Ringkasan:

1. Optical Character Recognition (OCR) adalah metode umum untuk mengekstraksi informasi dari dokumen yang dipindai.

2. NLP (pemrosesan bahasa alami) dapat meningkatkan keakuratan OCR dengan mengganti kata yang salah dengan kata yang benar.

3. NLP adalah subbidang AI yang berfokus pada menerjemahkan bahasa tertulis dan lisan ke dalam pemahaman mesin.

4. NLP menggabungkan model statistik, pembelajaran mesin, dan pembelajaran mendalam dengan linguistik komputasi.

5. Teknologi OCR sangat penting untuk bisnis yang perlu memindai dan mendigitalkan dokumen kertas.

6. Perangkat lunak OCR dapat mengubah dokumen yang dipindai menjadi representasi digital dan terorganisir untuk pemrosesan lebih lanjut.

7. Teknologi OCR banyak digunakan dalam industri seperti perbankan, energi, dan legal.

8. NLP dapat meningkatkan OCR dengan memberikan pemahaman kontekstual tentang kata dan frasa dalam dokumen.

9. NLP dapat mengekstraksi informasi dan wawasan berharga dari dokumen elektronik.

10. Kombinasi OCR dan NLP sangat kuat untuk menganalisis data yang terkandung dalam dokumen.

Pertanyaan:

1. Bagaimana NLP dapat meningkatkan keakuratan OCR?

NLP meningkatkan akurasi OCR dengan mengganti kata -kata yang salah dengan yang benar.

2. Apa itu NLP?

NLP adalah subbidang AI yang berfokus pada menerjemahkan bahasa tertulis dan lisan ke dalam pemahaman mesin.

3. Bagaimana NLP “Memahami” apa yang tertulis dalam dokumen?

NLP menganalisis kata dan frasa di dalam dokumen untuk mendapatkan pemahaman dan mengekstrak informasi yang berharga.

4. Mengapa OCR penting untuk bisnis?

OCR memungkinkan bisnis memindai dan mendigitalkan dokumen kertas untuk manajemen yang lebih mudah dan pemrosesan lebih cepat.

5. Di mana industri banyak digunakan?

OCR banyak digunakan dalam industri seperti perbankan, energi, dan legal untuk berbagai tugas pemrosesan dokumen.

6. Bagaimana Teknologi OCR menguntungkan bank?

Teknologi OCR menghemat waktu dan meningkatkan efisiensi untuk bank dengan memproses cek, kontrak, dan dokumen lainnya secara elektronik.

7. Apa peran NLP dalam pengenalan teks?

NLP meningkatkan pengakuan teks dengan memberikan pemahaman kontekstual dan mengekstraksi wawasan berharga dari dokumen.

8. Bagaimana teknologi OCR mengubah permainan untuk organisasi?

Teknologi OCR merevolusi bagaimana organisasi menggunakan dan mengelola dokumen dengan memungkinkan pencarian, modifikasi, dan terjemahan dokumen digital.

9. Apa aplikasi teratas dari pengenalan teks pada tahun 2022?

Aplikasi teratas pengenalan teks pada tahun 2022 mencakup berbagai kasus penggunaan khusus industri, seperti manajemen dokumen dan ekstraksi informasi.

10. Bagaimana NLP dan OCR dapat digabungkan untuk efisiensi maksimal?

Dengan menggabungkan NLP dan OCR, bisnis dapat mencapai pemahaman kontekstual dan mengekstraksi wawasan berharga dari dokumen digital untuk meningkatkan pengambilan keputusan.

11. Bagaimana NLP berkontribusi pada keakuratan OCR?

NLP meningkatkan keakuratan OCR dengan memberikan analisis linguistik dan pemahaman konteks, mengurangi kesalahan dan meningkatkan interpretasi teks yang diekstraksi.

12. Apa manfaat menggunakan NLP dalam pemrosesan dokumen?

Menggunakan NLP dalam pemrosesan dokumen memungkinkan pemahaman yang lebih besar tentang konten, memungkinkan pencarian dan pengambilan yang lebih cepat, dan ekstraksi informasi yang lebih akurat.

13. Bagaimana OCR dan NLP dapat diterapkan pada faks?

OCR dan NLP dapat diterapkan pada faks dengan mengubah dokumen faks yang dipindai menjadi teks digital dan kemudian memanfaatkan teknik NLP untuk analisis dan pemahaman.

14. Bagaimana NLP memungkinkan komputer untuk memahami bahasa manusia?

NLP menggabungkan model statistik, pembelajaran mesin, dan pembelajaran mendalam dengan linguistik komputasi untuk memungkinkan komputer memahami makna, tujuan, dan suasana hati bahasa manusia.

15. Apa saja tantangan OCR dan bagaimana NLP membantu mengatasinya?

OCR menghadapi tantangan seperti akurasi, pemahaman konteks, dan variabilitas bahasa. NLP dapat membantu mengatasi tantangan ini dengan meningkatkan akurasi kata, memberikan pemahaman kontekstual, dan akuntansi untuk variasi bahasa.

Keuntungan dari NLP, AI, jaringan saraf, dan sejenisnya dalam OCR dan pemrosesan dokumen; Pengantar

Jika Anda tertarik dengan pengenalan teks, baca artikel berikut:

Bagaimana NLP membantu pengenalan teks?

Dalam posting blog ini, kami akan menjawab pertanyaan seperti bagaimana Natural Language Processing (NLP) digunakan dalam pengenalan teks dan bagaimana NLP meningkatkan pengenalan teks.

Alan Kilich

Bagaimana NLP membantu pengenalan teks?

Optical Character Recognition (OCR) adalah cara umum untuk mendapatkan informasi dari dokumen yang dipindai. Alur kerja dan proses bisnis telah banyak berubah sejak perusahaan mulai menggunakan teknologi. Dengan membuat OCR lebih akurat, Anda bisa mendapatkan hasil yang lebih baik mengenai seberapa baik kerjanya.

Seperti yang Anda harapkan, kualitas gambar yang digunakan untuk melatih solusi OCR mempengaruhi seberapa baik kerjanya. Salah satu masalah dengan menggunakan solusi OCR di dunia nyata adalah bahwa keakuratan kata -kata turun secara signifikan ketika akurasi karakter meningkat.

Menggunakan teknik NLP (pemrosesan bahasa alami) untuk menggantikan kata -kata yang salah dengan kata yang benar adalah salah satu cara untuk meningkatkan keakuratan kata -kata.

Dalam posting ini, kami akan menjawab pertanyaan seperti bagaimana Natural Language Processing (NLP) digunakan dalam pengenalan teks dan bagaimana NLP meningkatkan pengenalan teks.

Apa itu NLP?

Untuk membuat komputer sama cerdasnya dengan manusia, pemrosesan bahasa alami (NLP) adalah subbidang ilmu komputer dan Kecerdasan Buatan (AI) yang berfokus pada menerjemahkan bahasa tertulis dan lisan menjadi pemahaman mesin.

Natural Language Processing (NLP) menggabungkan statistik, pembelajaran mesin, dan model pembelajaran mendalam dengan linguistik komputasi, yang memodelkan bahasa menggunakan aturan. Saat digunakan bersama, alat -alat ini memungkinkan komputer untuk “memahami” seluruh makna bahasa manusia, termasuk tujuan dan suasana hati pembicara atau penulis, dalam bentuk teks atau data audio.

Pemrosesan bahasa alami memungkinkan komputer menerjemahkan antar bahasa, mengikuti arahan yang diucapkan, dan dengan cepat merangkum sejumlah besar teks, sering kali secara real time. Anda mungkin sudah menggunakan NLP di perangkat GPS yang dikendalikan suara, asisten digital, perangkat lunak dikte-ke-teks, obrolan layanan pelanggan, dan kenyamanan konsumen lainnya. Tetapi pemrosesan bahasa alami juga menjadi lebih penting dalam solusi perusahaan yang bertujuan untuk membuat bisnis lebih efisien dengan mengotomatiskan dan menstandarisasi proses yang penting untuk keberhasilan mereka.

OCR (pengenalan karakter optik) & pengenalan teks

Pengenalan teks otomatis sangat bergantung pada pengenalan karakter optik (OCR). Kebutuhan bisnis untuk memindai dan mendigitalkan dokumen kertas telah mendorong pengembangan teknologi pengenalan karakter optik.

Operasi bisnis harus mengelola berbagai dokumen, seperti surat, faktur, kontrak cetak, dan gambar. Ketika ada banyak catatan, bahkan hal -hal sederhana seperti pencarian bisa memakan waktu lama dan menghabiskan banyak uang. Perangkat lunak OCR dapat memindai dokumen kertas dan mengubah data yang diekstraksi menjadi representasi digital dan terorganisir. Data kemudian dapat diproses lebih lanjut, dan operasi seperti menyortir, mencari, dan mengedit dapat dilakukan dengan cepat.

Bisnis dari banyak jenis menggunakan perangkat lunak OCR. Prosedur bank untuk menguangkan dan memproses cek memberikan ilustrasi yang baik. Memproses tinjauan secara elektronik (melalui pemindaian, konversi teks, dan pencocokan tanda tangan) adalah penghemat waktu untuk bank, pembayar, dan penerima – kasus: kemampuan untuk melakukan pencarian global dari makalah hukum yang banyak. Teknologi OCR dapat memproses sejumlah besar dokumen dan memberikan akses instan ke data. Perusahaan dalam industri energi, yang melayani basis klien yang luas, mungkin juga mendapat manfaat dari hutang akun. Cara umum untuk mendapatkan data faktur siap untuk pemrosesan elektronik adalah dengan memindai mereka dan menyimpan data sebagai pasangan nilai kunci dalam database.

Secara alami, contoh dapat ditemukan di setiap bidang yang bisa dibayangkan. Ketika sampai di sana, teknologi OCR mengubah permainan untuk bagaimana organisasi menggunakan dan mengelola dokumen. Setelah informasi dari dokumen digital disimpan dalam database, dapat dicari, dimodifikasi, dan bahkan diterjemahkan.

Jika Anda tertarik dengan pengenalan teks, baca artikel berikut:

• 5 aplikasi pengenalan teks teratas di 2022
• ‍Apa Optical Character Recognition (OCR) – Panduan Definisi
• Panduan A-to-Z untuk Deteksi Teks

Bagaimana NLP digunakan dalam pengenalan teks?

Namun, OCR memiliki kelemahan karena tidak dapat memberikan informasi lebih lanjut tentang makalah yang diprosesnya. Biarkan kami memberi Anda contoh: Bayangkan bertanya kepada penerjemah Spanyol yang tidak tahu apa -apa tentang baseball untuk menafsirkan siaran baseball ke dalam bahasa Inggris menggunakan pengenalan karakter optik. Kata -katanya bisa diterjemahkan, tetapi tanpa konteksnya, terjemahannya mungkin tidak masuk akal. Jika Anda tidak tahu apa itu “bermain ganda”?

Dengan bantuan pemrosesan bahasa alami (NLP), komputer dapat “memahami” apa yang ditulis dengan menganalisis kata dan frasa di dalamnya. Ini dapat memperoleh informasi dan wawasan yang berharga dari file sumber saat diimplementasikan dengan benar.

Menerapkan pengenalan karakter optik dengan pemrosesan bahasa alami untuk dokumen elektronik adalah kombinasi yang kuat, terutama mengingat penggunaan faks yang meluas di banyak bidang.

Selain itu, untuk menganalisis data yang terkandung di dalam dokumen -dokumen ini, perlu memindai mereka menggunakan teknologi pengenalan teks. NLP meningkatkan proses ini dengan membiarkan sistem ini mengenali konsep yang relevan dalam teks yang dihasilkan. Ini membantu dengan analisis pembelajaran mesin yang diperlukan untuk memutuskan apakah suatu barang harus disetujui atau tidak.

Bagaimana NLP dapat meningkatkan pengenalan teks?

Sekarang kami memahami kedua teknologi ini, mari kita lihat secara singkat bagaimana teknologi NLP dapat meningkatkan pengenalan teks.

Pengenalan karakter optik menggunakan teknologi untuk membedakan antara karakter teks yang dicetak atau tulisan tangan dalam gambar digital dokumen fisik, seperti dokumen kertas yang dipindai. Pengenalan teks adalah singkatan dari pengenalan karakter optik, dan pengenalan teks dapat menemukan kata -kata dalam gambar yang sedang dipindai, tetapi tidak tahu apa arti kata -kata itu.

NLP ikut bermain pada saat ini!

Pemrosesan bahasa alami memungkinkan komputer memahami kata -kata tertulis dan diucapkan dengan cara yang mirip dengan bagaimana orang melakukannya. Mari kita bayangkan bahwa kedua teknologi ini telah bergabung!

NLP dapat meningkatkan keakuratan pengenalan teks dan membantu teknologi ini memahami teks dengan cara yang sama seperti manusia bisa.

Tapi bagaimana OCR dan NLP membantu bisnis Anda?

Aplikasi modern yang didukung oleh OCR dan NLP memungkinkan bisnis Anda melakukan berbagai kegiatan terkait dokumen, termasuk tetapi tidak terbatas pada yang berikut:

• Mengidentifikasi dokumen seperti paspor dan kartu ID dapat dibaca secara mekanis.
• Anda dapat dengan cepat memindai dokumen, termasuk kartu bank, faktur, tiket, dan cek.
• Isi informasi penagihan secara otomatis.
• Mengirimkan informasi ke sistem manajemen hubungan pelanggan atau formulir online secara otomatis.
• Berbagai sumber informasi klien harus diperiksa untuk keakuratan.
• Bisnis yang memilih layanan ekstraksi data memiliki akses ke data yang dirangkum yang dapat digunakan untuk membuat pilihan yang lebih terlatih dan maju dengan percaya diri.

Intinya

Singkatnya, OCR, sering dikenal sebagai pengenalan teks, adalah proses digitalisasi teks dari gambar teks cetak. Namun, teknologi ini tidak dapat memahami arti teks. Pemrosesan Bahasa Alami Memberikan Komputer Kapasitas untuk Memahami Bahasa Tertulis dan Lisan dengan cara yang sebanding dengan bahasa manusia. Jadi, NLP dapat meningkatkan akurasi pengenalan teks dengan membantu memahami arti teks.

Dalam beberapa tahun terakhir, OCR telah berkembang menjadi sumber yang sangat membantu. Jika Anda memerlukan teknologi pengenalan teks untuk meningkatkan operasi bisnis Anda, Cameralyze ada di sini untuk membantu Anda! Solusi berbasis AI Cameralyze menyederhanakan analisis bisnis dan mengekstrak data kritis menggunakan teknologi seperti visi teks, validasi data, pengenalan wajah, dan identifikasi dokumen.

Cameralyze adalah platform AI-solusi yang tidak memerlukan pengkodean apa pun. Platform ini menyediakan akses ke hampir semua teknologi berbasis AI dan komputer dengan biaya rendah, dan layanan pengenalan teks juga tersedia di platform.

Yang penting, tidak seperti banyak saingannya, platform ini tidak memerlukan perangkat lunak khusus atau pengetahuan teknologi di pihak pengguna. Anda dapat mengaksesnya secara langsung menggunakan browser web dan cukup memindai dokumen Anda dan mengunggahnya ke situs untuk mendapatkan teks instan. Sederhananya, Cameralyze memberi Anda kemampuan beradaptasi yang Anda inginkan dan kebebasan untuk menggunakan data Anda sesuai keinginan Anda. Ini membantu Anda memanfaatkan data digital Anda sebaik -baiknya.

Dapatkah solusi NLP dan OCR dibangun untuk kasus penggunaan bisnis Anda? Cara Mulai Menggunakan Solusi NLP? Tugas apa yang dapat diotomatisasi dengan OCR? Apakah Anda memiliki pertanyaan lain?

Mulailah sekarang, dan coba solusi pengenalan teks Cameralyze sekarang.

Kunjungi Blog Cameralyze untuk mempelajari tentang canggih AI dan produk teratas yang tersedia saat ini.

Keuntungan dari NLP, AI, jaringan saraf, dan sejenisnya dalam OCR dan pemrosesan dokumen; Pengantar

Kecerdasan buatan menjadi semakin terlibat dalam sejumlah besar industri dan domain dan, bertentangan dengan kepercayaan umum, itu tidak’T hanya merujuk pada perhitungan. AI juga bisa menjadi pengambilan keputusan yang sangat penting dan faktor kognitif dalam pengembangan teknologi baru atau kemajuan yang sudah ada. Pemrosesan dokumen yang cerdas akan menjadi fokus artikel kami dan kami akan membahas bagaimana hal -hal seperti NLP, AI, OCR, dan jaringan saraf mengubah bidang ini dan membantunya menjadi lebih efisien.

Tentang pemrosesan bahasa alami

Pemrosesan bahasa alami atau NLP mewakili cabang spesifik AI yang membantu komputer dalam perjuangan mereka untuk memahami makna bahasa manusia dan menafsirkannya sesuai. Seperti yang ditunjukkan olehnya, ini bertujuan untuk memfasilitasi interaksi antara orang dan mesin. NLP digunakan dalam banyak domain dari perbankan digital dan pengakuan dokumen hingga pemrosesan faktur, pemrosesan klaim asuransi, otomatisasi pemrosesan faktur, dan pemrosesan dokumen yang cerdas, hanya untuk beberapa nama.

NLP juga berguna untuk mencakup jenis kegiatan tertentu seperti deteksi dan segmentasi bicara dan teks, pengenalan karakter optik, klasifikasi dokumen, dan transformasi teks-ke-ucapan. Bisnis mendapat banyak manfaat dari penggunaan NLP karena membantu dengan email dan klasifikasi dokumen, ini mengurangi biaya, dan secara keseluruhan meningkatkan akurasi dan efisiensi interpretasi.

Tautan antara NLP di AI dan pemrosesan dokumen

Tidak ada rahasia bahwa memahami arti pasti dari dokumen tertentu, terlepas dari bentuk yang disajikan, bisa menjadi tantangan besar bagi bisnis. Saat ini, data dihasilkan dengan kecepatan dan volume yang sangat besar, dan mengikuti semuanya hampir mustahil di kali. Teks bebas juga merupakan bagian dari masalah yang disebutkan di atas karena sangat sulit untuk dipahami dan bekerja dengan di lingkungan ini. Bagaimanapun, teknologi konvensional tidak memberikan akurasi yang cukup.

Tantangan lain adalah memahami makna data terstruktur karena teknologi tradisional tidak dapat melakukannya ketika format teks baru muncul. Singkatnya, ekstraksi dan pemrosesan data dapat menjadi rintangan besar bagi bisnis dan dapat memberikan blok besar dalam hal efisiensi.

Koneksi antara NLP dalam AI dan pemrosesan dokumen dibuat ketika data yang sepenuhnya tidak terstruktur menjadi dapat digunakan. NLP juga digunakan oleh pemrosesan dokumen cerdas dengan tujuan untuk membaca dan memproses data yang berasal dari kedua jenis dokumen, yang berarti terstruktur dan tidak terstruktur. Hal -hal seperti otomatisasi ruang surat digital dan pembelajaran mesin klasifikasi dokumen adalah bagian dari proses yang dapat menjadi jauh lebih efisien dan cepat melalui penggunaan NLP di AI.

Selain itu, pemrosesan bahasa alami dapat menemukan dan menafsirkan hal -hal seperti kata kunci, niat utama, dan frasa penting untuk memahami makna teks yang benar.

Analisis sentimen juga dimungkinkan dengan NLP dalam arti bahwa itu dapat mengkategorikan data dalam dokumen berdasarkan perasaan manusia. Beberapa di antaranya termasuk perasaan positif dan negatif serta yang netral. Departemen Pemasaran Perusahaan dapat mendapat manfaat besar dari interpretasi ini karena mereka dapat menyoroti emosi manusia yang nyata yang dirasakan atau harus dirasakan oleh penonton. Layanan yang dipersonalisasi dapat dibuat seperti ini serta dukungan yang lebih bertarget dan ramah klien.

Jaringan saraf dalam pemrosesan dokumen cerdas

Jaringan saraf telah menjadi bagian integran dari pemrosesan dokumen cerdas sejak awal AI. Faktanya, jaringan pertama tersebut dirancang pada tahun 1990 -an sehingga bank dapat membaca dan memproses cek dan kantor pos untuk memproses alamat tulisan tangan secara otomatis. Jelas, jaringan saraf, serta AI, telah sangat meningkat sejak saat itu dan sekarang, mereka telah menjadi wajib untuk kegiatan pemrosesan dokumen yang akurat.

Pembelajaran mendalam menggunakan jaringan saraf buatan untuk mensimulasikan jaringan saraf otak manusia dan bagaimana fungsinya. JST ini sebenarnya mewakili dasar pembelajaran yang mendalam dan memungkinkan mesin untuk mengenali dan mempelajari volume data besar. Mereka juga terus berkembang dan belajar, oleh karena itu namanya, sehingga kinerjanya meningkat dan hasilnya lebih baik.

Namun, model pembelajaran mesin tidak dapat meningkat tanpa pelatihan menggunakan data berkualitas tinggi. Manusia dapat melakukan ini dengan memberi label data dan mempersonalisasikan pengalaman belajar agar sesuai dengan domain atau bisnis tertentu. Model dapat dilatih lagi dan lagi sehingga mereka dapat ditingkatkan saat bisnis berkembang dan mendapatkan audiens yang lebih besar. Memperbarui model juga merupakan praktik umum dalam pemrosesan dokumen sehingga mereka dapat mengenali dan memahami data dan dokumen baru saat bepergian.

Tentang pengenalan karakter optik (OCR)

Dia’Sekarang saatnya berbicara sedikit tentang pengenalan karakter optik atau OCR yang kadang -kadang juga disebut pengenalan teks sederhana. OCR dapat memindai dokumen fisik, mengekstrak data (teks, gambar, dll.) dan kemudian repurpose. Jenis perangkat lunak ini juga mampu mengekstraksi huruf, memasukkannya ke dalam kata -kata, dan kata -kata ke dalam kalimat, oleh karena itu, memungkinkan pengeditan dokumen asli. Selain itu, berkat OCR, entri data manual tidak lagi diperlukan karena itu menghemat waktu dan uang ketika datang ke perusahaan.

OCR bekerja dengan menggunakan campuran perangkat lunak dengan perangkat keras untuk mengubah dokumen fisik menjadi dokumen digital yang dapat dikenali komputer. Pikirkan pengemudi’S lisensi OCR, Formulir Pajak OCR, atau ID OCR dan Anda akan segera memahami tentang apa ini. Intinya, ini masih tentang pembelajaran mesin OCR karena jenis solusi ini perlu diajarkan cara mengubah dokumen menjadi data digital.

AI juga ikut bermain itulah sebabnya pengenalan karakter yang cerdas juga ada. Ini adalah jenis OCR khusus yang dapat mengenali berbagai bahasa, tanda, dan gaya tulisan tangan. Sebagian besar waktu, perusahaan atau individu menggunakan OCR untuk mengubah dokumen historis atau hukum fisik menjadi dokumen PDF yang dapat diedit oleh manusia dan mencari dengan cara yang sama dengan dokumen kata dasar.

Dia’Perlu disebutkan bahwa iterasi pertama dari jenis solusi ini adalah omni-font yang dibuat oleh Kurzweil Computer Products, Inc. kembali pada tahun 1974. Pada saat itu, teknologi ini masih baru dan hanya bisa mengenali teks tercetak terlepas dari font yang ditulisnya. Pendiri perusahaan, Ray Kurzweil memutuskan untuk menggunakan teknologi ini untuk membantu orang buta dan, dengan bantuan pembelajaran mesin, ia membuat perangkat yang dapat membaca teks dengan keras. Anggap saja sebagai robot OCR.

Teknologi ini menjadi lebih populer di tahun 1990 -an dengan kebutuhan untuk membuat database digital surat kabar bersejarah sehingga mereka tidak akan melakukannya’t hilang. Saat ini, teknologi OCR digunakan dalam pemrosesan dokumen di seluruh dunia oleh orang biasa. Sebagian besar dari kita memiliki aplikasi di ponsel kita yang dapat memindai dan mengubah dokumen fisik menjadi yang digital untuk berbagai tujuan. Sebelum penemuan dan pengembangan jenis teknologi ini, satu -satunya cara untuk melakukan ini adalah dengan secara manual menyalin dokumen. Ini tidak hanya sangat memakan waktu tetapi juga rentan terhadap kesalahan yang tak terhindarkan yang kemudian membutuhkan lebih banyak waktu untuk diperbaiki.

Bagaimana cara kerja OCR untuk pemrosesan dokumen?

Kami telah berbicara tentang bagaimana OCR menggunakan kombo dari perangkat keras dan perangkat lunak untuk berfungsi. Nah, bagian perangkat keras dari campuran diwakili oleh pemindai sebagian besar waktu yang mampu memproses dokumen fisik. Setelah selesai, bagian perangkat lunak menendang di mana data diubah menjadi versi dua warna. Area gelap mewakili karakter sementara yang terang mewakili latar belakang. Hanya area gelap yang perlu diproses dan diubah menjadi huruf, angka, dan simbol.

Lalu ada tahap pengenalan pola dan deteksi fitur. Yang pertama membandingkan teks dalam perangkat lunak OCR dengan contoh lain dalam berbagai format dan font. Ini membantunya mengenali karakter yang dipindai. Tahap kedua terdiri dari menerapkan aturan tertentu untuk mengenali angka dan karakter. Hal -hal seperti garis, sudut yang diposisikan, dan banyak detail lainnya diperhitungkan saat mengenali simbol tertentu, terlepas dari apakah itu’S surat atau nomor.

OCR dan bagaimana hal itu menguntungkan pemrosesan dokumen

Ada banyak manfaat yang dimiliki OCR tetapi yang paling penting dapat diamati dalam domain pemrosesan dokumen. Mungkin manfaat paling penting berkaitan dengan penyederhanaan seluruh prosedur entri data yang pernah sangat memakan waktu. Orang dan bisnis sekarang dapat menyimpan banyak data secara digital dan karenanya mencari, membaca, dan mengedit dokumen -dokumen itu sesuka mereka. Akses ke mereka sekarang konstan dan menjadi mudah untuk mencari informasi tertentu di perangkat.

OCR juga secara drastis mengurangi biaya untuk perusahaan, mengotomatiskan pemrosesan dokumen, mempercepat alur kerja di dalam perusahaan, dan memusatkan data dengan cepat dan efisien. Terakhir, itu’S kristal jelas bahwa teknologi canggih sekarang dapat menghasilkan kinerja dan hasil aplikasi yang lebih baik. Ini berarti bahwa pengguna adalah penerima manfaat utama mereka dan bisnis dan individu tidak boleh takut untuk mengimplementasikan hal -hal seperti NLP, jaringan saraf, OCR, dan AI secara umum ke dalam upaya pemrosesan dokumen mereka.

OCR + NLP + FAX = Kombinasi yang menang untuk konsensus

Solusi Cloud Konsensus Telah Menambahkan Kemampuan Pemrosesan Bahasa Alami untuk Penawarannya yang akan membuatnya lebih mudah bagi organisasi perawatan kesehatan untuk mengubah dokumen yang tidak terstruktur menjadi sumber informasi yang kaya. Kemampuan tambahan mereka berarti bahwa dokter sekarang akan memiliki konteks tambahan saat memberikan perawatan kepada pasien, yang dapat menyebabkan hasil yang lebih baik dan mengurangi biaya. NLP + OCR Optical Character Recognition (OCR) adalah teknologi yang mengubah teks tulisan tangan atau diketik menjadi teks yang dikodekan mesin yang dipahami komputer. OCR biasanya diterapkan pada dokumen kertas yang dipindai, foto, dan gambar elektronik lainnya. Namun, batasan OCR adalah itu’tidak mampu menyediakan konteks untuk dokumen yang diprosesnya. Berikut analogi: Pikirkan OCR sebagai penerjemah Italia yang benar -benar tidak terbiasa dengan baseball yang diminta untuk menerjemahkan siaran baseball. Meskipun mereka mungkin dapat mengubah kata -kata yang diucapkan, kurangnya konteks mereka akan menghasilkan terjemahan yang mungkin tidak sepenuhnya dapat dimengerti. Bagaimana Anda menerjemahkan a “bermain ganda” Misalnya jika Anda tidak’Aku tahu apa sebenarnya itu? Natural Language Processing (NLP), memungkinkan komputer “memahami” isi dokumen dengan menganalisis kata dan bahasa yang digunakan. Saat diterapkan dengan sukses, itu dapat mengekstraksi informasi dan wawasan dari dokumen -dokumen tersebut. OCR + NLP adalah kombinasi yang kuat saat diterapkan pada dokumen elektronik, termasuk faks yang masih sering digunakan dalam perawatan kesehatan. Solusi Cloud Konsensus’ Penawaran Kejelasan Menggabungkan OCR dan NLP dalam alat yang kuat yang membuka data tidak terstruktur yang disimpan dalam faks. Nilai ekstraksi “Saat faks diterjemahkan di penerima’s end sulit untuk dimasukkan ke dalam database,” dijelaskan John Nebergall, Chief Operating Officer di Consensus Cloud Solutions, dalam wawancara langsung dengan Perawatan kesehatan hari ini. “Apa yang kami coba lakukan, menggunakan kejelasan, adalah struktur dokumen yang tidak terstruktur dan membawanya ke [catatan medis] dengan cara itu’S bermakna. dan membiarkannya digunakan untuk pengalaman pasien yang lebih baik.” Tujuannya bukan untuk hanya menerjemahkan semua yang ada pada dokumen faks, tetapi lebih memahami apa itu dokumen itu, dan mengekstrak informasi yang bermakna yang dapat digunakan oleh seorang dokter. Latihan membuat sempurna Agar solusi NLP menjadi efektif, itu perlu dilatih pada serangkaian sampel dokumen. Semakin besar dan semakin representatif sampelnya, semakin baik solusinya. Proses konsensus jutaan faks untuk organisasi perawatan kesehatan melalui solusi faks berbasis cloud yang berarti mesin NLP mereka memiliki banyak praktik. Bahkan lebih baik, karena konsensus pelanggan menemukan kegunaan baru untuk kejelasan (yaitu: masalah baru yang dapat membantu menyelesaikannya), sistem dapat dengan cepat dilatih kembali pada dataset besar ini. “Apa kita’ve yang dipelajari adalah bahwa agar pemrosesan bahasa alami menjadi benar -benar efektif, ia harus memiliki banyak kesempatan latihan untuk dapat belajar darinya,” kata Nebergall. “Kami benar -benar memiliki miliaran halaman faks yang mengalir di seluruh jaringan kami secara teratur, memberi kami kesempatan untuk melatih sistem miliaran kali. Itu’S keuntungan kami.” Tonton wawancara lengkap dengan John Nebergall untuk belajar:

• Proses manual menafsirkan faks
• Mengapa NLP sedang diadopsi secara luas sekarang vs 3 tahun yang lalu
• Di mana dokumen yang tidak terstruktur mungkin bersembunyi di organisasi perawatan kesehatan Anda

Dengarkan dan Berlangganan Podcast Wawancara Today Today untuk mendengar semua wawasan terbaru dari para ahli di bidang kesehatan itu.

Dan untuk tampilan eksklusif di Top Stories kami, Berlangganan newsletter kami.

Beritahu kami apa yang kamu pikirkan. Hubungi kami di sini atau di Twitter di @hcitoday. Dan jika kau’tertarik pada iklan dengan kami, Lihat Berbagai kami paket iklan dan meminta kami Kit media.

Konsensus Cloud Solutions adalah sponsor yang membanggakan adegan perawatan kesehatan.

Salinan

Salinan

[00:00:08] Colin Hung: HAI AKU’m colin digantung dengan perawatan kesehatan hari ini. Dan saya’Saya bersemangat untuk duduk lagi bersama John Nebergall, Chief Operating Officer di Consensus Cloud Solutions. John, selamat datang kembali ke program.

[00:00:27] John Nebergall: Colin senang berada di sini. Terima kasih telah menerima saya.

[00:00:29] Colin Hung: Jadi hari ini kita’akan berbicara tentang data yang tidak terstruktur dan bagaimana itu’sumber daya yang belum dimanfaatkan dan diremehkan. Dan kita’akan berbicara tentang bagaimana Anda dapat membukanya.

[00:00:39] John Nebergall: Besar. Data tidak terstruktur adalah favorit saya.

[00:00:43] Colin Hung: Aku mengenalmu’hanya mengatakan itu untuk wawancara ini, tapi saya menyukainya. aku menyukainya. Jadi biarkan’s Mulailah dengan sedikit konteks. Apa data yang tidak terstruktur dan mengapa ada begitu banyak di perawatan kesehatan?

[00:00:52] John Nebergall: Nah, jika Anda memikirkan cara basis data modern bekerja – data terstruktur adalah data yang dimuat ke dalam database, di bidang tertentu sehingga Anda dapat mencari database itu, menarik data dalam konteks tertentu dan dapat menggunakan analisis untuk memahami apa yang dikatakan data itu kepada Anda.

[00:01:11] Data yang tidak terstruktur adalah data yang tidak’t sesuai dengan cetakan itu.

[00:01:15] Jadi jika Anda memikirkan kata -kata di selembar kertas, misalnya, itu’data yang tidak terstruktur dan database bisa’T benar -benar menggunakannya. Jika Anda memikirkan hal -hal seperti faks… ketika faks diterima oleh organisasi perawatan kesehatan, itu’s diisi dengan data yang tidak terstruktur – CAN’t digunakan. Catatan tulisan tangan dokter, data yang tidak terstruktur. Sehingga’benar -benar masalah dalam perawatan kesehatan: bagaimana cara saya mendapatkan kebaikan data yang tidak terstruktur dan memasukkannya dengan cara yang dapat dicari, dianalisis, dan dapat membantu kami dengan perawatan pasien.

[00:01:45] Colin Hung: Ya. Saya akan bertanya tentang itu. Jadi bagaimana data yang tidak terstruktur ini dapat digunakan? Saya mendapatkan bagaimana Anda bisa membacanya dan menafsirkannya, tetapi dalam hal mengubahnya menjadi sesuatu yang dapat digunakan komputer, apa saja beberapa kasus penggunaan untuk data yang tidak terstruktur?

[00:01:58] John Nebergall: Anda tahu apa, Anda’kembali memukul kuku tepat di kepala! Sebagai manusia, kita dapat membaca dokumen itu dan di kepala kita, kita menyusun data itu. Kita bisa memahaminya. Kami tahu apa artinya. Komputer bisa’t melakukan hal yang sama. SAYA’Saya yakin itu Anda’telah melihat dari waktu ke waktu orang input data yang buruk dengan setumpuk kertas mengetik ke komputer.

[00:02:20] Itu’S persis seperti proses manual yang perlu terjadi. Jika Anda memikirkan hari -hari sebelum konsensus, untuk mengambil data yang tidak terstruktur, menyusunnya dan membuatnya berguna. Apa yang pada dasarnya kami lakukan adalah menerapkan teknologi yang disebut pembelajaran mesin, kecerdasan buatan, untuk memahami hampir seperti manusia, apa arti kata -kata di halaman itu. Dengan melakukan itu, kita dapat mengekstrak data penting, menyusunnya untuk dimuat ke dalam database, dan benar -benar membuatnya bermanfaat dan dapat dicari.

[00:02:54] Colin Hung: Jadi apa kamu’berbicara tentang pemrosesan bahasa alami, nlp. Apakah itu benar?

[00:02:57] John Nebergall: Itu’s tepat.

[00:02:58] Colin Hung: Dan itu dapat membaca dokumen dan mengekstrak informasi yang relevan. Sehingga’S tidak mengubah seluruh dokumen menjadi format elektronik, benar? Dia’semacam menafsirkan hal -hal penting yang ingin Anda dapatkan dari seperti catatan tulisan tangan atau faks atau hal -hal semacam itu.

[00:03:12] John Nebergall: Itu’s tepat. Database sedang mencari hal -hal tertentu. Sebagai penyedia, Anda ingin informasi tertentu. Kamu don’t tentu menginginkan semuanya sekaligus. Anda menginginkan apa yang Anda’Re mencari. Pemrosesan bahasa alami bekerja dengan cara yang sama. Kamu bilang “Saya ingin mengekstrak informasi semacam ini” Saat Anda memahami dokumen dari intelijen otomatis … bahwa intelijen mengekstrak informasi itu dan memasukkannya ke dalam database sehingga dapat dirujuk nanti.

[00:03:40] Colin Hung: Sekarang bagi saya, itu adalah sesuatu yang keluar dari sesi yang baru saja dilakukan perusahaan Anda. Itu adalah sesuatu yang mengejutkan saya – Anda tidak’T harus mengubah semuanya dari dokumen. Tujuan Anda bukan untuk mendigitalkan seluruh dokumen. Tujuan Anda adalah untuk menafsirkannya, untuk benar -benar mengambil informasi yang Anda inginkan dan butuhkan … dan tinggalkan sisanya.

[00:03:57] Bagi saya itu adalah perspektif yang unik. Saya tidak pernah benar -benar memikirkan itu. Ketika saya memikirkan NLP, di masa lalu, saya pikir, Anda ingin menafsirkan seluruh dokumen. Tapi yang saya pelajari adalah itu’Bukan masalahnya. Anda’benar -benar mencari sesuatu yang sangat spesifik dan karena itu benar -benar membuatnya lebih akurat.

[00:04:11] John Nebergall: Benar. Data adalah data. Data yang relevan adalah informasi. Itu’benar -benar tujuan di sini untuk mendapatkan informasinya.

[00:04:18] Colin Hung: Sekarang, Anda baru -baru ini mengumumkan debut produk NLP Anda. Apakah Anda ingin memberi tahu kami lebih banyak tentang itu?

[00:04:26] John Nebergall: Tentu. Kejelasan konsensus adalah produk yang kami’ve dibuat khusus dengan faks dalam pikiran. Kami memahami bahwa begitu banyak informasi yang ditransfer di dalam perawatan kesehatan menggunakan faks.

[00:04:40] Tetapi ketika faks itu diterjemahkan di penerima’S akhir, sangat sering, itu’Sulit untuk informasi itu dimasukkan ke dalam database dengan mudah. Terkadang itu’S diterjemahkan sebagai selembar kertas – ia melewati proses dimasukkan secara manual. Terkadang itu’hanya melekat pada catatan pasien sebagai dokumen, tetapi tidak mudah dicari.

[00:04:58] Jadi apa yang kami coba lakukan, menggunakan kejelasan, adalah struktur dokumen yang tidak terstruktur – bawa ke dalam database dengan cara itu’S bermakna dan membiarkannya digunakan untuk meningkatkan pengalaman pasien.

[00:05:11] Colin Hung: Jadi jika saya adalah CIO atau CMIO atau pemimpin perawatan kesehatan dalam hal ini. Apa tanda atau pemicu yang mungkin saya cari untuk mengetahui bahwa saya memiliki beberapa data yang tidak terstruktur, baik tantangan atau peluang untuk memanfaatkan data yang tidak terstruktur yang saya haven’t sebelumnya?

[00:05:30] John Nebergall: Lemari arsip adalah isyarat yang bagus. Jika Anda melihat bahwa Anda memiliki mesin faks di berbagai bagian organisasi Anda, itu’S akan menjadi isyarat. Kapan pun Anda memiliki kertas yang ditumpuk, itu’s is a cue. Semua hal ini, dan saya’Saya yakin jika Anda berjalan melalui organisasi kesehatan itu’S cukup mudah untuk dengan cepat melihat isyarat semacam ini dan berkata – lihat, di sana’banyak data di sini yang berguna, itu’hanya tidak dimasukkan ke dalam konteks yang dapat digunakan dalam pertemuan pasien.

[00:05:59] Colin Hung: SAYA’Saya juga asumsi, banyak cetakan. Jika Anda melihat banyak kertas hanya di meja dan hal -hal itu, itu’S tanda lain bahwa saya’ve punya banyak data tidak terstruktur di sini.

[00:06:09] John Nebergall: Ya. Itu’s tepat. Dan semua data yang tidak terstruktur itu potensial, benar. Dia’s bagaimana kita bisa menutup celah antara tempat kita sekarang dan dokter yang sepenuhnya mendapat informasi’s Mengobati pasien pada waktu tertentu.

[00:06:22] Colin Hung: Ini hanya mengejutkan saya bahwa kami memiliki begitu banyak informasi yang terkunci dalam format yang tidak dapat digunakan ini, format yang tidak terstruktur ini. Dan apa yang kamu’Bicara tentang benar -benar pedih karena ya, kami masih memiliki mesin faks, kami masih memiliki orang -orang mencetak barang, kami masih memiliki dokumen kertas. Dan apa yang kamu’Bicara tentang adalah kemampuan untuk mengambilnya dan membuatnya berguna bagi dokter atau pasien dalam hal ini.

[00:06:42] John Nebergall: Tepat. Dan ketika Anda melakukan itu, Anda benar -benar mulai membuka kunci beberapa hal yang ada dalam bayang -bayang yang dapat membantu untuk merawat pasien dan sekarang hanya tidak melakukannya’t memiliki status itu.

[00:06:55] Colin Hung: Sekarang, NLP adalah AI. Dia’s Di bawah payung Kecerdasan Buatan dan AI. Dan saya pikir beberapa tahun yang lalu, kami mencapai puncak siklus hype. AI dijanjikan bahwa itu bisa melakukan banyak hal dan banyak hal. Saya pikir kami’telah turun dari puncak itu karena kami’ve mengalami beberapa kegagalan profil tinggi AI. Di mana menurut Anda AI sekarang? Apakah kita pada titik di mana AI sedikit lebih diposisikan secara realistis dalam perawatan kesehatan? Dan jika kami mendapatkan beberapa kasus penggunaan yang lebih realistis untuk itu?

[00:07:23] John Nebergall: Ya, saya pikir dua hal telah terjadi. Nomor satu, teknologi telah maju dan nomor dua, kami memahami lebih baik bagaimana dapat menerapkan teknologi itu untuk masalah.

[00:07:33] Jadi saya pikir apa yang kami pikirkan’ve yang dipelajari adalah bahwa agar pemrosesan bahasa alami menjadi benar -benar efektif, ia harus memiliki banyak kesempatan latihan untuk dapat belajar darinya. Itu’s di mana pembelajaran mesin itu masuk. Dan semakin Anda’dapat menyajikan mesin, semakin Anda’dapat menunjukkannya bagaimana Anda memperbaikinya sebagai manusia, mesin mengingatnya.

[00:07:53] Jadi mulai bisa melakukan apa yang dilakukan manusia. Kuncinya adalah Anda harus dapat melakukannya berulang kali. Dan itu’benar -benar salah satu keuntungan yang kita miliki. Kami benar -benar memiliki miliaran halaman faks yang mengalir di seluruh jaringan kami secara teratur, memberi kami kesempatan untuk melatih sistem miliaran kali. Itu’S benar -benar di mana keuntungan kita yang sebenarnya dalam hal ini datang.

[00:08:21] Colin Hung: Kedengarannya seperti itu’S hanya lagi “AI terbukti”. Itu sangat kuat dan kami tahu itu berhasil. Dan seperti yang Anda katakan, Anda’Anda dapat melakukan ini ribuan dan ribuan kali dengan cara yang dapat diprediksi dan dapat diprediksi. Untuk AI, itu’s Apa yang ingin Anda dapatkan.

[00:08:33] John Nebergall: Sangat. Sangat.

[00:08:35] Colin Hung: Jadi John, ke mana orang bisa pergi mencari tahu lebih banyak informasi tentang konsensus?

[00:08:39] John Nebergall: Anda dapat mengunjungi kami di konsensus.com dan dapatkan semua informasi yang Anda butuhkan di sana,

[00:08:44] Colin Hung: John Saya sangat menghargai semua informasi hebat seperti biasa. Dia’senang memiliki Anda di program ini.

[00:08:48] John Nebergall: Terima kasih banyak telah menerima saya. saya sangat menghargainya.

Faktur OCR Menggunakan AI dan NLP: Panduan Pemula

Mengotomatiskan proses keuangan Anda mudah ketika Anda memiliki solusi Faktur OCR menggunakan AI dan NLP. Begini cara kerjanya.

7 Agustus 2022

Faktur OCR Menggunakan AI dan NLP dapat mengubah alur kerja AP Anda.

Apakah Anda siap untuk merampingkan alur kerja untuk tim AP Anda, menghemat waktu dan uang Anda? Maka Anda memerlukan perangkat lunak Faktur OCR! Teknologi baru ini menggunakan kekuatan pembelajaran mesin untuk mengekstrak data faktur dan menghilangkan kebutuhan untuk entri data manual sama sekali.

Apa itu Faktur OCR?

OCR adalah singkatan dari pengenalan karakter optik, dan mengacu pada pemrosesan file gambar yang dipindai atau untuk menemukan kata -kata di halaman.

Anda kemungkinan telah menemukan istilah ini ‘Faktur OCR’ Sebelumnya, seperti itu’menjadi persyaratan yang lebih umum untuk bisnis yang mencari perangkat lunak otomatisasi AP. OCR Software adalah bentuk pengakuan faktur yang dapat membaca faktur yang dipindai dan menganalisisnya untuk mendeteksi informasi penting halaman tersebut. Langkah pertama adalah mengubah gambar menjadi kata -kata; Seperti dalam pemindaian OCR tradisional. Langkah kedua adalah mengurai kata -kata itu dan mengekstrak informasi dalam faktur. Data yang diekstraksi biasanya meliputi:

• P.HAI. Angka
• Keseimbangan karena
• Tenggat waktu
• Detail Pemasok
• Rekening bank dan detail pembayaran

Jika Anda melakukan banyak pemindaian faktur, Anda’ll membutuhkan perangkat lunak ekstraksi data yang memanfaatkan teknologi OCR untuk mencapai hasil pemrosesan yang paling akurat.

API OCR Faktur terbaik dilatih pada ribuan faktur untuk dapat secara akurat membaca faktur kertas, tidak peduli formatnya. Tidak semua faktur pemasok terlihat sama, dan Anda memerlukan solusi yang akan mengekstrak data yang relevan di mana pun itu ada di halaman.

Apa itu NLP?

Solusi OCR yang cerdas juga menggunakan NLP (pemrosesan bahasa alami) untuk memahami semantik di balik apa’S tertulis di halaman. Melampaui hanya karakter pada faktur PDF, NLP memungkinkan algoritma AI untuk sepenuhnya memahami terminologi yang berbeda yang digunakan untuk kategorisasi data yang lebih akurat. Daripada hanya menjalankan pencarian kata kunci, jaringan saraf yang terlibat sebenarnya akan dapat memahami arti variasi terminologi.

Hasil? Pemrosesan Faktur Otomatis dengan Pemahaman Faktur Depan Seperti Staf Anda. Dokumen AI membuat semua kemajuan terbaru dalam NLP dan AI dapat diakses oleh siapa pun, dan Anda akan merasa seolah-olah Anda memiliki asisten yang sangat bertenaga tinggi di belakang layar komputer.

Manfaat Faktur OCR Menggunakan AI dan NLP

Menerapkan solusi Faktur OCR ke dalam alur kerja AP Anda mungkin menjadi salah satu keputusan paling luas yang akan Anda buat tahun ini. Berikut adalah beberapa manfaat yang dapat Anda harapkan untuk dilihat:

Lebih efisien waktu

Menggunakan OCR Faktur Perangkat Lunak Pengambilan Menghapus Dugaan dari Pemrosesan Faktur. Alih -alih mengandalkan entri data manual, jenis perangkat lunak ini dapat memproses faktur dalam hitungan detik, membebaskan banyak waktu untuk karyawan Anda. Sebaliknya, mereka dapat fokus pada banyak tugas lain dari peran mereka, aman dalam pengetahuan bahwa faktur sedang diproses secara akurat.

Bekerja pada faktur yang dipindai

Bagian rumit dari menemukan perangkat lunak yang tepat untuk memproses faktur adalah mencari tahu mana yang masih akan bekerja pada faktur yang dipindai. Sekarang Anda tahu – cukup cari alat pengambilan data yang menggunakan OCR, dan alat ekstraksi ini akan berfungsi dengan sempurna bahkan pada faktur kertas Anda.

Bayar tepat waktu, setiap saat

Banyak pemasok menawarkan ketentuan yang menguntungkan jika Anda membayar faktur lebih awal. Dia’S Biasanya pemrosesan faktur yang mencegah mereka dibayar lebih awal, karena tim Anda terus berurusan dengan simpanan. Dengan mengotomatisasi pemrosesan faktur, Anda sekarang akan dapat memanfaatkan insentif pembayaran awal yang ditawarkan oleh pemasok Anda!

Mengapa Memilih Affinda’S Extractor Faktur?

Affinda’S Extractor Faktur menjadi semakin populer di kalangan perusahaan kecil dan bisnis tingkat perusahaan. Rahasia? Kami menawarkan ekstraktor faktur dengan fungsionalitas dan akurasi yang sebanding dengan banyak pesaing kami tetapi pada titik harga yang jauh lebih baik. Menghemat uang sambil mempertahankan akurasi dan penggunaannya.

Parser faktur kami juga menampilkan teknologi pengenalan adaptif. Alih -alih mengandalkan templat untuk parser kami untuk mengenali bidang faktur, ini dirancang untuk beradaptasi dengan jenis format baru apa pun, menganalisis setiap dokumen untuk informasi yang relevan.

Algoritma pembelajaran mesin kami berarti bahwa Affinda’Parser Faktur belajar dari kesalahannya, terus membaik dari waktu ke waktu. Ini dapat mengenali berbagai bidang yang relevan, termasuk jumlah faktur, nomor PO, detail pemasok, tanggal pesanan, data SKU, nomor faktur, dan alamat.