Die Vorhersage gängiger Maschinenausfallarten ist in der Fertigungsindustrie von entscheidender Bedeutung. Ausgehend von einer Reihe von Merkmalen eines Produkts, die an einen bestimmten Fehlertyp gebunden sind, können Sie ein Modell entwickeln, das den Fehlertyp vorhersagen kann, wenn Sie diese Attribute in ein Modell für maschinelles Lernen (ML) einspeisen. ML kann mit Erkenntnissen helfen, aber bisher brauchten Sie ML-Experten, um Modelle zur Vorhersage von Maschinenfehlertypen zu erstellen, deren Fehlen alle Korrekturmaßnahmen verzögern könnten, die Unternehmen für Effizienz oder Verbesserung benötigen.
In diesem Beitrag zeigen wir Ihnen, wie Business-Analysten ein ML-Modell zur Vorhersage von Maschinenfehlern erstellen können Amazon SageMaker-Leinwand. Canvas bietet Ihnen eine visuelle Point-and-Click-Oberfläche, mit der Sie selbst Modelle erstellen und genaue ML-Vorhersagen generieren können – ohne ML-Erfahrung oder das Schreiben einer einzigen Codezeile.
Lösungsüberblick
Nehmen wir an, Sie sind ein Business Analyst, der einem Wartungsteam eines großen Fertigungsunternehmens zugewiesen ist. Ihr Wartungsteam hat Sie gebeten, bei der Vorhersage häufiger Fehler zu helfen. Sie haben Ihnen einen historischen Datensatz zur Verfügung gestellt, der Merkmale enthält, die mit einem bestimmten Fehlertyp verbunden sind, und möchten, dass Sie vorhersagen, welcher Fehler in der Zukunft auftreten wird. Die Fehlertypen umfassen „Kein Fehler“, „Überlastung“ und „Stromausfall“. Das Datenschema ist in der folgenden Tabelle aufgeführt.
Spaltenname | Dateityp | Beschreibung |
UID | INT | Eindeutige Kennung im Bereich von 1–10,000 |
Produkt ID | STRING | Bestehend aus einem Buchstaben – L, M oder H für niedrig, mittel oder hoch – als Produktqualitätsvarianten und einer variantenspezifischen Seriennummer |
tippe | STRING | Der mit der Produkt-ID verknüpfte Anfangsbuchstabe besteht nur aus L, M oder H |
Lufttemperatur [K] | DEZIMAL | Lufttemperatur in Kelvin angegeben |
Prozesstemperatur [K] | DEZIMAL | Präzise kontrollierte Temperaturen zur Gewährleistung der Qualität eines bestimmten Produkttyps, angegeben in Kelvin |
Drehzahl [U/min] | DEZIMAL | Die Rotationsgeschwindigkeit eines um eine Achse rotierenden Objekts ist die Anzahl der Umdrehungen des Objekts dividiert durch die Zeit, angegeben als Umdrehungen pro Minute |
Drehmoment [Nm] | DEZIMAL | Drehkraft der Maschine durch einen Radius, ausgedrückt in Newtonmeter |
Werkzeugverschleiß [min] | INT | Werkzeugverschleiß ausgedrückt in Minuten |
Fehlertyp (Ziel) | STRING | Kein Fehler, Stromausfall oder Überlastungsfehler |
Nachdem der Fehlertyp identifiziert wurde, können Unternehmen alle Korrekturmaßnahmen ergreifen. Dazu verwenden Sie die Daten, die Sie in einer CSV-Datei haben, die bestimmte Merkmale eines Produkts enthält, wie in der Tabelle skizziert. Sie verwenden Canvas, um die folgenden Schritte auszuführen:
- Importieren Sie den Wartungsdatensatz.
- Trainieren und erstellen Sie das vorausschauende Maschinenwartungsmodell.
- Analysieren Sie die Modellergebnisse.
- Testen Sie Vorhersagen anhand des Modells.
Voraussetzungen:
Ein Cloud-Administrator mit einer AWS-Konto mit den entsprechenden Berechtigungen ist erforderlich, um die folgenden Voraussetzungen zu erfüllen:
- Stellen Sie eine bereit Amazon Sage Maker Domäne Anweisungen finden Sie unter Integrieren in die Amazon SageMaker-Domäne.
- Leinwand starten. Anweisungen finden Sie unter Einrichten und Verwalten von Amazon SageMaker Canvas (für IT-Administratoren).
- Konfigurieren Sie CORS-Richtlinien (Cross-Origin Resource Sharing) für Canvas. Anweisungen finden Sie unter Geben Sie Ihren Benutzern die Möglichkeit, lokale Dateien hochzuladen.
Importieren Sie den Datensatz
Laden Sie zuerst das herunter Wartungsdatensatz und überprüfen Sie die Datei, um sicherzustellen, dass alle Daten vorhanden sind.
Canvas bietet mehrere Beispieldatensätze in Ihrer Anwendung, um Ihnen den Einstieg zu erleichtern. Weitere Informationen zu den von SageMaker bereitgestellten Beispieldatensätzen, mit denen Sie experimentieren können, finden Sie unter Verwenden Sie Beispieldatensätze. Wenn Sie den Beispieldatensatz (canvas-sample-maintenance.csv
) in Canvas verfügbar ist, müssen Sie den Wartungsdatensatz nicht importieren.
Sie können Daten aus verschiedenen Datenquellen in Canvas importieren. Wenn Sie Ihr eigenes Dataset verwenden möchten, befolgen Sie die Schritte in Importieren von Daten in Amazon SageMaker Canvas.
Für diesen Beitrag verwenden wir den vollständigen Wartungsdatensatz, den wir heruntergeladen haben.
- Melden Sie sich bei der an AWS-Managementkonsole, indem Sie ein Konto mit den entsprechenden Berechtigungen für den Zugriff auf Canvas verwenden.
- Melden Sie sich bei der Canvas-Konsole an.
- Auswählen Import.
- Auswählen
Hochladen und wählen Sie die
maintenance_dataset.csv
Datei. - Auswählen Daten importieren um es auf Canvas hochzuladen.
Der Importvorgang dauert ungefähr 10 Sekunden (dies kann je nach Datensatzgröße variieren). Wenn es fertig ist, können Sie sehen, dass das Dataset vorhanden ist Ready
Status.
Nachdem Sie bestätigt haben, dass der importierte Datensatz ist ready
, können Sie Ihr Modell erstellen.
Erstellen und trainieren Sie das Modell
Führen Sie die folgenden Schritte aus, um Ihr Modell zu erstellen und zu trainieren:
- Auswählen Neues Modell, und geben Sie einen Namen für Ihr Modell ein.
- Auswählen Erstellen.
- Wähle aus
maintenance_dataset.csv
Datensatz und wählen Sie Datensatz auswählen.
In der Modellansicht sehen Sie vier Registerkarten, die den vier Schritten zum Erstellen eines Modells und dessen Verwendung zum Generieren von Vorhersagen entsprechen: Auswählen, Bauen, Analysieren und Vorhersagen. - Auf dem Auswählen Registerkarte, wählen Sie die
maintenance_dataset.csv
Datensatz, den Sie zuvor hochgeladen haben, und wählen Sie aus Datensatz auswählen.
Dieses Dataset umfasst 9 Spalten und 10,000 Zeilen. Canvas wechselt automatisch in die Erstellungsphase. - Wählen Sie auf dieser Registerkarte in unserem Fall die Zielspalte aus Fehlertyp.Das Wartungsteam hat Sie darüber informiert, dass diese Spalte die Art der Fehler anzeigt, die typischerweise auf der Grundlage historischer Daten von ihren vorhandenen Maschinen beobachtet werden. Darauf möchten Sie Ihr Modell trainieren. Canvas erkennt automatisch, dass es sich um eine 3-Kategorie Probleme (auch bekannt als mehrklassige Klassifizierung). Wenn der falsche Modelltyp erkannt wird, können Sie ihn manuell mit ändern Typ ändern .
Es sollte beachtet werden, dass dieser Datensatz in Richtung der Klasse „Kein Fehler“ stark unausgeglichen ist, was durch Betrachten der benannten Spalte ersichtlich ist Fehlertyp. Obwohl Canvas und die zugrunde liegenden AutoML-Funktionen teilweise mit Dataset-Ungleichgewichten umgehen können, kann dies zu einer verzerrten Leistung führen. Als zusätzlichen nächsten Schritt siehe Gleichen Sie Ihre Daten für maschinelles Lernen mit Amazon SageMaker Data Wrangler aus. Befolgen Sie die Schritte im freigegebenen Link, um eine zu starten Amazon SageMaker-Studio app aus der SageMaker-Konsole und importieren Sie diesen Datensatz darin Amazon SageMaker Data Wrangler und verwenden Sie die Balance-Datentransformation, nehmen Sie dann das ausgeglichene Dataset zurück zu Canvas und fahren Sie mit den folgenden Schritten fort. Wir fahren mit dem unausgeglichenen Datensatz in diesem Beitrag fort, um zu zeigen, dass Canvas auch mit unausgeglichenen Datensätzen umgehen kann.
In der unteren Hälfte der Seite können Sie sich einige der Statistiken des Datensatzes ansehen, darunter fehlende und nicht übereinstimmende Werte, eindeutige Werte sowie Mittel- und Medianwerte. Sie können auch einige der Spalten löschen, wenn Sie sie nicht für die Vorhersage verwenden möchten, indem Sie sie einfach abwählen.
Nachdem Sie diesen Abschnitt erkundet haben, ist es an der Zeit, das Modell zu trainieren! Bevor Sie ein vollständiges Modell erstellen, empfiehlt es sich, sich einen allgemeinen Überblick über die Modellleistung zu verschaffen, indem Sie ein Schnellmodell trainieren. Ein schnelles Modell trainiert weniger Kombinationen von Modellen und Hyperparametern, um Geschwindigkeit gegenüber Genauigkeit zu priorisieren, insbesondere in Fällen, in denen Sie den Wert des Trainings eines ML-Modells für Ihren Anwendungsfall beweisen möchten. Beachten Sie, dass die Schnellerstellungsoption für Modelle mit mehr als 50,000 Zeilen nicht verfügbar ist. - Auswählen Schneller Aufbau.
Jetzt warten Sie zwischen 2 und 15 Minuten. Sobald dies erledigt ist, bewegt sich Canvas automatisch zum Analysieren Registerkarte, um Ihnen die Ergebnisse des Schnelltrainings anzuzeigen. Die mit Quick Build durchgeführte Analyse schätzt, dass Ihr Modell in 99.2 % der Fälle den richtigen Fehlertyp (Ergebnis) vorhersagen kann. Sie können leicht abweichende Werte feststellen. Dies wird erwartet.
Konzentrieren wir uns auf die erste Registerkarte, Überblick. Dies ist die Registerkarte, die Ihnen die anzeigt Säulenaufprall, oder die geschätzte Wichtigkeit jeder Spalte bei der Vorhersage der Zielspalte. In diesem Beispiel haben die Spalten Drehmoment [Nm] und Drehzahl [U/min] den größten Einfluss auf die Vorhersage, welche Art von Fehler auftreten wird.
Bewerten Sie die Modellleistung
Wenn Sie in die Scoring Teil Ihrer Analyse sehen Sie ein Diagramm, das die Verteilung unserer vorhergesagten Werte in Bezug auf die tatsächlichen Werte darstellt. Beachten Sie, dass die meisten Fehler in der Kategorie Kein Fehler liegen. Weitere Informationen darüber, wie Canvas SHAP-Baselines verwendet, um ML erklärbar zu machen, finden Sie unter Bewerten der Leistung Ihres Modells in Amazon SageMaker Canvas, sowie SHAP-Baselines für die Erklärbarkeit.
Canvas teilt den ursprünglichen Datensatz vor dem Training in Trainings- und Validierungssätze auf. Die Bewertung ist das Ergebnis von Canvas, das den Validierungssatz für das Modell ausführt. Dies ist eine interaktive Schnittstelle, in der Sie den Fehlertyp auswählen können. Wenn du wählst Überlastungsfehler In der Grafik sehen Sie, dass das Modell diese 84 % der Zeit identifiziert. Dies ist gut genug, um Maßnahmen zu ergreifen – vielleicht einen Bediener oder Techniker weiter überprüfen zu lassen. Du kannst wählen Stromausfall in der Grafik, um die jeweilige Wertung für weitere Interpretationen und Aktionen zu sehen.
Möglicherweise interessieren Sie sich für Fehlertypen und dafür, wie gut das Modell Fehlertypen basierend auf einer Reihe von Eingaben vorhersagt. Um sich die Ergebnisse genauer anzusehen, wählen Sie aus Erweiterte Messwerte. Dadurch wird eine Matrix angezeigt, mit der Sie die Ergebnisse genauer untersuchen können. In ML wird dies als a bezeichnet Verwirrung Matrix.
Diese Matrix ist standardmäßig auf die dominante Klasse No Failure eingestellt. Auf der Klasse Menü können Sie erweiterte Metriken der anderen beiden Fehlertypen Overstrain Failure und Power Failure anzeigen.
In ML ist die Genauigkeit des Modells definiert als die Anzahl der richtigen Vorhersagen geteilt durch die Gesamtzahl der Vorhersagen. Die blauen Kästchen stellen korrekte Vorhersagen dar, die das Modell anhand einer Teilmenge von Testdaten gemacht hat, bei denen es ein bekanntes Ergebnis gab. Hier interessiert uns, in wie viel Prozent der Zeit das Modell einen bestimmten Maschinenausfalltyp vorhergesagt hat (sagen wir Kein Ausfall) wenn es tatsächlich dieser Fehlertyp ist (Kein Ausfall). In ML ist ein Verhältnis, das verwendet wird, um dies zu messen, TP / (TP + FN). Dies wird als bezeichnet erinnern. Im Standardfall „Kein Fehler“ gab es 1,923 richtige Vorhersagen aus 1,926 Gesamtdatensätzen, was zu 99 % führte. erinnern. Alternativ gab es in der Klasse Overstrain Failure 32 von 38, was 84 % ergibt erinnern. Schließlich gab es in der Klasse Power Failure 16 von 19, was 84 % entspricht. erinnern.
Jetzt haben Sie zwei Möglichkeiten:
- Sie können dieses Modell verwenden, um einige Vorhersagen auszuführen, indem Sie auswählen Vorhersagen.
- Sie können eine neue Version dieses Modells erstellen, um damit zu trainieren Standardaufbau Möglichkeit. Dies dauert viel länger – etwa 1–2 Stunden – bietet aber ein robusteres Modell, da es eine vollständige AutoML-Überprüfung von Daten, Algorithmen und Optimierungsiterationen durchläuft.
Da Sie versuchen, Ausfälle vorherzusagen, und das Modell Ausfälle in 84 % der Fälle korrekt vorhersagt, können Sie das Modell sicher verwenden, um mögliche Ausfälle zu identifizieren. Sie können also mit Option 1 fortfahren. Wenn Sie sich nicht sicher sind, können Sie einen Datenwissenschaftler bitten, die Modellierungs-Canvas zu überprüfen und potenzielle Verbesserungen über Option 2 anzubieten.
Vorhersagen generieren
Nachdem das Modell trainiert wurde, können Sie mit dem Generieren von Vorhersagen beginnen.
- Auswählen Vorhersagen am unteren Rand der Analysieren Seite, oder wählen Sie die Vorhersagen Tab.
- Auswählen
Datensatz auswählenund wählen Sie die
maintenance_dataset.csv
Datei. - Auswählen Vorhersagen generieren.
Canvas verwendet diesen Datensatz, um unsere Vorhersagen zu generieren. Obwohl es im Allgemeinen eine gute Idee ist, nicht dasselbe Dataset sowohl für das Training als auch für das Testen zu verwenden, können Sie in diesem Fall der Einfachheit halber dasselbe Dataset verwenden. Alternativ können Sie einige Datensätze aus Ihrem ursprünglichen Dataset entfernen, die Sie für das Training verwenden, und diese Datensätze in einer CSV-Datei verwenden und sie hier in die Stapelvorhersage einspeisen, sodass Sie nicht dasselbe Dataset zum Testen nach dem Training verwenden.
Nach einigen Sekunden ist die Vorhersage abgeschlossen. Canvas gibt eine Vorhersage für jede Datenzeile und die Wahrscheinlichkeit zurück, dass die Vorhersage richtig ist. Du kannst wählen Vorspann , um die Vorhersagen anzuzeigen, oder wählen Sie aus Herunterladen um eine CSV-Datei herunterzuladen, die die vollständige Ausgabe enthält.
Sie können auch Werte einzeln vorhersagen, indem Sie auswählen Einzelne Vorhersage statt Batch-Vorhersage. Canvas zeigt Ihnen eine Ansicht, in der Sie die Werte für jedes Feature manuell eingeben und eine Vorhersage generieren können. Dies ist beispielsweise ideal für Situationen wie Was-wäre-wenn-Szenarien: Wie wirkt sich der Werkzeugverschleiß auf die Fehlerart aus? Was passiert, wenn die Prozesstemperatur steigt oder sinkt? Was ist, wenn sich die Drehzahl ändert?
Standardaufbau
Das Standardaufbau Option wählt Genauigkeit über Geschwindigkeit. Wenn Sie die Artefakte des Modells mit Ihrem Data Scientist und Ihren ML-Ingenieuren teilen möchten, können Sie als Nächstes einen Standard-Build erstellen.
- Auswählen
Version hinzufügen
- Wählen Sie eine neue Version und wählen Sie Standardaufbau.
- Nachdem Sie einen Standard-Build erstellt haben, können Sie das Modell für weitere Auswertungen und Iterationen mit Data Scientists und ML-Ingenieuren teilen.
Aufräumen
Um Zukunft zu vermeiden Sitzungsgebühren, melden Sie sich bei Canvas ab.
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie ein Business-Analyst mit Canvas unter Verwendung von Wartungsdaten ein Modell zur Vorhersage von Maschinenfehlern erstellen kann. Mit Canvas können Geschäftsanalysten wie Zuverlässigkeitsingenieure genaue ML-Modelle erstellen und Vorhersagen mithilfe einer codefreien, visuellen Point-and-Click-Oberfläche generieren. Analysten können dies auf die nächste Stufe heben, indem sie ihre Modelle mit Kollegen von Data Scientists teilen. Data Scientists können das Canvas-Modell in Studio anzeigen, wo sie die von Canvas getroffenen Entscheidungen untersuchen, Modellergebnisse validieren und das Modell sogar mit wenigen Klicks in die Produktion übernehmen können. Dies kann die ML-basierte Wertschöpfung beschleunigen und dazu beitragen, bessere Ergebnisse schneller zu skalieren.
Weitere Informationen zur Verwendung von Canvas finden Sie unter Build, Share, Deploy: Wie Business-Analysten und Data Scientists mit No-Code-ML und Amazon SageMaker Canvas eine schnellere Markteinführung erreichen. Weitere Informationen zum Erstellen von ML-Modellen mit einer No-Code-Lösung finden Sie unter Ankündigung von Amazon SageMaker Canvas – eine visuelle maschinelle Lernfunktion ohne Code für Business-Analysten.
Über die Autoren
Rajakumar Sampathkumar ist Principal Technical Account Manager bei AWS, berät Kunden bei der Ausrichtung von Unternehmen und Technologien und unterstützt die Neuerfindung ihrer Cloud-Betriebsmodelle und -prozesse. Er interessiert sich leidenschaftlich für Cloud und maschinelles Lernen. Raj ist auch ein Spezialist für maschinelles Lernen und arbeitet mit AWS-Kunden zusammen, um ihre AWS-Workloads und -Architekturen zu entwerfen, bereitzustellen und zu verwalten.
Twan Atkins ist Senior Solutions Architect für Amazon Web Services. Er ist verantwortlich für die Zusammenarbeit mit Kunden aus den Bereichen Landwirtschaft, Einzelhandel und Fertigung, um Geschäftsprobleme zu identifizieren und rückwärts zu arbeiten, um realisierbare und skalierbare technische Lösungen zu identifizieren. Twann unterstützt Kunden seit mehr als 10 Jahren bei der Planung und Migration kritischer Workloads, wobei der Schwerpunkt in letzter Zeit auf der Demokratisierung von Analysen, künstlicher Intelligenz und maschinellem Lernen für Kunden und Entwickler von morgen liegt.
Omkar Mukadam ist Edge Specialist Solution Architecture bei Amazon Web Services. Er konzentriert sich derzeit auf Lösungen, die es kommerziellen Kunden ermöglichen, AWS Edge-Serviceangebote, die AWS Snow Family umfassen, aber nicht darauf beschränkt sind, effektiv zu entwerfen, aufzubauen und zu skalieren.
- Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
- CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
- Quelle: 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
- Fähigkeit
- Über uns
- beschleunigen
- Zugang
- Konto
- genau
- Erreichen
- Action
- Aktionen
- Zusätzliche
- Administrator
- Administratoren
- advanced
- gegen
- Landwirtschaft
- Algorithmen
- Alle
- erlaubt
- Obwohl
- Amazon
- Amazon Web Services
- analysieren
- Analyse
- Analytiker
- Analytik
- von jedem Standort
- App
- Anwendung
- angemessen
- ca.
- Architektur
- um
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz und maschinelles Lernen
- zugewiesen
- damit verbundenen
- Attribute
- Im Prinzip so, wie Sie es von Google Maps kennen.
- verfügbar
- AWS
- Achse
- weil
- Bevor
- Sein
- größer
- Grenze
- bringen
- bauen
- Building
- Geschäft
- Unternehmen
- Leinwand
- Fähigkeiten
- Häuser
- Fälle
- Kategorie
- sicher
- Übernehmen
- Entscheidungen
- Auswählen
- Klasse
- näher
- Cloud
- Code
- Kopien
- Kolonne
- Kombinationen
- kommerziell
- gemeinsam
- abschließen
- zuversichtlich
- Konsul (Console)
- enthält
- fortsetzen
- könnte
- erstellen
- Erstellen
- Schaffung
- kritischem
- Zur Zeit
- Kunden
- technische Daten
- Datenwissenschaftler
- verzögern
- Abhängig
- einsetzen
- Design
- erkannt
- entwickeln
- DID
- anders
- Displays
- Verteilung
- Domain
- herunterladen
- Drop
- jeder
- Edge
- effektiv
- ermöglicht
- Ingenieur
- Ingenieure
- insbesondere
- geschätzt
- Schätzungen
- bewerten
- Auswertung
- Beispiel
- vorhandenen
- erwartet
- ERFAHRUNGEN
- Experiment
- Experten
- ERKUNDEN
- zum Ausdruck gebracht
- Scheitern
- Familie
- beschleunigt
- Merkmal
- Vorname
- Setzen Sie mit Achtsamkeit
- konzentriert
- folgen
- Folgende
- für
- voller
- weiter
- Zukunft
- Allgemeines
- allgemein
- erzeugen
- Erzeugung
- gut
- Griff
- mit
- Hilfe
- Unternehmen
- hier
- hoch
- historisch
- Ultraschall
- HTTPS
- Idee
- ideal
- identifizieren
- Impact der HXNUMXO Observatorien
- Bedeutung
- verbessert
- Verbesserung
- das
- Dazu gehören
- Einschließlich
- Branchen
- Information
- informiert
- Einblicke
- Intelligenz
- interaktive
- interessiert
- Schnittstelle
- Interpretation
- IT
- bekannt
- grosse
- starten
- LERNEN
- lernen
- Niveau
- Limitiert
- Line
- LINK
- Gelistet
- aus einer regionalen
- aussehen
- Maschine
- Maschinelles Lernen
- Maschinen
- gemacht
- Wartung
- um
- verwalten
- Management
- Manager
- flächendeckende Gesundheitsprogramme
- manuell
- Herstellung
- Matrix
- messen
- mittlere
- Metrik
- ML
- Modell
- für
- mehr
- vor allem warme
- schlauer bewegen
- weiter
- bekannt
- Anzahl
- bieten
- Angebote
- Betrieb
- Operator
- Option
- Optionen
- Auftrag
- Organisation
- Original
- Andere
- Gesamt-
- besitzen
- besondere
- leidenschaftlich
- Prozentsatz
- Leistung
- Leistungen
- Phase
- Politik durchzulesen
- möglich
- Potenzial
- Werkzeuge
- Praxis
- vorhersagen
- Prognose
- Prognosen
- Principal
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- anpassen
- Produkt
- Produktqualität
- Produktion
- die
- vorausgesetzt
- bietet
- Bereitstellung
- Qualität
- Direkt
- Bereich
- kürzlich
- Aufzeichnungen
- vertreten
- Darstellen
- falls angefordert
- Ressourcen
- für ihren Verlust verantwortlich.
- Die Ergebnisse
- Einzelhandel
- Rückgabe
- Überprüfen
- Führen Sie
- Laufen
- gleich
- skalierbaren
- Skalieren
- Wissenschaftler
- Wissenschaftler
- Wertung
- Sekunden
- seriell
- Modellreihe
- Leistungen
- kompensieren
- mehrere
- Teilen
- von Locals geführtes
- ,,teilen"
- erklären
- signifikant
- Single
- Größe
- .
- So
- solide
- Lösung
- Lösungen
- einige
- Spezialist
- Geschwindigkeit
- Spagat
- Standard
- Anfang
- begonnen
- Statistiken
- Status
- Studio Adressen
- Unterstützung
- Target
- Team
- Technische
- Test
- Testen
- Das
- Durch
- Gebunden
- Zeit
- morgen
- Werkzeug
- gegenüber
- Ausbildung
- schult Ehrenamtliche
- Transformation
- Typen
- typisch
- einzigartiges
- -
- Nutzer
- Bestätigung
- Wert
- Version
- Anzeigen
- warten
- Netz
- Web-Services
- Was
- .
- arbeiten,
- Werk
- würde
- Jahr
- Ihr