Хочете отримати дані з друкованих або рукописних форм? Перевірити Нанонети™ екстрактор даних форми безкоштовно та автоматизуйте експорт інформації з будь-якої форми!
Форми всюди; вони визначаються як документи, створені для збору інформації шляхом прохання до учасників заповнити необхідну інформацію в певному форматі. Вони корисні завдяки своїй здатності збирати багато даних за короткий час. Однак не всі форми мають однакову здатність для збору даних і часто потребують ручної роботи пізніше. Тому ми покладаємося на інструменти та алгоритми для інтелектуальної автоматизації процесу вилучення даних з форм. У цій публікації блогу детально розглянуто різні сценарії та методи вилучення даних із форм за допомогою OCR і глибокого навчання.
- Що таке вилучення даних форми?
- Що робить проблему складною?
- Глибина проблеми вилучення форми
- Як розвивалися рішення для вилучення даних з форм?
- Вилучення даних з форми за допомогою OCR
- Вирішення вилучення даних із форми за допомогою глибокого навчання
- Введіть Нанонець
Що таке вилучення даних форми?
Вилучення даних з форм — це процес вилучення даних із форм як онлайн, так і офлайн. Ці дані можна знайти в будь-якому форматі, зазвичай містять форму з відповідною інформацією. Однак отримати ці дані не завжди є легким завданням, оскільки багато макетів і дизайнів не дозволяють легко виділити текст. Немає рідного способу копіювання даних з них. Тому ми покладаємося на автоматизовані методи, щоб допомогти отримати дані з форм, які є більш ефективними та менш схильними до помилок.
Наприклад, сьогодні багато користувачів використовують форми на основі PDF для збору контактної інформації. Це дуже ефективний спосіб збору інформації, оскільки він не вимагає введення даних від відправника та одержувача. Але отримання цих даних із форми PDF може бути складним і дорогим.
Тут вилучення даних форми може допомогти отримати дані з PDF-форми, такі як ім’я, адреса електронної пошти, номер телефону тощо. Їх можна імпортувати в іншу програму, як-от Excel, Таблиці чи будь-який інший структурований формат. Це працює так: інструменти вилучення зчитують PDF-файл, автоматично витягують те, що йому потрібно, і впорядковують його в зручному для читання форматі. Ці дані можна експортувати в інші формати, такі як Excel, CSV, JSON та інші добре структуровані формати даних. У наступному розділі розглянемо деякі проблеми, які часто виникають під час створення алгоритмів вилучення даних з форм.
Хочете отримати дані з друкованих або рукописних форм? Перевірте Nanonets™ Безкоштовний екстрактор даних форм і автоматизуйте експорт інформації з будь-якої форми!
Що ускладнює вилучення даних з форми?
Вилучення даних є хвилюючою проблемою з різних причин. По-перше, це проблема розпізнавання зображення, але вона також має враховувати текст, який може бути присутнім на зображенні, і макет форми, що ускладнює створення алгоритму. У цьому розділі обговорюються деякі поширені проблеми, з якими стикаються люди під час створення алгоритмів вилучення даних з форм.
- Відсутність даних: Алгоритми вилучення даних зазвичай створюються з використанням потужних алгоритмів глибокого навчання та комп’ютерного зору. Вони зазвичай покладаються на величезні обсяги даних для досягнення найсучаснішої продуктивності. Таким чином, пошук узгодженого та надійного набору даних і їх обробка має вирішальне значення для будь-якого інструменту або програмного забезпечення для вилучення даних. Наприклад, скажімо, у нас є форми з декількома шаблонами, тоді ці алгоритми повинні мати можливість розуміти широкий спектр форм; тому навчання їх на надійному наборі даних матиме більш точну продуктивність.
- Робота зі шрифтами, мовами та макетами: Існує запаморочлива кількість різних шрифтів, дизайнів і шаблонів, доступних для різних типів даних форм. Вони можуть належати до кількох абсолютно різних класифікацій, що ускладнює забезпечення точного розпізнавання, коли існує величезна кількість різних типів символів, які потрібно брати до уваги. Тому важливо обмежити колекцію шрифтів певною мовою та типом, оскільки це створить багато процесів, які протікають безперебійно після належної обробки цих документів. У багатомовних випадках потрібно бути готовим до жонглювання між символами з кількох мов, а також подбати про складну типографіку.
- Орієнтація та нахил (обертання): Під час обробки даних ми часто скануємо зображення, щоб навчити алгоритми збору вхідних даних. Якщо ви коли-небудь користувалися сканером або цифровою камерою, то, можливо, помітили, що кут, під яким ви знімаєте зображення документів, іноді може призвести до того, що вони виглядатимуть перекошеними. Це відоме як асиметрія, яка відноситься до ступеня кута. Ця асиметрія може знизити точність моделі. На щастя, для вирішення цієї проблеми можна використати різні методи, просто змінивши те, як наше програмне забезпечення визначає особливості в певних областях зображення. Прикладом такої техніки є методи проекційного профілю або методи перетворення Фур’є, які дозволяють отримати набагато чіткіші результати щодо розпізнавання форми, розмірів і текстури! Хоча орієнтація та асиметрія можуть бути простими помилками, вони можуть у великій кількості впливати на точність моделі.
- Безпека даних: якщо ви отримуєте дані з різних джерел для збору даних, важливо знати про заходи безпеки, які застосовуються. Інакше ви ризикуєте скомпрометувати інформацію, що передається. Це може призвести до ситуацій, коли особисту інформацію буде порушено або інформація, яка надсилається до API, є незахищеною. Тому, працюючи зі сценаріями ETL та онлайн-інтерфейсами API для вилучення даних, необхідно також пам’ятати про проблеми безпеки даних.
- Вилучення таблиці: іноді ми бачимо дані форми всередині таблиць; Створення надійного алгоритму, який може обробляти як вилучення форми, так і вилучення таблиці, може бути складним завданням. Звичайним підходом є створення цих алгоритмів незалежно та застосування їх до даних, але це призведе до використання більшої обчислювальної потужності, що збільшує витрати. Таким чином, ідеальне вилучення форми повинно мати можливість видобувати як дані форми, так і дані з певного документа.
- Постобробка/експорт результату: вихідні дані з будь-якого вилучення даних не є прямими. Тому розробники покладаються на методи постобробки, щоб фільтрувати результати в більш структурований формат. Після обробки дані експортуються в більш структурований формат, наприклад CSV, Excel або базу даних. Організації покладаються на інтеграцію сторонніх розробників або розробляють API для автоматизації цього процесу, який знову забирає багато часу. Таким чином, ідеальні алгоритми вилучення даних мають бути гнучкими та легкими для зв’язку із зовнішніми джерелами даних.
Хочете отримати дані з друкованих або рукописних форм? Перевірте Nanonets™ Безкоштовний екстрактор даних форм і автоматизуйте експорт інформації з будь-якої форми!
Розуміння глибини вилучення форми з різними сценаріями
Досі ми обговорювали основи та проблеми вилучення даних з форм. У цьому розділі ми детально зануримося в різні сценарії та зрозуміємо глибину вилучення даних форми. Ми також розглянемо, як можна автоматизувати процес вилучення для цих конкретних сценаріїв.
Сценарій №1: розпізнавання рукописного тексту для офлайн-форм
Офлайн-форми часто зустрічаються в повсякденному житті. Вкрай важливо, щоб форми було легко заповнювати та надсилати. Ручне оцифровування офлайн-форм може бути важким і дорогим завданням, тому потрібні алгоритми глибокого навчання. Рукописні документи є серйозною проблемою для отримання даних через складність рукописних символів. Тому активно використовуються алгоритми розпізнавання даних, за допомогою яких машина вчиться читати та інтерпретувати рукописний текст. Процес передбачає сканування зображень рукописних слів і перетворення їх у дані, які можна обробити та проаналізувати за допомогою алгоритму. Потім алгоритм створює карту символів на основі штрихів і розпізнає відповідні літери, щоб витягнути текст.
Сценарій №2: Ідентифікація прапорця у формах
Форми прапорців – це форма введення даних, яка використовується для збору інформації від користувача в полі введення. Цей тип даних зазвичай міститься в списках і таблицях, які вимагають від користувача вибору одного або кількох елементів, наприклад елементів, з якими вони хочуть зв’язатися. Його можна знайти в будь-якій кількості місць – онлайн-форми, анкети та опитування тощо. Сьогодні деякі алгоритми можуть автоматизувати процес вилучення даних навіть із прапорців. Основною метою цього алгоритму є ідентифікація вхідних областей за допомогою методів комп’ютерного зору. Вони включають визначення ліній (горизонтальних і вертикальних), застосування фільтрів, контурів і визначення країв на зображеннях. Після того, як область введення визначено, можна легко витягти позначений або непозначений вміст прапорця.
Сценарій №3: Макет Час від часу змінює форму
Що стосується заповнення форм, зазвичай є два різні типи варіантів. Для деяких форм нам потрібно надати інформацію, написавши всі відповідні поля, тоді як для інших ми можемо надати інформацію, вибравши з кількох прапорців. Макет форми також змінюється залежно від типу форми та її контексту. Тому дуже важливо побудувати алгоритм, який може обробляти кілька неструктурованих документів і інтелектуально витягувати вміст залежно від міток форми. Одним із популярних методів архітектури глибокого навчання для обробки макетів документів є Graph CNN. Ідея Graph Convolutional Networks (GCN) полягає в тому, щоб активації нейронів керувалися даними. Вони призначені для роботи на графах, які складаються з вузлів і ребер. Згортковий рівень графа здатний розпізнавати шаблони за відсутності навчального сигналу, що відповідає конкретній задачі. Тому вони придатні, коли дані надійні.
Сценарій №4: Виявлення комірки таблиці
У деяких випадках підприємства зустрічають спеціальні форми, що складаються з комірок таблиці. Комірки таблиці — це прямокутні області всередині таблиці, де зберігаються дані. Їх можна класифікувати як заголовки, рядки або стовпці. Ідеальний алгоритм повинен ідентифікувати всі ці типи комірок і їх межі, щоб витягти з них дані. Серед популярних методів видобування таблиць – Stream і Lattice; це алгоритми, які можуть допомогти виявити лінії, форми, багатокутники за допомогою простих ізоморфних операцій над зображеннями.
Як еволюціонували рішення для вилучення даних з форм?
Вилучення даних з форм бере свій початок у докомп’ютерні дні, коли люди обробляли паперові форми. З появою комп’ютерів з’явилася можливість зберігати дані в електронному вигляді. Комп’ютерні програми можуть використовувати дані для створення звітів, наприклад статистики продажів. Це програмне забезпечення також можна використовувати для друку поштових етикеток, таких як імена та адреси клієнтів, і друку рахунків-фактур, таких як сума до сплати та адреса, на яку її слід надіслати. Однак сьогодні ми бачимо іншу версію програмного забезпечення для вилучення даних з форм; вони дуже точні, швидші та надають дані високоорганізованим і структурованим способом. Тепер давайте коротко обговоримо різні типи методів вилучення даних з форм.
- На основі правил вилучення даних: Вилучення на основі правил — це техніка, яка автоматично витягує дані з певної шаблонної форми. Він може отримувати дані без втручання людини. Вони працюють, досліджуючи різні поля на сторінці та вирішуючи, які з них виділити, на основі навколишнього тексту, міток та інших контекстних підказок. Ці алгоритми зазвичай розробляються та автоматизуються за допомогою сценаріїв ETL або веб-скрапінгу. Однак, коли їх перевіряють на невидимих даних, вони повністю зазнають невдачі.
- Вилучення даних форми за допомогою OCR: оптичне розпізнавання символів є найкращим рішенням будь-якої форми проблеми вилучення даних. Однак для досягнення точної продуктивності потрібно писати додаткові сценарії та програми. Щоб OCR працював, потрібно ввести зображення з текстом. Потім програмне забезпечення зчитує кожен піксель і порівнює кожен піксель із відповідною літерою. Якщо він збігається, він виведе цю літеру та будь-які цифри чи символи, досить близькі до літери. Найбільша проблема з оптичним розпізнаванням символів – це з’ясувати, як розділити літери. Наприклад, коли ноти розташовані близько одна до одної або накладаються один на одного, наприклад «а» та «мі». Тому вони можуть не працювати, коли ми витягуємо офлайн-форми.
- NER для вилучення даних форми: Розпізнавання іменованих сутностей — це завдання ідентифікації та класифікації попередньо визначених сутностей у тексті природною мовою. Він часто використовується для отримання інформації з форм, де люди вводять імена, адреси, коментарі тощо. Завдання розпізнавання іменованих сутностей тісно пов’язане з більш широким завданням визначення кореференції, яке визначає, чи згадки тих самих сутностей посилаються на ті самі сутності реального світу. Сьогодні з передовими інструментами програмування та фреймворками ми можемо використовувати попередньо навчені моделі для створення моделей на основі NER для завдань вилучення інформації.
- Використання глибокого навчання для вилучення даних з форми: Глибоке навчання не є новим, воно існує десятиліттями, але останні розробки в архітектурі глибокого навчання та обчислювальній потужності привели до проривних результатів. Вилучення даних з форм за допомогою глибокого навчання досягло найсучаснішої продуктивності майже в будь-якому форматі, цифровому чи рукописному. Процес починається з передачі глибокої нейронної мережі (DNN) тисяч або мільйонів різних прикладів, позначених тим, чим вони є. Наприклад, мітки форми зображення з такими сутностями, як ім’я, адреса електронної пошти, ідентифікатор тощо. DNN обробляє всю цю інформацію та самостійно дізнається, як ці частини з’єднані. Однак побудова високоточної моделі вимагає багато досвіду та експериментів.
Хочете отримати дані з друкованих або рукописних форм? Перевірте Nanonets™ Безкоштовний екстрактор даних форм і автоматизуйте експорт інформації з будь-якої форми!
Вилучення даних з форми за допомогою OCR
Існує багато різних бібліотек, доступних для отримання даних із форм. Але що, якщо ви хочете отримати дані із зображення форми? Тут на допомогу приходить Tesseract OCR (оптичне розпізнавання символів). Tesseract — це механізм OCR (оптичне розпізнавання символів) із відкритим кодом, розроблений HP. Використовуючи Tesseract OCR, можна конвертувати відскановані документи, такі як паперові рахунки-фактури, квитанції та чеки, у цифрові файли з можливістю пошуку та редагування. Він доступний кількома мовами та може розпізнавати символи в різних форматах зображень. Tesseract зазвичай використовується в поєднанні з іншими бібліотеками для обробки зображень для вилучення тексту.
Щоб перевірити це, переконайтеся, що ви встановили Tesseract на локальній машині. Ви можете використовувати прив’язки Tesseract CLI або Python для запуску OCR. Python-tesseract — це оболонка для механізму Google Tesseract-OCR. Його можна використовувати для читання всіх типів зображень, які підтримуються бібліотеками зображень Pillow і Leptonica, включаючи jpeg, png, gif, bmp, tiff та інші. Ви можете легко використовувати його як окремий сценарій виклику для тессеракту, якщо це необхідно.
Тепер давайте візьмемо квитанцію, що містить дані форми, і спробуємо визначити розташування тексту за допомогою комп’ютерного зору та 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')
Тут, у вихідних даних, як ми бачимо, програма змогла ідентифікувати весь текст у формі. Тепер давайте застосуємо OCR до цього, щоб отримати всю інформацію. Ми можемо просто зробити це за допомогою image_to_string функція в Python.
extracted_text = pytesseract.image_to_string(img, lang = 'deu')
вихід:
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
Тут ми можемо отримати всю інформацію з форми. Однак у більшості випадків використання просто OCR не допоможе, оскільки витягнуті дані будуть повністю неструктурованими. Тому користувачі покладаються на вилучення пари ключ-значення у формах, які можуть ідентифікувати лише конкретні сутності, такі як ідентифікатор, дати, сума податку тощо. Це можливо лише за допомогою глибокого навчання. У наступному розділі давайте розглянемо, як ми можемо використовувати різні методи глибокого навчання для створення алгоритмів вилучення інформації.
Вирішення вилучення даних із форми за допомогою глибокого навчання
Згортка графіка для мультимодального вилучення інформації з візуально багатих документів
Граф згорткових мереж (Граф CNN) є класом глибоких згорткових нейронних мереж (CNN), здатних ефективно вивчати дуже нелінійні функції в графових структурах даних, зберігаючи структуру вузлів і ребер. Вони можуть приймати структури даних графа як вхідні дані та генерувати «карти функцій» для вузлів і ребер. Отримані функції можна використовувати для класифікації графів, кластеризації або виявлення спільноти. GCN надають потужне рішення для отримання інформації з великих візуально насичених документів, таких як рахунки-фактури та квитанції. Щоб їх обробити, кожне зображення має бути перетворено на граф, що складається з вузлів і ребер. Будь-яке слово на зображенні представлено власним вузлом; візуалізація решти даних кодується у векторі ознак вузла.
Ця модель спочатку кодує кожен текстовий сегмент у документі у вбудовування графа. Це фіксує візуальний і текстовий контекст, що оточує кожен текстовий елемент, а також його позицію або розташування в блоці тексту. Потім він поєднує ці графіки з вбудованими текстами, щоб створити загальне представлення структури документа та того, що в ньому написано. Модель вчиться призначати вищі ваги текстам, які, ймовірно, є сутностями, залежно від їх розташування відносно один одного та контексту, в якому вони з’являються у більшому блоці читачів. Нарешті, він застосовує стандартну модель BiLSTM-CRF для вилучення об’єктів. Результати показують, що цей алгоритм значно перевершує базову модель (BiLSTM-CRF).
LayoutLM: попереднє навчання тексту та макету для розуміння зображення документа
Архітектура моделі LayoutLM значною мірою натхненна BERT і включає в себе вбудовані зображення з Faster R-CNN. Вбудовані введення LayoutLM генеруються як комбінація вбудованих тексту та позиції, а потім поєднуються з вбудованими зображеннями, згенерованими моделлю Faster R-CNN. Масковані візуально-мовні моделі та класифікація документів із багатьма мітками в основному використовуються як завдання для попереднього навчання для LayoutLM. Модель LayoutLM є цінною, динамічною та достатньо потужною для виконання будь-якої роботи, яка потребує розуміння макета, як-от вилучення форми/квитанції, класифікація зображень документів або навіть візуальна відповідь на запитання.
Модель LayoutLM була навчена на IIT-CDIP Test Collection 1.0, яка включає понад 6 мільйонів документів і понад 11 мільйонів відсканованих зображень документів із загальним обсягом понад 12 ГБ даних. Ця модель значно перевершила декілька попередньо навчених моделей SOTA щодо розуміння форми, квитанції та класифікації зображень сканованого документа.
Form2Seq: структура для вилучення структури форми вищого порядку
Form2Seq — це структура, яка фокусується на вилученні структур із вхідного тексту за допомогою позиційних послідовностей. На відміну від традиційних структур seq2seq, Form2Seq використовує відносні просторові позиції структур, а не їх порядок.
У цьому методі ми, по-перше, класифікуємо низькорівневі елементи, що дозволить краще опрацювати та організувати. Існує 10 типів форм, таких як підписи полів, елементи списку тощо. Далі ми групуємо елементи нижчого рівня, такі як Text Fields і ChoiceFields, у конструкції вищого порядку під назвою ChoiceGroups. Вони використовуються як механізми збору інформації для покращення взаємодії з користувачами елементів нижчого рівня в конструкції вищого порядку, такі як Text Fields, ChoiceFields і ChoiceGroups, які використовуються як механізми збору інформації у формах. Це можливо шляхом розміщення складових елементів у лінійному порядку в природному порядку читання та введення їх просторових і текстових представлень у структуру Seq2Seq. Фреймворк Seq2Seq послідовно робить прогнози для кожного елемента речення залежно від контексту. Це дозволяє обробляти більше інформації та краще розуміти поставлене завдання.
Модель досягла точності 90% у завданні класифікації, що було вище, ніж у базових моделей на основі сегментації. F1 для текстових блоків, текстових полів і полів вибору склав 86.01%, 61.63% відповідно. Ця структура досягла стану результатів набору даних ICDAR для розпізнавання структури таблиці.
Хочете отримати дані з друкованих або рукописних форм? Перевірте Nanonets™ Безкоштовний екстрактор даних форм і автоматизуйте експорт інформації з будь-якої форми!
Чому OCR на основі Nanonets AI є найкращим варіантом
Хоча програмне забезпечення OCR може перетворювати відскановані зображення тексту у відформатовані цифрові файли, такі як PDF, DOC і PPT, це не завжди точно. Сучасне передове програмне забезпечення, таке як система глибокого навчання OCR на основі Nanonets AI, подолало багато проблем, з якими стикалися традиційні системи OCR під час створення редагованого файлу зі сканованого документа. Це стало найкращим варіантом для вилучення даних, оскільки воно може забезпечити високі показники точності та високі рівні толерантності до шуму, графічних елементів і змін форматування. Тепер давайте обговоримо кілька моментів щодо того, наскільки найкращим варіантом є OCR на основі штучного інтелекту.
- OCR, як обговорювалося, є простою технікою вилучення даних. Однак вони не працюватимуть узгоджено, якщо використовувати невидимі/нові дані. Однак OCR на основі штучного інтелекту може впоратися з такими ситуаціями, оскільки вони тренуються на широкому спектрі даних.
- Звичайні OCR не можуть обробляти складні макети для вилучення даних форми. Тому за допомогою глибокого навчання або штучного інтелекту вони дають найкращі результати, розуміючи макет даних, текст і контекст.
- OCR може бути недостатньою, якщо в даних є шум, як-от нерівність, відскановані зображення за слабкого освітлення тощо, тоді як моделі глибокого навчання можуть впоратися з такими умовами та все одно повертати високоточні результати.
- OCR на основі штучного інтелекту є гнучкими та гнучкими порівняно з традиційними OCR; їх можна створювати на основі різних типів даних для перетворення неструктурованих даних у будь-який структурований формат.
- Результати постобробки OCR на основі штучного інтелекту доступні порівняно зі звичайним OCR; їх можна експортувати в будь-які формати даних, такі як JSON, CSV, таблиці Excel або навіть у базу даних, наприклад Postgres, безпосередньо з моделі.
- OCR на основі штучного інтелекту можна експортувати як простий API за допомогою попередньо навчених моделей. Це все ще можливо в інших традиційних методах, але може бути важко своєчасно вдосконалювати моделі. Хоча OCR на основі штучного інтелекту, він може автоматично налаштовуватися на помилки.
- Вилучення таблиці за допомогою прямого OCR є дуже неможливим. Однак це можна зробити з легкістю за допомогою потужності AI/DL. Сьогодні OCR на основі штучного інтелекту можуть точно вказувати табличні форми в документах і витягувати інформацію.
- Якщо в документах є будь-які фінансові або конфіденційні дані, моделі AI також можуть виконувати перевірки на шахрайство. В основному він шукає відредагований/розмитий текст у відсканованих документах і сповіщає адміністраторів. За допомогою цих моделей також можна ідентифікувати дублікати документів або інформації. У той час як OCR в таких випадках просто не працює.
- &
- 67
- 7
- 9
- рахунки
- точний
- досягнутий
- через
- Додатковий
- адреса
- просунутий
- AI
- алгоритм
- алгоритми
- ВСІ
- хоча
- кількість
- суми
- Інший
- API
- Інтерфейси
- додаток
- Застосування
- підхід
- архітектура
- навколо
- Автоматизований
- доступний
- фон
- Базова лінія
- В основному
- основа
- ставати
- буття
- КРАЩЕ
- найбільший
- Блокувати
- Блог
- border
- будувати
- Створюємо
- підприємства
- потужність
- Підписи
- який
- випадків
- Викликати
- виклик
- проблеми
- Перевірки
- класифікація
- збирати
- Збір
- збір
- поєднання
- комбінований
- коментарі
- загальний
- співтовариство
- порівняний
- комплекс
- обчислення
- обчислювальна потужність
- зміст
- зміст
- витрати
- може
- створює
- створення
- вирішальне значення
- Клієнти
- дані
- безпеку даних
- Database
- Дати
- конструкцій
- Виявлення
- розвивати
- розвиненою
- розробників
- події
- різний
- цифровий
- Розмір
- обговорювати
- документація
- динамічний
- електронна пошта
- легко
- край
- Ефективний
- ефективний
- істотний
- євро
- приклад
- перевершувати
- досвід
- експертиза
- Виписки
- стикаються
- швидше
- особливість
- риси
- Поля
- Фільтри
- в кінці кінців
- фінансовий
- Перший
- виправляти
- потік
- форма
- формат
- форми
- знайдений
- Рамки
- шахрайство
- Безкоштовна
- функція
- Основи
- породжувати
- мета
- Group
- допомога
- корисний
- Високий
- дуже
- Як
- How To
- HTTPS
- ідея
- Ідентифікація
- ідентифікувати
- зображення
- Impact
- важливо
- неможливе
- удосконалювати
- В інших
- включати
- У тому числі
- інформація
- натхненний
- інтеграцій
- питання
- IT
- робота
- відомий
- етикетки
- мова
- мови
- великий
- більше
- вести
- вивчення
- Led
- Важіль
- важелі
- список
- списки
- місцевий
- розташування
- місць
- машина
- основний
- керівництво
- вручну
- карта
- згадує
- мільйона
- мільйони
- модель
- Моделі
- найбільш
- Імена
- Природний
- мережу
- мереж
- вузли
- шум
- примітки
- номера
- онлайн
- операції
- варіант
- Опції
- порядок
- організація
- організації
- Інше
- інакше
- Папір
- Учасники
- Люди
- продуктивність
- персонал
- популярний
- це можливо
- влада
- потужний
- Прогнози
- представити
- первинний
- Проблема
- процес
- процеси
- профіль
- програма
- Програмування
- програми
- Проекція
- забезпечувати
- питання
- діапазон
- ставки
- RE
- читачі
- читання
- Причини
- визнає
- зменшити
- Звіти
- вимагати
- REST
- результати
- Risk
- біг
- продажів
- сканування
- сканування
- безпечний
- безпеку
- сегментація
- обраний
- форми
- Короткий
- простий
- So
- Софтвер
- Рішення
- почалася
- стан
- впроваджений
- статистика
- зберігати
- потік
- сильний
- Підтриманий
- система
- Systems
- завдання
- податок
- методи
- тест
- третя сторона
- тисячі
- через
- час
- трудомісткий
- сьогодні
- разом
- терпимість
- інструменти
- традиційний
- Навчання
- Перетворення
- розуміти
- використання
- користувачі
- зазвичай
- бачення
- візуалізації
- W
- Web
- Що
- Що таке
- Чи
- в
- без
- слова
- Work
- робочий
- працює
- лист
- X