bibliotek för att bearbeta bilder för att extrahera text.
För att testa detta, se till att du installerar Tesseract på din lokala dator. Du kan antingen använda Tesseract CLI- eller Python-bindningar för att köra OCR. Python-tesseract är ett omslag för Googles Tesseract-OCR Engine. Den kan användas för att läsa alla bildtyper som stöds av bildbiblioteken Pillow och Leptonica, inklusive jpeg, png, gif, bmp, tiff och andra. Du kan enkelt använda det som ett fristående anropsskript för att tesseragera om det behövs.
Låt oss nu ta ett kvitto som innehåller formulärdata och försöka identifiera platsen för texten med hjälp av Computer Vision och 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')
Här, i utgången, som vi kan se, kunde programmet identifiera all text i formuläret. Låt oss nu tillämpa OCR på detta för att extrahera all information. Vi kan helt enkelt göra detta genom att använda bild_till_sträng funktion i Python.
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
Produktion:
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
Här kan vi extrahera all information från formuläret. Men i de flesta fall hjälper det inte att använda enbart OCR eftersom den extraherade informationen kommer att vara helt ostrukturerad. Därför förlitar sig användare på utdrag av nyckel-värdepar på formulär, som bara kan identifiera specifika enheter som ID, datum, skattebelopp, etc. Detta är bara möjligt med djupinlärning. I nästa avsnitt, låt oss titta på hur vi kan utnyttja olika tekniker för djupinlärning för att bygga informationsextraktionsalgoritmer.
Lösning av formulärdataextraktion med hjälp av Deep Learning
Grafkonvolution för extraktion av multimodal information från visuellt rika dokument
Graph Convolutional Networks (Graph CNNs) är en klass av djupa konvolutionella neurala nätverk (CNN) som effektivt kan lära sig mycket icke-linjära funktioner i grafdatastrukturer samtidigt som nod- och kantstrukturen bevaras. De kan ta grafdatastrukturer som input och generera "funktionskartor" för noder och kanter. De resulterande funktionerna kan användas för grafklassificering, klustring eller gemenskapsdetektering. GCN tillhandahåller en kraftfull lösning för att extrahera information från stora, visuellt rika dokument som fakturor och kvitton. För att bearbeta dessa måste varje bild omvandlas till en graf som består av noder och kanter. Alla ord på bilden representeras av sin egen nod; visualisering av resten av datan kodas i nodens funktionsvektor.
Denna modell kodar först varje textsegment i dokumentet till grafinbäddning. Genom att göra det fångas det visuella och textmässiga sammanhang som omger varje textelement, tillsammans med dess position eller plats i ett textblock. Den kombinerar sedan dessa grafer med textinbäddningar för att skapa en övergripande representation av dokumentets struktur och vad som skrivs i det. Modellen lär sig att lägga högre vikt på texter som sannolikt är entiteter baserat på deras placering i förhållande till varandra och det sammanhang där de förekommer inom ett större block av läsare. Slutligen tillämpar den en standard BiLSTM-CRF-modell för entitetsextraktion. Resultaten visar att denna algoritm överträffar baslinjemodellen (BiLSTM-CRF) med stor marginal.
LayoutLM: Förträning av text och layout för dokumentbildsförståelse
Arkitekturen i LayoutLM-modellen är starkt inspirerad av BERT och innehåller bildinbäddningar från en Faster R-CNN. LayoutLM-inbäddningar genereras som en kombination av text- och positionsinbäddningar, och kombineras sedan med bildinbäddningar som genereras av Faster R-CNN-modellen. Maskerade visuella språkmodeller och Multi-Label Document Classification används främst som förträningsuppgifter för LayoutLM. LayoutLM-modellen är värdefull, dynamisk och tillräckligt stark för alla jobb som kräver layoutförståelse, såsom formulär-/kvittonutvinning, klassificering av dokumentbilder eller till och med visuella frågor kan utföras med denna utbildningsmodell.
LayoutLM-modellen tränades på IIT-CDIP Test Collection 1.0, som inkluderar över 6 miljoner dokument och mer än 11 miljoner skannade dokumentbilder på totalt över 12 GB data. Denna modell hade avsevärt överträffat flera SOTA-förutbildade modeller i formförståelse, kvittoförståelse och klassificering av skannade dokumentbilder.
Form2Seq: Ett ramverk för extraktion av högre ordningsformulär
Form2Seq är ett ramverk som fokuserar på att extrahera strukturer från inmatad text med hjälp av positionssekvenser. Till skillnad från traditionella seq2seq-ramverk utnyttjar Form2Seq relativa rumsliga positioner för strukturerna, snarare än deras ordning.
I den här metoden klassificerar vi först lågnivåelement som möjliggör bättre bearbetning och organisation. Det finns 10 typer av formulär, som fälttexter, listobjekt och så vidare. Därefter grupperar vi element på lägre nivå, såsom textfält och valfält, i högre ordningskonstruktioner som kallas ChoiceGroups. Dessa används som informationsinsamlingsmekanismer för att uppnå bättre användarupplevelse av element på lägre nivå till konstruktioner av högre ordning, såsom Text Fields, ChoiceFields och ChoiceGroups, som används som informationsinsamlingsmekanismer i formulär. Detta är möjligt genom att arrangera de ingående elementen i en linjär ordning i naturlig läsordning och mata deras rumsliga och textuella representationer till Seq2Seq-ramverket. Ramverket Seq2Seq gör sekventiellt förutsägelser för varje element i en mening beroende på sammanhanget. Detta gör att den kan bearbeta mer information och komma fram till en bättre förståelse av uppgiften.
Modellen uppnådde en noggrannhet på 90 % i klassificeringsuppgiften, vilket var högre än för segmenteringsbaserade baslinjemodeller. F1 på textblock, textfält och valfält var 86.01% respektive 61.63%. Detta ramverk uppnådde tillståndet för resultaten på ICDAR-datauppsättningen för tabellstrukturigenkänning.
Vill du extrahera data från tryckta eller handskrivna formulär? Kolla in Nanonets™ formulärdataextraktor gratis & automatisera exporten av information från vilken form som helst!
Varför Nanonets AI-baserad OCR är det bästa alternativet
Även om OCR-programvara kan konvertera skannade bilder av text till formaterade digitala filer som PDF, DOC och PPT, är det inte alltid korrekt. Dagens ledande programvara som Nanonets AI-baserade OCR-djupinlärningssystem har övervunnit många utmaningar som traditionella OCR-system har ställts inför när de skapat en redigerbar fil från ett skannat dokument. Det har blivit det bästa alternativet för dataextraktion eftersom det kan ge höga noggrannhetsgrader och höga toleransnivåer för brus, grafiska element och formateringsändringar. Låt oss nu diskutera några punkter om hur AI-baserad OCR är det bästa alternativet.
- OCR, som diskuterats, är en enkel teknik för att extrahera data. De kommer dock inte att fungera konsekvent när de läggs på osynliga/nya data. AI-baserad OCR skulle dock kunna hantera situationer som dessa, eftersom de tränar på ett brett utbud av data.
- Normala OCR:er kan inte hantera komplexa layouter för formulärdataextraktioner. När de drivs med djupinlärning eller AI ger de därför de bästa resultaten genom att förstå datas layouter, text och sammanhang.
- OCR kan underprestera när det finns brus i data, såsom skevhet, skannade bilder i svagt ljus etc., medan djupinlärningsmodeller kan hantera sådana förhållanden och ändå ge mycket exakta resultat.
- AI-baserade OCR är mycket anpassningsbara och flexibla jämfört med traditionella OCR; de kan byggas på olika typer av data för att konvertera ostrukturerad data till vilket strukturerat format som helst.
- Efterbehandlingsutgångar från AI-baserad OCR är tillgängliga jämfört med vanlig OCR; de kan exporteras till alla dataformat som JSON, CSV, Excel Sheets eller till och med en databas som Postgres direkt från modellen.
- AI-baserad OCR kan exporteras som ett enkelt API med förutbildade modeller. Detta är fortfarande möjligt i andra traditionella metoder, men det kan vara svårt att förbättra modellerna konsekvent i tid. Medan den är på AI-baserad OCR kan den automatiskt ställas in av fel.
- Tabellextraktion är mycket omöjlig med rak OCR. Det kan dock göras med lätthet med kraften i AI/DL. Idag kan AI-baserade OCR:er positivt peka tabellbaserade formulär inuti dokument och extrahera information.
- Om det finns ekonomiska eller konfidentiella uppgifter i dokument kan AI-modeller också utföra bedrägerikontroller. Den letar i princip efter redigerad/suddig text från de skannade dokumenten och meddelar administratörerna. Dubbletter av dokument eller information kan också identifieras genom dessa modeller. Medan OCR helt enkelt misslyckas i sådana fall.
- &
- 67
- 7
- 9
- Konto
- exakt
- uppnås
- tvärs
- Annat
- adress
- avancerat
- AI
- algoritm
- algoritmer
- Alla
- Även
- mängd
- mängder
- Annan
- api
- API: er
- Ansökan
- Tillämpa
- tillvägagångssätt
- arkitektur
- runt
- Automatiserad
- tillgänglig
- bakgrund
- Baslinje
- I grund och botten
- grund
- blir
- Där vi får lov att vara utan att konstant prestera,
- BÄST
- störst
- Blockera
- Blogg
- gränsen
- SLUTRESULTAT
- Byggnad
- företag
- Kapacitet
- texter
- vilken
- fall
- Orsak
- utmanar
- utmaningar
- Kontroller
- klassificering
- samla
- Samla
- samling
- kombination
- kombinerad
- kommentarer
- Gemensam
- samfundet
- jämfört
- komplex
- databehandling
- beräkningskraft
- innehåll
- innehåll
- Kostar
- kunde
- skapar
- Skapa
- avgörande
- Kunder
- datum
- datasäkerhet
- Databas
- Datum
- mönster
- Detektering
- utveckla
- utvecklade
- utvecklare
- utvecklingen
- olika
- digital
- Dimensionera
- diskutera
- dokument
- dynamisk
- lätt
- kant
- Effektiv
- effektiv
- väsentlig
- Euro
- exempel
- excel
- erfarenhet
- expertis
- extrakt
- inför
- snabbare
- Leverans
- Funktioner
- Fält
- filter
- Slutligen
- finansiella
- Förnamn
- Fast
- flöda
- formen
- format
- former
- hittade
- Ramverk
- bedrägeri
- Fri
- fungera
- Fundamentals
- generera
- Målet
- Grupp
- hjälpa
- hjälp
- Hög
- höggradigt
- Hur ser din drömresa ut
- How To
- HTTPS
- Tanken
- Identifiering
- identifiera
- bild
- Inverkan
- med Esport
- omöjligt
- förbättra
- I andra
- innefattar
- Inklusive
- informationen
- inspirerat
- integrationer
- problem
- IT
- Jobb
- känd
- Etiketter
- språk
- Språk
- Large
- större
- leda
- inlärning
- Led
- Hävstång
- hävstångs
- Lista
- listor
- lokal
- läge
- platser
- Maskinen
- större
- manuell
- manuellt
- karta
- nämner
- miljon
- miljoner
- modell
- modeller
- mest
- namn
- Natural
- nät
- nätverk
- noder
- Brus
- Anmärkningar
- nummer
- nätet
- Verksamhet
- Alternativet
- Tillbehör
- beställa
- organisation
- organisationer
- Övriga
- annat
- Papper
- deltagare
- Personer
- prestanda
- personlig
- Populära
- möjlig
- kraft
- den mäktigaste
- Förutsägelser
- presentera
- primär
- Problem
- process
- processer
- Profil
- Program
- Programmering
- Program
- Projektion
- ge
- fråga
- område
- rates
- RE
- läsare
- Läsning
- skäl
- erkänner
- minska
- Rapport
- kräver
- REST
- Resultat
- Risk
- rinnande
- försäljning
- scanna
- scanning
- säkra
- säkerhet
- segmentering
- vald
- former
- Kort
- Enkelt
- So
- Mjukvara
- Lösningar
- igång
- Ange
- state-of-the-art
- statistik
- lagra
- ström
- stark
- Som stöds
- system
- System
- uppgifter
- skatt
- tekniker
- testa
- tredje part
- tusentals
- Genom
- tid
- tidskrävande
- i dag
- tillsammans
- tolerans
- verktyg
- traditionell
- Utbildning
- Transformation
- förstå
- användning
- användare
- vanligen
- syn
- visualisering
- W
- webb
- Vad
- Vad är
- om
- inom
- utan
- ord
- Arbete
- arbetssätt
- fungerar
- skrivning
- X