يعد التنبؤ بأنواع فشل الماكينة الشائعة أمرًا بالغ الأهمية في الصناعات التحويلية. بالنظر إلى مجموعة من خصائص المنتج المرتبطة بنوع معين من الفشل ، يمكنك تطوير نموذج يمكنه التنبؤ بنوع الفشل عند تغذية هذه السمات إلى نموذج التعلم الآلي (ML). يمكن أن يساعدك ML في الحصول على الرؤى ، ولكن حتى الآن كنت بحاجة إلى خبراء ML لبناء نماذج للتنبؤ بأنواع فشل الماكينة ، والتي قد يؤدي عدم وجودها إلى تأخير أي إجراءات تصحيحية تحتاجها الشركات لتحقيق الكفاءة أو التحسين.
في هذا المنشور ، نوضح لك كيف يمكن لمحللي الأعمال بناء نموذج ML للتنبؤ بنوع فشل الآلة قماش أمازون سيج ميكر. يوفر لك Canvas واجهة مرئية للنقر والنقر تتيح لك إنشاء نماذج وإنشاء تنبؤات ML دقيقة بنفسك - دون الحاجة إلى أي خبرة في تعلم الآلة أو الحاجة إلى كتابة سطر واحد من التعليمات البرمجية.
حل نظرة عامة
لنفترض أنك محلل أعمال معين لفريق صيانة تابع لمؤسسة تصنيع كبيرة. طلب منك فريق الصيانة المساعدة في توقع حالات الفشل الشائعة. لقد قاموا بتزويدك بمجموعة بيانات تاريخية تحتوي على خصائص مرتبطة بنوع معين من الفشل ويودون منك أن تتنبأ بالفشل الذي سيحدث في المستقبل. تتضمن أنواع الفشل عدم وجود فشل ، والإجهاد الزائد ، وفشل الطاقة. يتم سرد مخطط البيانات في الجدول التالي.
اسم العمود | نوع البيانات | الوصف |
UID | INT | معرف فريد يتراوح من 1 إلى 10,000 |
معرف المنتج | STRING | تتألف من حرف — L أو M أو H للإشارة إلى منخفضة أو متوسطة أو عالية — كمتغيرات جودة المنتج ورقم تسلسلي خاص بالمتغير |
نوع | STRING | يتكون الحرف الأولي المرتبط بمعرف المنتج من L أو M أو H فقط |
درجة حرارة الهواء [ك] | عدد عشري | درجة حرارة الهواء محددة بالكلفن |
درجة حرارة العملية [K] | عدد عشري | درجات حرارة يتم التحكم فيها بدقة لضمان جودة نوع معين من المنتجات المحددة في كلفن |
سرعة الدوران [دورة في الدقيقة] | عدد عشري | سرعة دوران جسم يدور حول محور هي عدد دورات الكائن مقسومًا على الوقت ، ويتم تحديدها على أنها دورات في الدقيقة |
عزم الدوران [نيوتن متر] | عدد عشري | قوة دوران الآلة خلال نصف قطر ، معبرًا عنها بالنيوتن متر |
ارتداء الأداة [دقيقة] | INT | يتم التعبير عن تآكل الأداة في دقائق |
نوع الفشل (الهدف) | STRING | لا يوجد فشل أو انقطاع في الطاقة أو فشل في الإرهاق |
بعد تحديد نوع الفشل ، يمكن للشركات اتخاذ أي إجراءات تصحيحية. للقيام بذلك ، يمكنك استخدام البيانات الموجودة لديك في ملف CSV ، والذي يحتوي على خصائص معينة لمنتج كما هو موضح في الجدول. تستخدم Canvas لتنفيذ الخطوات التالية:
- استيراد مجموعة بيانات الصيانة.
- تدريب وبناء نموذج صيانة الماكينة التنبؤية.
- تحليل نتائج النموذج.
- تنبؤات الاختبار مقابل النموذج.
المتطلبات الأساسية المسبقة
مسؤول السحابة بامتداد حساب AWS مع الأذونات المناسبة المطلوبة لإكمال المتطلبات الأساسية التالية:
- انشر ملف الأمازون SageMaker المجال للحصول على التعليمات ، انظر على متن الطائرة إلى Amazon SageMaker Domain.
- إطلاق Canvas. للحصول على التعليمات ، انظر إعداد Amazon SageMaker Canvas وإدارته (لمسؤولي تكنولوجيا المعلومات).
- تكوين سياسات مشاركة الموارد عبر الأصل (CORS) لـ Canvas. للحصول على التعليمات ، انظر امنح المستخدمين القدرة على تحميل الملفات المحلية.
قم باستيراد مجموعة البيانات
أولا ، تنزيل مجموعة بيانات الصيانة ومراجعة الملف للتأكد من وجود جميع البيانات.
يوفر Canvas العديد من مجموعات البيانات النموذجية في تطبيقك لمساعدتك على البدء. لمعرفة المزيد حول مجموعات البيانات النموذجية التي يوفرها SageMaker والتي يمكنك تجربتها ، راجع استخدم عينات من مجموعات البيانات. إذا كنت تستخدم نموذج مجموعة البيانات (canvas-sample-maintenance.csv
) متوفر في Canvas ، فلن تضطر إلى استيراد مجموعة بيانات الصيانة.
يمكنك استيراد البيانات من مصادر بيانات مختلفة إلى Canvas. إذا كنت تخطط لاستخدام مجموعة البيانات الخاصة بك ، فاتبع الخطوات الواردة في استيراد البيانات في Amazon SageMaker Canvas.
بالنسبة لهذا المنشور ، نستخدم مجموعة بيانات الصيانة الكاملة التي قمنا بتنزيلها.
- تسجيل الدخول إلى وحدة تحكم إدارة AWS، باستخدام حساب لديه الأذونات المناسبة للوصول إلى Canvas.
- قم بتسجيل الدخول إلى وحدة التحكم Canvas.
- اختار استيراد.
- اختار تحميل وحدد
maintenance_dataset.csv
ملف. - اختار تواريخ الاستيراد لتحميله على Canvas.
تستغرق عملية الاستيراد حوالي 10 ثوانٍ (يمكن أن يختلف ذلك اعتمادًا على حجم مجموعة البيانات). عندما تكتمل ، يمكنك رؤية مجموعة البيانات موجودة Ready
الحالة.
بعد التأكد من أن مجموعة البيانات المستوردة هي ready
، يمكنك إنشاء النموذج الخاص بك.
بناء وتدريب النموذج
لإنشاء النموذج الخاص بك وتدريبه ، أكمل الخطوات التالية:
- اختار النموذج الجديد، وتقديم اسم لنموذجك.
- اختار إنشاء.
- إختار ال
maintenance_dataset.csv
مجموعة البيانات والاختيار حدد مجموعة البيانات.
في عرض النموذج ، يمكنك رؤية أربع علامات تبويب تتوافق مع الخطوات الأربع لإنشاء نموذج واستخدامه لإنشاء تنبؤات: أختار, البناء, حللو تنبؤ. - على أختار علامة التبويب، حدد
maintenance_dataset.csv
مجموعة البيانات التي قمت بتحميلها مسبقًا واخترها حدد مجموعة البيانات.
تتضمن مجموعة البيانات هذه 9 أعمدة و 10,000 صف. تنتقل اللوحة القماشية تلقائيًا إلى مرحلة البناء. - في علامة التبويب هذه ، اختر العمود الهدف ، في حالتنا نوع الفشلأبلغك فريق الصيانة أن هذا العمود يشير إلى نوع حالات الفشل التي يتم عرضها عادةً بناءً على البيانات السابقة من أجهزتهم الحالية. هذا ما تريد تدريب نموذجك على التنبؤ به. يكتشف Canvas تلقائيًا أن هذا ملف فئة 3 المشكلة (المعروفة أيضًا باسم تصنيف متعدد الفئات). إذا تم اكتشاف نوع نموذج خاطئ ، فيمكنك تغييره يدويًا باستخدام ملف نوع التغيير الخيار.
تجدر الإشارة إلى أن مجموعة البيانات هذه غير متوازنة إلى حد كبير تجاه فئة No Failure ، والتي يمكن رؤيتها من خلال عرض العمود المسمى نوع الفشل. على الرغم من أن إمكانات Canvas وإمكانيات AutoML الأساسية يمكن أن تتعامل جزئيًا مع عدم توازن مجموعة البيانات ، إلا أن هذا قد يؤدي إلى بعض الانحراف في الأداء. كخطوة تالية إضافية ، يرجى الرجوع إلى وازن بياناتك للتعلم الآلي باستخدام Amazon SageMaker Data Wrangler. باتباع الخطوات الموجودة في الرابط المشترك ، يمكنك تشغيل ملف أمازون ساجميكر ستوديو التطبيق من وحدة تحكم SageMaker واستيراد مجموعة البيانات هذه بداخله أمازون سيج ميكر داتا رانجلر واستخدم تحويل بيانات الرصيد ، ثم أعد مجموعة البيانات المتوازنة إلى Canvas وتابع الخطوات التالية. نحن نمضي قدمًا في مجموعة البيانات غير المتوازنة في هذا المنشور لإظهار أن Canvas يمكنها التعامل مع مجموعات البيانات غير المتوازنة أيضًا.
في النصف السفلي من الصفحة ، يمكنك إلقاء نظرة على بعض إحصائيات مجموعة البيانات ، بما في ذلك القيم المفقودة وغير المتطابقة ، والقيم الفريدة ، والقيم المتوسطة والوسيطة. يمكنك أيضًا إسقاط بعض الأعمدة إذا كنت لا تريد استخدامها للتنبؤ بمجرد إلغاء تحديدها.
بعد استكشاف هذا القسم ، حان الوقت لتدريب النموذج! قبل بناء نموذج كامل ، من الجيد أن يكون لديك فكرة عامة عن أداء النموذج من خلال تدريب نموذج سريع. يقوم النموذج السريع بتدريب مجموعات أقل من النماذج والمعلمات الفائقة من أجل إعطاء الأولوية للسرعة على الدقة ، خاصة في الحالات التي تريد فيها إثبات قيمة تدريب نموذج ML لحالة الاستخدام الخاصة بك. لاحظ أن خيار الإنشاء السريع غير متاح للطرز الأكبر من 50,000 صف. - اختار بناء سريع.
أنت الآن تنتظر في أي مكان من 2 إلى 15 دقيقة. بمجرد الانتهاء من ذلك ، ينتقل Canvas تلقائيًا إلى ملف حلل علامة تبويب لتظهر لك نتائج التدريب السريع. التحليل الذي تم إجراؤه باستخدام تقديرات البناء السريع أن نموذجك قادر على التنبؤ بنوع الفشل الصحيح (النتيجة) بنسبة 99.2٪ من الوقت. قد تواجه قيمًا مختلفة قليلاً. هذا متوقع.
دعونا نركز على علامة التبويب الأولى ، نبذة. هذه هي علامة التبويب التي تظهر لك ملف تأثير العمود، أو الأهمية المقدرة لكل عمود في توقع العمود الهدف. في هذا المثال ، يكون لعمودي عزم الدوران [نيوتن متر] وسرعة الدوران [دورة في الدقيقة] التأثير الأكثر أهمية في التنبؤ بنوع الفشل الذي سيحدث.
تقييم أداء النموذج
عندما تنتقل إلى سجل جزء من تحليلك ، يمكنك رؤية مخطط يمثل توزيع قيمنا المتوقعة فيما يتعلق بالقيم الفعلية. لاحظ أن معظم حالات الفشل ستكون ضمن فئة "لا فشل". لمعرفة المزيد حول كيفية استخدام Canvas لخطوط أساس SHAP لتوفير إمكانية الشرح لـ ML ، يرجى الرجوع إلى تقييم أداء النموذج الخاص بك في Amazon SageMaker Canvas، طالما خطوط الأساس SHAP للتوضيح.
يقسم Canvas مجموعة البيانات الأصلية إلى مجموعات تدريب والتحقق من الصحة قبل التدريب. النتيجة هي نتيجة تشغيل Canvas لمجموعة التحقق من الصحة مقابل النموذج. هذه واجهة تفاعلية حيث يمكنك تحديد نوع الفشل. إذا اخترت إرهاق فشل في الرسم ، يمكنك أن ترى أن النموذج يحدد 84٪ من الوقت. هذا جيد بما يكفي لاتخاذ إجراء بشأنه - ربما يكون هناك مزيد من فحص عامل التشغيل أو المهندس. يمكنك اختيار إنقطاع التيار الكهربائي في الرسم البياني لمعرفة النقاط ذات الصلة لمزيد من التفسير والإجراءات.
قد تكون مهتمًا بأنواع الفشل ومدى جودة توقع النموذج لأنواع الفشل بناءً على سلسلة من المدخلات. لإلقاء نظرة فاحصة على النتائج ، اختر المقاييس المتقدمة. يعرض هذا مصفوفة تسمح لك بفحص النتائج عن كثب. في ML ، يشار إلى هذا باسم الارتباك مصفوفة.
هذه المصفوفة افتراضية للفئة المسيطرة ، لا فشل. على ال مبوبة القائمة ، يمكنك اختيار عرض المقاييس المتقدمة لنوعي الفشل الآخرين لفشل الإرهاق وفشل الطاقة.
في ML ، يتم تعريف دقة النموذج على أنها عدد التنبؤات الصحيحة مقسومة على العدد الإجمالي للتنبؤات. تمثل المربعات الزرقاء التنبؤات الصحيحة التي قدمها النموذج مقابل مجموعة فرعية من بيانات الاختبار حيث كانت هناك نتيجة معروفة. نحن هنا مهتمون بالنسبة المئوية للوقت الذي تنبأ فيه النموذج بنوع معين من فشل الآلة (دعنا نقول لا فشل) عندما يكون هذا النوع من الفشل في الواقع (لا فشل). في ML ، النسبة المستخدمة لقياس ذلك هي TP / (TP + FN). يشار إلى هذا باسم تذكر. في الحالة الافتراضية ، لا فشل ، كان هناك 1,923 تنبؤًا صحيحًا من إجمالي 1,926،99 سجلًا ، مما أدى إلى XNUMX ٪ تذكر. بدلاً من ذلك ، في فئة فشل الإجهاد المفرط ، كان هناك 32 من أصل 38 ، مما ينتج عنه 84٪ تذكر. أخيرًا ، في فئة فشل الطاقة ، كان هناك 16 من أصل 19 ، مما ينتج عنه 84٪ تذكر.
الآن لديك خياران:
- يمكنك استخدام هذا النموذج لإجراء بعض التنبؤات عن طريق الاختيار تنبؤ.
- يمكنك إنشاء نسخة جديدة من هذا النموذج للتدريب باستخدام بناء قياسي اختيار. سيستغرق ذلك وقتًا أطول - حوالي ساعة إلى ساعتين - ولكنه يوفر نموذجًا أكثر قوة لأنه يمر بمراجعة AutoML كاملة للبيانات والخوارزميات وتكرارات الضبط.
نظرًا لأنك تحاول التنبؤ بالفشل ، ويتنبأ النموذج بالفشل بشكل صحيح بنسبة 84٪ من الوقت ، يمكنك بثقة استخدام النموذج لتحديد الإخفاقات المحتملة. لذلك ، يمكنك المتابعة إلى الخيار 1. إذا لم تكن واثقًا من ذلك ، فيمكنك أن تطلب من عالم بيانات أن يراجع نموذج Canvas ويقدم تحسينات محتملة عبر الخيار 2.
توليد تنبؤات
الآن بعد أن تم تدريب النموذج ، يمكنك البدء في إنشاء تنبؤات.
- اختار تنبؤ في الجزء السفلي من حلل الصفحة أو اختر ملف تنبؤ علامة التبويب.
- اختار حدد مجموعة البيانات، واختر ملف
maintenance_dataset.csv
ملف. - اختار توليد تنبؤات.
تستخدم Canvas مجموعة البيانات هذه لإنشاء تنبؤاتنا. على الرغم من أنه من الجيد عمومًا عدم استخدام نفس مجموعة البيانات لكل من التدريب والاختبار ، يمكنك استخدام نفس مجموعة البيانات من أجل البساطة في هذه الحالة. بدلاً من ذلك ، يمكنك إزالة بعض السجلات من مجموعة البيانات الأصلية التي تستخدمها للتدريب واستخدام هذه السجلات في ملف CSV وإدخالها في التنبؤ بالدفعة هنا حتى لا تستخدم نفس مجموعة البيانات لاختبار ما بعد التدريب.
بعد بضع ثوانٍ ، يكتمل التوقع. تُرجع Canvas تنبؤًا لكل صف من البيانات واحتمال صحة التوقع. يمكنك اختيار أرسال لعرض التوقعات أو الاختيار تحميل لتنزيل ملف CSV يحتوي على الإخراج الكامل.
يمكنك أيضًا اختيار توقع قيم واحدة تلو الأخرى عن طريق الاختيار توقع واحد بدلا من توقع الدفعة. يُظهر لك Canvas طريقة عرض حيث يمكنك توفير القيم لكل معلم يدويًا وإنشاء توقع. هذا مثالي لمواقف مثل سيناريوهات ماذا لو ، على سبيل المثال: كيف يؤثر تآكل الأداة على نوع الفشل؟ ماذا لو زادت درجة حرارة العملية أو انخفضت؟ ماذا لو تغيرت سرعة الدوران؟
بناء قياسي
• بناء قياسي يختار الخيار الدقة على السرعة. إذا كنت ترغب في مشاركة عناصر النموذج مع عالم البيانات ومهندسي ML ، فيمكنك إنشاء بنية قياسية بعد ذلك.
- اختار أضف نسخة
- اختر نسخة جديدة واختر بناء قياسي.
- بعد إنشاء بنية قياسية ، يمكنك مشاركة النموذج مع علماء البيانات ومهندسي ML لإجراء مزيد من التقييم والتكرار.
تنظيف
لتجنب تكبد المستقبل رسوم الجلسة، تسجيل الخروج من Canvas.
وفي الختام
في هذا المنشور ، أظهرنا كيف يمكن لمحلل الأعمال إنشاء نموذج تنبؤ بنوع فشل الآلة باستخدام Canvas باستخدام بيانات الصيانة. يسمح Canvas لمحللي الأعمال ، مثل مهندسي الموثوقية ، بإنشاء نماذج ML دقيقة وإنشاء تنبؤات باستخدام واجهة بدون رمز ، ومرئية ، والتأشير والنقر. يمكن للمحللين نقل هذا إلى المستوى التالي من خلال مشاركة نماذجهم مع الزملاء في عالم البيانات. يمكن لعلماء البيانات عرض نموذج Canvas في Studio ، حيث يمكنهم استكشاف الخيارات التي صنعتها Canvas ، والتحقق من صحة نتائج النموذج ، وحتى نقل النموذج إلى الإنتاج ببضع نقرات. يمكن أن يؤدي ذلك إلى تسريع إنشاء القيمة المستندة إلى ML والمساعدة في توسيع نطاق النتائج المحسّنة بشكل أسرع.
لمعرفة المزيد حول استخدام Canvas ، راجع الإنشاء والمشاركة والنشر: كيف يحقق محللو الأعمال وعلماء البيانات وقتًا أسرع للتسويق باستخدام ML بدون كود و Amazon SageMaker Canvas. لمزيد من المعلومات حول إنشاء نماذج ML باستخدام حل بدون رمز ، راجع الإعلان عن Amazon SageMaker Canvas - قدرة التعلم الآلي المرئية بدون تعليمات برمجية لمحللي الأعمال.
حول المؤلف
راجاكومار سامباثكومار هو مدير الحساب الفني الرئيسي في AWS ، حيث يوفر إرشادات للعملاء حول محاذاة تكنولوجيا الأعمال ويدعم إعادة ابتكار نماذج وعمليات التشغيل السحابية الخاصة بهم. إنه شغوف بالسحابة والتعلم الآلي. راج أيضًا متخصص في التعلم الآلي ويعمل مع عملاء AWS لتصميم ونشر وإدارة أعباء العمل والبنى الخاصة بهم في AWS.
توين اتكينز هو كبير مهندسي الحلول لخدمات أمازون ويب. وهو مسؤول عن العمل مع عملاء الزراعة والتجزئة والتصنيع لتحديد مشاكل الأعمال والعمل بشكل عكسي لتحديد الحلول التقنية القابلة للتطبيق والقابلة للتطوير. تساعد Twann العملاء في التخطيط لأعباء العمل الحرجة وترحيلها لأكثر من 10 سنوات مع التركيز مؤخرًا على إضفاء الطابع الديمقراطي على التحليلات والذكاء الاصطناعي والتعلم الآلي للعملاء وبناة الغد.
أمكار مقدم هي هندسة حلول Edge Specialist في Amazon Web Services. يركز حاليًا على الحلول التي تمكّن العملاء التجاريين من التصميم والبناء والتوسيع بفعالية مع عروض خدمات AWS Edge التي تشمل على سبيل المثال لا الحصر AWS Snow Family.
- كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
- كريبتوهوك. الرادار. تجربة مجانية.
- المصدر: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- القدرة
- من نحن
- تسريع
- الوصول
- حسابي
- دقيق
- التأهيل
- اكشن
- الإجراءات
- إضافي
- مشرف
- الإداريين
- متقدم
- ضد
- زراعة
- خوارزميات
- الكل
- يسمح
- بالرغم ان
- أمازون
- أمازون ويب سيرفيسز
- تحليل
- تحليل
- المحلل
- تحليلات
- في أى مكان
- التطبيق
- تطبيق
- مناسب
- ما يقرب من
- هندسة معمارية
- حول
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي وآلة التعلم
- تعيين
- أسوشيتد
- سمات
- تلقائيا
- متاح
- AWS
- محور
- لان
- قبل
- يجري
- أكبر
- الحدود
- جلب
- نساعدك في بناء
- ابني
- الأعمال
- الأعمال
- قماش
- قدرات
- حقيبة
- الحالات
- الفئة
- معين
- تغيير
- الخيارات
- اختار
- فئة
- أقرب
- سحابة
- الكود
- الزملاء
- عمود
- تركيبات
- تجاري
- مشترك
- إكمال
- واثق
- كنسولات
- يحتوي
- استمر
- استطاع
- خلق
- خلق
- خلق
- حرج
- حاليا
- العملاء
- البيانات
- عالم البيانات
- تأخير
- اعتمادا
- نشر
- تصميم
- الكشف عن
- تطوير
- فعل
- مختلف
- يعرض
- توزيع
- نطاق
- بإمكانك تحميله
- قطرة
- كل
- حافة
- على نحو فعال
- تمكن
- مهندس
- المهندسين
- خاصة
- مقدر
- تقديرات
- تقييم
- تقييم
- مثال
- القائمة
- متوقع
- الخبره في مجال الغطس
- تجربة
- خبرائنا
- اكتشف
- أعربت
- فشل
- للعائلات
- أسرع
- الميزات
- الاسم الأول
- تركز
- ويركز
- اتباع
- متابعيك
- تبدأ من
- بالإضافة إلى
- إضافي
- مستقبل
- العلاجات العامة
- على العموم
- توليد
- توليد
- خير
- مقبض
- وجود
- مساعدة
- مساعدة
- هنا
- جدا
- تاريخي
- كيفية
- HTTPS
- فكرة
- المثالي
- تحديد
- التأثير
- أهمية
- تحسن
- تحسين
- تتضمن
- يشمل
- بما فيه
- الصناعات
- معلومات
- وأبلغ
- رؤى
- رؤيتنا
- التفاعلية
- يستفد
- السطح البيني
- ترجمة
- IT
- معروف
- كبير
- إطلاق
- تعلم
- تعلم
- مستوى
- محدود
- خط
- LINK
- المدرج
- محلي
- بحث
- آلة
- آلة التعلم
- الآلات
- صنع
- صيانة
- جعل
- إدارة
- إدارة
- مدير
- إدارة
- يدويا
- تصنيع
- مصفوفة
- قياس
- متوسط
- المقاييس
- ML
- نموذج
- عارضات ازياء
- الأكثر من ذلك
- أكثر
- خطوة
- التالي
- وأشار
- عدد
- عرض
- عروض
- عملية
- عامل
- خيار
- مزيد من الخيارات
- طلب
- منظمة
- أصلي
- أخرى
- الكلي
- الخاصة
- خاص
- عاطفي
- نسبة مئوية
- أداء
- العروض
- مرحلة جديدة
- سياسات الخصوصية والبيع
- ممكن
- محتمل
- قوة
- ممارسة
- تنبأ
- تنبؤ
- تنبؤات
- رئيسي
- المشكلة
- مشاكل
- عملية المعالجة
- العمليات
- منتج
- جودة المنتج
- الإنتــاج
- تزود
- المقدمة
- ويوفر
- توفير
- جودة
- سريع
- تتراوح
- الأخيرة
- تسجيل
- مثل
- تمثل
- مطلوب
- مورد
- مسؤول
- النتائج
- بيع بالتجزئة
- عائدات
- مراجعة
- يجري
- تشغيل
- نفسه
- تحجيم
- حجم
- عالم
- العلماء
- النقاط
- ثواني
- مسلسل
- مسلسلات
- الخدمة
- خدمات
- طقم
- عدة
- مشاركة
- شاركت
- مشاركة
- إظهار
- هام
- عزباء
- مقاس
- ثلج
- So
- الصلبة
- حل
- الحلول
- بعض
- متخصص
- سرعة
- الإنشقاقات
- معيار
- بداية
- بدأت
- إحصائيات
- الحالة
- ستوديو
- دعم
- الهدف
- فريق
- تقني
- تجربه بالعربي
- الاختبار
- •
- عبر
- مربوط
- الوقت
- غدا
- أداة
- نحو
- قادة الإيمان
- القطارات
- تحول
- أنواع
- عادة
- فريد من نوعه
- تستخدم
- المستخدمين
- التحقق من صحة
- قيمنا
- الإصدار
- المزيد
- انتظر
- الويب
- خدمات ويب
- ابحث عن
- في غضون
- عامل
- أعمال
- سوف
- سنوات
- حل متجر العقارات الشامل الخاص بك في جورجيا