Amazon Text เป็นบริการแมชชีนเลิร์นนิง (ML) ที่จะแยกข้อความ ลายมือ และข้อมูลจากเอกสารหรือรูปภาพใดๆ โดยอัตโนมัติ Amazon Textract มีคุณสมบัติ Tables ภายใน วิเคราะห์เอกสาร API ที่ให้ความสามารถในการแยกโครงสร้างตารางจากเอกสารใดๆ โดยอัตโนมัติ ในโพสต์นี้ เราจะหารือเกี่ยวกับการปรับปรุงที่เกิดขึ้นกับ ตาราง และวิธีที่ทำให้ดึงข้อมูลในโครงสร้างตารางจากเอกสารที่หลากหลายได้ง่ายขึ้น
โครงสร้างตารางในเอกสาร เช่น รายงานทางการเงิน สลิปเงินเดือน และใบรับรองการวิเคราะห์ไฟล์ มักได้รับการจัดรูปแบบในลักษณะที่ช่วยให้ตีความข้อมูลได้ง่าย พวกเขามักจะรวมข้อมูลเช่นชื่อตาราง ส่วนท้ายของตาราง ชื่อส่วน และแถวสรุปภายในโครงสร้างตารางเพื่อให้อ่านง่ายและจัดระเบียบได้ดีขึ้น สำหรับเอกสารที่คล้ายกันก่อนการปรับปรุงนี้ คุณลักษณะตารางภายใน AnalyzeDocument
จะระบุองค์ประกอบเหล่านั้นเป็นเซลล์ และไม่ได้แยกชื่อและส่วนท้ายที่อยู่นอกขอบเขตของตาราง ในกรณีเช่นนี้ จำเป็นต้องใช้ตรรกะหลังการประมวลผลแบบกำหนดเองเพื่อระบุข้อมูลดังกล่าวหรือแยกออกจากเอาต์พุต JSON ของ API ด้วยการประกาศการปรับปรุงคุณลักษณะตารางนี้ การดึงข้อมูลตารางด้านต่างๆ จะง่ายขึ้นมาก
ในเดือนเมษายน ปี 2023 Amazon Textract เปิดตัวความสามารถในการตรวจจับชื่อ ส่วนท้าย ชื่อส่วน และแถวสรุปที่มีอยู่ในเอกสารโดยอัตโนมัติผ่านคุณสมบัติตาราง ในโพสต์นี้ เราจะพูดถึงการปรับปรุงเหล่านี้และยกตัวอย่างเพื่อช่วยให้คุณเข้าใจและใช้ในเวิร์กโฟลว์การประมวลผลเอกสารของคุณ เราอธิบายวิธีใช้การปรับปรุงเหล่านี้ผ่านตัวอย่างโค้ดเพื่อใช้ API และประมวลผลการตอบสนองด้วย ไลบรารี Amazon Textract Textractor.
ภาพรวมของโซลูชัน
รูปภาพต่อไปนี้แสดงให้เห็นว่าแบบจำลองที่อัปเดตไม่เพียงแต่ระบุตารางในเอกสารเท่านั้น แต่ยังระบุส่วนหัวและส่วนท้ายของตารางที่เกี่ยวข้องทั้งหมดด้วย เอกสารรายงานทางการเงินตัวอย่างนี้ประกอบด้วยชื่อตาราง ส่วนท้าย ชื่อส่วน และแถวสรุป
การปรับปรุงฟีเจอร์ตารางเพิ่มการรองรับองค์ประกอบใหม่สี่องค์ประกอบในการตอบสนองของ API ซึ่งช่วยให้คุณแยกองค์ประกอบตารางแต่ละองค์ประกอบได้อย่างง่ายดาย และเพิ่มความสามารถในการแยกประเภทของตาราง
องค์ประกอบตาราง
Amazon Textract สามารถระบุองค์ประกอบต่างๆ ของตารางได้ เช่น เซลล์ตารางและเซลล์ที่ผสาน ส่วนประกอบเหล่านี้เรียกว่า Block
ออบเจ็กต์ สรุปรายละเอียดที่เกี่ยวข้องกับส่วนประกอบ เช่น เรขาคณิตขอบเขต ความสัมพันธ์ และคะแนนความเชื่อมั่น ก Block
แสดงถึงรายการที่ได้รับการยอมรับในเอกสารภายในกลุ่มพิกเซลที่อยู่ใกล้กัน ต่อไปนี้เป็นของใหม่ บล็อกตาราง เปิดตัวในการปรับปรุงนี้:
- ชื่อตาราง – ใหม่
Block
ประเภทที่เรียกว่าTABLE_TITLE
ที่ช่วยให้คุณสามารถระบุชื่อของตารางที่กำหนดได้ ชื่อเรื่องอาจเป็นบรรทัดตั้งแต่หนึ่งบรรทัดขึ้นไป ซึ่งโดยทั่วไปจะอยู่เหนือตารางหรือฝังเป็นเซลล์ภายในตาราง - ส่วนท้ายของตาราง – ใหม่
Block
ประเภทที่เรียกว่าTABLE_FOOTER
ที่ช่วยให้คุณสามารถระบุส่วนท้ายที่เกี่ยวข้องกับตารางที่กำหนดได้ ส่วนท้ายอาจเป็นบรรทัดตั้งแต่หนึ่งบรรทัดขึ้นไปซึ่งโดยปกติจะอยู่ใต้ตารางหรือฝังเป็นเซลล์ภายในตาราง - ชื่อหมวด – ใหม่
Block
ประเภทที่เรียกว่าTABLE_SECTION_TITLE
ที่ช่วยให้คุณระบุได้ว่าเซลล์ที่ตรวจพบนั้นเป็นชื่อส่วนหรือไม่ - เซลล์สรุป – ใหม่
Block
ประเภทที่เรียกว่าTABLE_SUMMARY
ที่ช่วยให้คุณระบุได้ว่าเซลล์นั้นเป็นเซลล์สรุปหรือไม่ เช่น เซลล์สำหรับผลรวมใน paystub
ประเภทของตาราง
เมื่อ Amazon Textract ระบุตารางในเอกสาร ระบบจะแยกรายละเอียดทั้งหมดของตารางมาไว้ที่ระดับบนสุด Block
ประเภทของ TABLE
. โต๊ะอาจมีรูปทรงและขนาดต่างๆ ตัวอย่างเช่น เอกสารมักจะมีตารางที่อาจมีหรือไม่มีส่วนหัวของตารางที่มองเห็นได้ เพื่อช่วยแยกแยะประเภทตารางเหล่านี้ เราได้เพิ่มประเภทเอนทิตีใหม่สองประเภทสำหรับ TABLE Block
: SEMI_STRUCTURED_TABLE
และ STRUCTURED_TABLE
. ประเภทเอนทิตีเหล่านี้ช่วยให้คุณแยกแยะระหว่างตารางที่มีโครงสร้างและตารางกึ่งโครงสร้างได้
ตารางที่มีโครงสร้างคือตารางที่มีการกำหนดส่วนหัวของคอลัมน์ไว้อย่างชัดเจน แต่สำหรับตารางแบบกึ่งโครงสร้าง ข้อมูลอาจไม่เป็นไปตามโครงสร้างที่เข้มงวด ตัวอย่างเช่น ข้อมูลอาจปรากฏในโครงสร้างตารางที่ไม่ใช่ตารางที่มีการกำหนดส่วนหัวไว้ ประเภทเอนทิตีใหม่ให้ความยืดหยุ่นในการเลือกตารางที่จะเก็บหรือลบออกระหว่างการประมวลผลภายหลัง รูปภาพต่อไปนี้แสดงตัวอย่าง STRUCTURED_TABLE
และ SEMI_STRUCTURED_TABLE
.
การวิเคราะห์เอาต์พุต API
ในส่วนนี้ เราจะมาสำรวจว่าคุณสามารถใช้ได้อย่างไร ไลบรารี Amazon Textract Textractor เพื่อประมวลผลเอาต์พุต API ของ AnalyzeDocument
ด้วยการปรับปรุงคุณสมบัติตาราง ซึ่งช่วยให้คุณสามารถดึงข้อมูลที่เกี่ยวข้องจากตารางได้
Textractor เป็นไลบรารีที่สร้างขึ้นเพื่อให้ทำงานได้อย่างราบรื่นกับ Amazon Textract API และยูทิลิตี้ต่างๆ เพื่อแปลงการตอบสนอง JSON ที่ส่งคืนโดย API ให้เป็นอ็อบเจ็กต์ที่ตั้งโปรแกรมได้ในภายหลัง คุณยังสามารถใช้เพื่อแสดงภาพเอนทิตีในเอกสารและส่งออกข้อมูลในรูปแบบ เช่น ไฟล์ค่าที่คั่นด้วยเครื่องหมายจุลภาค (CSV) มีจุดมุ่งหมายเพื่อช่วยลูกค้า Amazon Textract ในการตั้งค่าไปป์ไลน์หลังการประมวลผล
ในตัวอย่างของเรา เราใช้หน้าตัวอย่างต่อไปนี้จากเอกสารการยื่น 10-K SEC
รหัสต่อไปนี้สามารถพบได้ภายในของเรา พื้นที่เก็บข้อมูล GitHub. ในการประมวลผลเอกสารนี้ เราใช้ไลบรารี Textractor และนำเข้าเพื่อให้เราประมวลผลเอาต์พุต API ภายหลังและแสดงข้อมูลเป็นภาพ:
ขั้นตอนแรกคือการเรียก Amazon Textract AnalyzeDocument
พร้อมฟีเจอร์ตาราง แสดงโดย features=[TextractFeatures.TABLES]
พารามิเตอร์ในการดึงข้อมูลตาราง โปรดทราบว่าวิธีนี้เรียกใช้แบบเรียลไทม์ (หรือซิงโครนัส) วิเคราะห์เอกสาร API ซึ่งรองรับเอกสารหน้าเดียว อย่างไรก็ตาม คุณสามารถใช้ ไม่ตรงกัน StartDocumentAnalysis
API เพื่อประมวลผลเอกสารหลายหน้า (สูงสุด 3,000 หน้า)
พื้นที่ document
วัตถุมีข้อมูลเมตาเกี่ยวกับเอกสารที่สามารถตรวจสอบได้ โปรดสังเกตว่าจะจดจำตารางหนึ่งในเอกสารพร้อมกับเอนทิตีอื่นๆ ในเอกสาร:
ตอนนี้เรามีเอาต์พุต API ที่มีข้อมูลตารางแล้ว เราจะเห็นภาพองค์ประกอบต่างๆ ของตารางโดยใช้โครงสร้างการตอบสนองที่กล่าวถึงก่อนหน้านี้:
ไลบรารี Textractor เน้นเอนทิตีต่างๆ ภายในตารางที่ตรวจพบด้วยรหัสสีที่แตกต่างกันสำหรับแต่ละองค์ประกอบของตาราง มาดำดิ่งลึกลงไปว่าเราจะแยกแต่ละองค์ประกอบได้อย่างไร ข้อมูลโค้ดต่อไปนี้สาธิตการแยกชื่อของตาราง:
ในทำนองเดียวกัน เราสามารถใช้โค้ดต่อไปนี้เพื่อแยกส่วนท้ายของตารางได้ โปรดสังเกตว่า table_footers เป็นรายการ ซึ่งหมายความว่าสามารถมีส่วนท้ายอย่างน้อยหนึ่งรายการที่เกี่ยวข้องกับตารางได้ เราสามารถวนซ้ำรายการนี้เพื่อดูส่วนท้ายทั้งหมดที่มีอยู่ และดังที่แสดงในตัวอย่างโค้ดต่อไปนี้ ผลลัพธ์จะแสดงส่วนท้ายสามส่วน:
การสร้างข้อมูลสำหรับการนำเข้าดาวน์สตรีม
ไลบรารี Textractor ยังช่วยให้คุณนำเข้าข้อมูลตารางเข้าสู่ระบบดาวน์สตรีมหรือเวิร์กโฟลว์อื่นๆ ได้ง่ายขึ้น ตัวอย่างเช่น คุณสามารถส่งออกข้อมูลตารางที่แยกออกมาเป็นไฟล์ Microsoft Excel ที่มนุษย์สามารถอ่านได้ ในขณะที่เขียนบทความนี้ นี่เป็นรูปแบบเดียวที่รองรับตารางที่ผสานแล้ว
เรายังสามารถแปลงมันเป็น a แพนด้าดาต้าเฟรม. DataFrame เป็นตัวเลือกยอดนิยมสำหรับการจัดการข้อมูล การวิเคราะห์ และการแสดงภาพในภาษาการเขียนโปรแกรม เช่น Python และ R
ใน Python นั้น DataFrame เป็นโครงสร้างข้อมูลหลักในไลบรารี Pandas มีความยืดหยุ่นและมีประสิทธิภาพ และมักจะเป็นตัวเลือกแรกสำหรับผู้เชี่ยวชาญด้านการวิเคราะห์ข้อมูลสำหรับการวิเคราะห์ข้อมูลและงาน ML ต่างๆ ข้อมูลโค้ดต่อไปนี้แสดงวิธีการแปลงข้อมูลตารางที่แยกออกมาเป็น DataFrame ด้วยโค้ดบรรทัดเดียว:
สุดท้ายนี้ เราสามารถแปลงข้อมูลตารางเป็นไฟล์ CSV ได้ ไฟล์ CSV มักใช้เพื่อนำเข้าข้อมูลไปยังฐานข้อมูลเชิงสัมพันธ์หรือคลังข้อมูล ดูรหัสต่อไปนี้:
สรุป
การเปิดตัวบล็อกและประเภทเอนทิตีใหม่เหล่านี้ (TABLE_TITLE
, TABLE_FOOTER
, STRUCTURED_TABLE
, SEMI_STRUCTURED_TABLE
, TABLE_SECTION_TITLE
, TABLE_FOOTER
และ TABLE_SUMMARY
) ถือเป็นความก้าวหน้าที่สำคัญในการแยกโครงสร้างตารางออกจากเอกสารด้วย Amazon Textract
เครื่องมือเหล่านี้ให้แนวทางที่เหมาะสมและยืดหยุ่นมากขึ้น รองรับทั้งตารางที่มีโครงสร้างและกึ่งโครงสร้าง และช่วยให้แน่ใจว่าจะไม่มีการมองข้ามข้อมูลที่สำคัญ โดยไม่คำนึงถึงตำแหน่งของข้อมูลในเอกสาร
ซึ่งหมายความว่าขณะนี้เราสามารถจัดการประเภทข้อมูลและโครงสร้างตารางที่หลากหลายได้อย่างมีประสิทธิภาพและแม่นยำยิ่งขึ้น ในขณะที่เรายังคงเปิดรับพลังของระบบอัตโนมัติในเวิร์กโฟลว์การประมวลผลเอกสาร การปรับปรุงเหล่านี้จะปูทางไปสู่เวิร์กโฟลว์ที่มีประสิทธิภาพมากขึ้น ประสิทธิภาพการผลิตที่สูงขึ้น และการวิเคราะห์ข้อมูลที่ลึกซึ้งยิ่งขึ้นอย่างไม่ต้องสงสัย สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ AnalyzeDocument
และคุณสมบัติตาราง โปรดดูที่ วิเคราะห์เอกสาร.
เกี่ยวกับผู้แต่ง
ราชปฏัก เป็นสถาปนิกอาวุโสด้านโซลูชันและเทคโนโลยีที่เชี่ยวชาญด้านบริการทางการเงิน (ประกันภัย การธนาคาร ตลาดทุน) และการเรียนรู้ของเครื่อง เขาเชี่ยวชาญด้าน Natural Language Processing (NLP), Large Language Models (LLM) และ Machine Learning โครงสร้างพื้นฐานและการดำเนินงานโครงการ (MLOps)
อัญชัน บิสวาส เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI โดยมุ่งเน้นที่ AI/ML และการวิเคราะห์ข้อมูล Anjan เป็นส่วนหนึ่งของทีมบริการ AI ทั่วโลกและทำงานร่วมกับลูกค้าเพื่อช่วยให้พวกเขาเข้าใจ และพัฒนาวิธีแก้ปัญหาทางธุรกิจด้วย AI และ ML Anjan มีประสบการณ์มากกว่า 14 ปีในการทำงานกับองค์กรซัพพลายเชน การผลิต และการค้าปลีกระดับโลก และคอยช่วยเหลือลูกค้าในการเริ่มต้นและปรับขนาดบริการ AWS AI
ลลิตา เรดดี เป็นผู้จัดการผลิตภัณฑ์ด้านเทคนิคอาวุโสของทีม Amazon Textract เธอมุ่งเน้นไปที่การสร้างบริการบนการเรียนรู้ของเครื่องสำหรับลูกค้า AWS ในเวลาว่าง ลลิตาชอบเล่นเกมกระดานและเดินป่า
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- การเงิน EVM ส่วนต่อประสานแบบครบวงจรสำหรับการเงินแบบกระจายอำนาจ เข้าถึงได้ที่นี่.
- กลุ่มสื่อควอนตัม IR/PR ขยาย เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/announcing-enhanced-table-extractions-with-amazon-textract/
- :มี
- :เป็น
- :ไม่
- $ ขึ้น
- 000
- 1
- 10
- 100
- 11
- 116
- 14
- 15%
- 16
- 20
- 2021
- 2022
- 2023
- 22
- 26%
- 30
- 31
- 7
- 8
- a
- ความสามารถ
- เกี่ยวกับเรา
- ข้างบน
- บัญชี
- ความถูกต้อง
- อย่างกระตือรือร้น
- ที่เพิ่ม
- เพิ่ม
- ความก้าวหน้า
- บริษัท ตัวแทน
- AI
- บริการ AI
- AI / ML
- ช่วย
- ทั้งหมด
- ช่วยให้
- ตาม
- ด้วย
- อเมซอน
- Amazon Text
- Amazon Web Services
- จำนวน
- an
- การวิเคราะห์
- การวิเคราะห์
- และ
- การประกาศ
- ประกาศ
- ใด
- API
- APIs
- ปรากฏ
- เข้าใกล้
- ประมาณ
- เมษายน
- เป็น
- AS
- ด้าน
- สินทรัพย์
- ที่เกี่ยวข้อง
- At
- อัตโนมัติ
- อัตโนมัติ
- AWS
- ยอดคงเหลือ
- งบดุล
- การธนาคาร
- รากฐาน
- BE
- จะกลายเป็น
- ด้านล่าง
- ดีกว่า
- ระหว่าง
- พันล้าน
- ปิดกั้น
- คณะกรรมการ
- เกมกระดาน
- ทั้งสอง
- การก่อสร้าง
- ธุรกิจ
- แต่
- by
- โทรศัพท์
- ที่เรียกว่า
- CAN
- เมืองหลวง
- ตลาดทุน
- กรณี
- เงินสด
- เซลล์
- บาง
- ใบรับรอง
- โซ่
- ทางเลือก
- Choose
- แยกประเภท
- อย่างเห็นได้ชัด
- ไคลเอนต์
- ปิดหน้านี้
- รหัส
- ประกอบ
- สี
- คอลัมน์
- อย่างไร
- ภาระผูกพัน
- ส่วนประกอบ
- ส่วนประกอบ
- ความมั่นใจ
- บรรจุ
- มี
- ต่อ
- แปลง
- ไทม์ไลน์การ
- ตรงกัน
- ราคา
- ที่สร้างขึ้น
- เครดิต
- ประเพณี
- ลูกค้า
- ข้อมูล
- การวิเคราะห์ข้อมูล
- วิเคราะห์ข้อมูล
- โครงสร้างข้อมูล
- ฐานข้อมูล
- หนี้สิน
- ธันวาคม
- ลึก
- กำหนด
- แสดงให้เห็นถึง
- รายละเอียด
- ตรวจพบ
- พัฒนา
- ต่าง
- ทิศทาง
- ส่วนลด
- สนทนา
- กล่าวถึง
- แสดง
- เห็นความแตกต่าง
- หลาย
- เอกสาร
- เอกสาร
- สงสัย
- สอง
- ในระหว่าง
- แต่ละ
- ความสะดวก
- ง่ายดาย
- ง่าย
- อย่างมีประสิทธิภาพ
- ธาตุ
- องค์ประกอบ
- ที่ฝัง
- โอบกอด
- ช่วยให้
- ที่เพิ่มขึ้น
- ปรับปรุง
- หน่วยงาน
- เอกลักษณ์
- ส่วนได้เสีย
- เทียบเท่า
- ที่ดิน
- ประมาณ
- ตัวอย่าง
- ตัวอย่าง
- Excel
- ประสบการณ์
- สำรวจ
- ส่งออก
- สารสกัด
- สารสกัดจาก
- ธรรม
- ลักษณะ
- เนื้อไม่มีมัน
- ไฟล์
- ยื่น
- ทางการเงิน
- รายงานทางการเงิน
- บริการทางการเงิน
- ชื่อจริง
- การแก้ไข
- รายได้คงที่
- ความยืดหยุ่น
- มีความยืดหยุ่น
- โฟกัส
- มุ่งเน้น
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- ต่างประเทศ
- รูป
- พบ
- สี่
- ราคาเริ่มต้นที่
- เงิน
- ได้รับ
- กําไร
- เกม
- ได้รับ
- GitHub
- ให้
- กำหนด
- เหตุการณ์ที่
- Go
- รัฐบาล
- ขั้นต้น
- บัญชีกลุ่ม
- มี
- จัดการ
- มี
- he
- ส่วนหัว
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- เธอ
- ลำดับชั้น
- สูงกว่า
- ไฮไลต์
- ไฮไลท์
- เดินป่า
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- เป็นมนุษย์
- ระบุ
- ระบุ
- แยกแยะ
- เอกลักษณ์
- if
- ภาพ
- นำเข้า
- สำคัญ
- การปรับปรุง
- in
- ประกอบด้วย
- เงินได้
- ข้อมูล
- โครงสร้างพื้นฐาน
- ติดตั้ง
- ประกัน
- ตั้งใจว่า
- การตีความ
- เข้าไป
- แนะนำ
- บทนำ
- การลงทุน
- จะเรียก
- IT
- รายการ
- ITS
- jpg
- JSON
- เขตอำนาจศาล
- เก็บ
- ที่รู้จักกัน
- ไม่มี
- ภาษา
- ภาษา
- ใหญ่
- การเรียนรู้
- น้อยลง
- ชั้น
- ห้องสมุด
- ยอดไลก์
- Line
- เส้น
- รายการ
- LLM
- โหลด
- ที่ตั้ง
- ตรรกะ
- อีกต่อไป
- ปิด
- การสูญเสีย
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- สำคัญ
- ทำ
- ทำให้
- การทำ
- ผู้จัดการ
- การจัดการ
- การผลิต
- ตลาด
- ตลาด
- อาจ..
- วิธี
- เมตาดาต้า
- วิธี
- ไมโครซอฟท์
- อาจ
- ล้าน
- ล้าน
- ML
- ม.ป.ป
- แบบ
- โมเดล
- แก้ไข
- เงิน
- ตลาดเงิน
- เดือน
- ข้อมูลเพิ่มเติม
- มาก
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็น
- สุทธิ
- ใหม่
- NLP
- ไม่
- สังเกต..
- ตอนนี้
- วัตถุ
- วัตถุ
- of
- เสนอ
- เสนอ
- มักจะ
- on
- ONE
- เพียง
- การดำเนินการ
- or
- organizacja
- องค์กร
- อื่นๆ
- มิฉะนั้น
- ของเรา
- เอาท์พุต
- ด้านนอก
- เกิน
- หน้า
- หมีแพนด้า
- พารามิเตอร์
- ส่วนหนึ่ง
- ปู
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- ยอดนิยม
- ส่วน
- โพสต์
- อำนาจ
- ที่มีประสิทธิภาพ
- นำเสนอ
- ก่อนหน้านี้
- ส่วนใหญ่
- ประถม
- พิมพ์
- ก่อน
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- ผลผลิต
- มืออาชีพ
- การเขียนโปรแกรม
- การเขียนโปรแกรมภาษา
- โครงการ
- ให้
- หลาม
- Q1
- Q3
- Q3 2021
- q3 2022
- คำสั่ง
- จริง
- อสังหาริมทรัพย์
- เรียลไทม์
- ได้รับการยอมรับ
- ตระหนักถึงความ
- บันทึก
- ที่เกิดขึ้น
- ไม่คำนึงถึง
- ภูมิภาค
- หน่วยงานกำกับดูแล
- ที่เกี่ยวข้อง
- ความสัมพันธ์
- ตรงประเด็น
- เอาออก
- รายงาน
- รายงาน
- แสดงให้เห็นถึง
- จำเป็นต้องใช้
- ตามลำดับ
- คำตอบ
- การตอบสนอง
- จำกัด
- หวงห้าม
- ข้อ จำกัด
- ส่งผลให้
- ค้าปลีก
- สุดท้าย
- s
- ขาย
- ขนาด
- คะแนน
- ได้อย่างลงตัว
- สำนักงานคณะกรรมการ ก.ล.ต.
- การยื่นแบบ SEC
- Section
- หลักทรัพย์
- ความปลอดภัย
- เห็น
- ผู้ขาย
- ระดับอาวุโส
- กันยายน
- บริการ
- บริการ
- การตั้งค่า
- หลาย
- รูปร่าง
- เธอ
- แสดง
- แสดงให้เห็นว่า
- ลายเซ็น
- สำคัญ
- คล้ายคลึงกัน
- ลดความซับซ้อน
- เดียว
- ขนาด
- โซลูชัน
- ความเชี่ยวชาญ
- ความเชี่ยวชาญ
- ข้อความที่เริ่ม
- ขั้นตอน
- คล่องตัว
- เข้มงวด
- โครงสร้าง
- โครงสร้าง
- หรือ
- ต่อจากนั้น
- อย่างเช่น
- สรุป
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- สนับสนุน
- รองรับ
- ระบบ
- ตาราง
- งาน
- ทีม
- วิชาการ
- นักเทคโนโลยี
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- ของบุคคลที่สาม
- นี้
- เหล่านั้น
- สาม
- ตลอด
- เวลา
- ชื่อหนังสือ
- ชื่อ
- ไปยัง
- เครื่องมือ
- ระดับบนสุด
- รวม
- การค้า
- สอง
- ชนิด
- ชนิด
- เป็นปกติ
- เรา
- รัฐบาลสหรัฐ
- เข้าใจ
- ขาดทุนที่ยังไม่เกิดขึ้นจริง
- ให้กับคุณ
- us
- ใช้
- มือสอง
- การใช้
- ยูทิลิตี้
- ความคุ้มค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- กับ
- ผ่านทาง
- การสร้างภาพ
- คือ
- ทาง..
- we
- เว็บ
- บริการเว็บ
- ที่
- กว้าง
- จะ
- กับ
- ภายใน
- คำ
- งาน
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- จะ
- การเขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล