See on HAYAT HOLDINGu ülemaailmse tööstusliku IT-juhi Neslihan Erdogani külalispostitus.
Tootmisprotsesside ja tööstus 4.0 jätkuva digitaliseerimisega on tohutu potentsiaal masinõppe (ML) kasutamiseks kvaliteedi ennustamiseks. Protsessi tootmine on tootmismeetod, mis kasutab koostisosi või tooraineid kombineerides kaupade tootmiseks valemeid või retsepte.
Ennustav kvaliteet hõlmab ML-meetodite kasutamist tootmises, et hinnata ja klassifitseerida tootega seotud kvaliteeti tootmisprotsessi andmete põhjal järgmiste eesmärkidega[1]:
- Kvaliteedi kirjeldus – Protsessi muutujate ja toote kvaliteedi vaheliste seoste tuvastamine. Näiteks kuidas mõjutab liimi koostisaine maht kvaliteedinäitajaid, nagu tugevus ja elastsus.
- Kvaliteedi ennustus – Kvaliteedimuutuja hindamine protsessimuutujate põhjal otsustamise toetamiseks või automatiseerimiseks. Näiteks kui palju kg/m3 liimi koostisosa tuleb teatud tugevuse ja elastsuse saavutamiseks alla neelata.
- Kvaliteedi klassifikatsioon – Lisaks kvaliteedi prognoosimisele hõlmab see ka teatud tootekvaliteedi tüüpide hindamist.
Selles postituses jagame, kuidas HAYAT HOLDING – globaalne tegija, kellel on 41 ettevõtet, kes tegutsevad erinevates tööstusharudes, sealhulgas HAYAT, maailma suuruselt neljas kaubamärgiga mähkmetootja ja KEAS, maailma suuruselt viies puidupõhiste paneelide tootja – tegi koostööd AWS-iga. luua lahendus, mis kasutab Amazon SageMakeri mudelikoolitust, Amazon SageMakeri automaatset mudelite häälestamist ja Amazon SageMakeri mudeli juurutamist, et pidevalt parandada tööjõudlust, tõsta toote kvaliteeti ja optimeerida keskmise tihedusega puitkiudplaadi (MDF) puitpaneelide tootmisvõimsust.
Tootekvaliteedi prognoosi ja liimikulu soovituslikke tulemusi saavad välieksperdid jälgida armatuurlaudade kaudu peaaegu reaalajas, mille tulemuseks on kiirem tagasiside. Laboratoorsed tulemused näitavad märkimisväärset mõju, mis võrdub 300,000 XNUMX dollari suuruse säästuga aastas, vähendades nende süsiniku jalajälge tootmises, vältides tarbetuid keemilisi jäätmeid.
ML-põhine ennustav kvaliteet ettevõttes HAYAT HOLDING
HAYAT on maailma suuruselt neljas kaubamärgiga beebimähkmete tootja ja EMEA suurim paberrätikute tootja. KEAS (Kastamonu Entegre Ağaç Sanayi) on ettevõtte HAYAT HOLDING toetus puidupõhiste paneelide tööstuse tootmiseks ning on Euroopas neljandal ja maailmas viiendal kohal.
Keskmise tihedusega puitkiudplaat (MDF) on konstrueeritud puittoode, mis on valmistatud puidujääkide jagamisel kiududeks, liimainetega kombineerimisel ja kõrge temperatuuri ja survega paneelideks vormimisel. Sellel on palju kasutusvaldkondi, nagu mööbel, kapid ja põrandad.
MDF-puitpaneelide tootmine nõuab laialdast liimide kasutamist (HAYAT HOLDING-is kulub igal aastal kahekohaline tonni).
Tüüpilises tootmisliinis kasutatakse sadu andureid. Toote kvaliteeti tuvastavad kümned parameetrid. Õige koguse liimide pealekandmine on toodetava paneeli jaoks oluline kuluartikkel ja ka oluline kvaliteeditegur, nagu tihedus, kruvide püsivus, tõmbetugevus, elastsusmoodul ja paindetugevus. Kui liigne liimikasutus suurendab tootmiskulusid ülearuselt, siis liimi halb kasutamine tekitab kvaliteediprobleeme. Vale kasutamine põhjustab ühe vahetuse jooksul kuni kümneid tuhandeid dollareid. Väljakutse seisneb selles, et kvaliteet sõltub tootmisprotsessist regressiivselt.
Inimoperaatorid otsustavad kasutatava liimi koguse valdkonnateadmiste põhjal. See oskusteave on üksnes empiiriline ja pädevuse loomiseks kulub aastatepikkune kogemus. Inimoperaatori otsuste tegemise toetamiseks tehakse valitud proovidele laboratoorsed testid, et täpselt mõõta kvaliteeti tootmise ajal. Labori tulemused annavad operaatoritele tagasisidet, mis paljastab toote kvaliteeditaseme. Sellegipoolest ei toimu laboritestid reaalajas ja neid rakendatakse kuni mitmetunnise viivitusega. Inimoperaator kasutab labori tulemusi, et kohandada järk-järgult liimitarbimist, et saavutada nõutav kvaliteedilävi.
Ülevaade lahendusest
Kvaliteedi ennustamine ML-i abil on võimas, kuid nõuab pingutust ja oskusi projekteerimiseks, tootmisprotsessiga integreerimiseks ja hooldamiseks. AWS-i prototüüpimise spetsialistide ja AWS-i partneri Deloitte'i toel ehitas HAYAT HOLDING otsast lõpuni torujuhtme järgmiselt:
- Andurite andmed tootmisettevõttest AWS-i neelatakse
- Tehke andmete ettevalmistamine ja ML-mudeli genereerimine
- Mudelite juurutamine servas
- Looge operaatori armatuurlauad
- Orkestreerige töövoogu
Järgnev diagramm illustreerib lahenduse arhitektuuri.
Andmete sissevõtmine
HAYAT HOLDINGul on nüüdisaegne infrastruktuur mõõtmisandmete hankimiseks, salvestamiseks, analüüsimiseks ja töötlemiseks.
Selle kasutusjuhtumi jaoks on olemas kahte tüüpi andmeallikaid. Protsessi parameetrid määratakse konkreetse toote tootmiseks ja neid tavaliselt tootmise käigus ei muudeta. Anduri andmed võetakse tootmisprotsessi käigus ja need näitavad masina tegelikku seisukorda.
Sisendandmed edastatakse tehasest OPC-UA kaudu läbi SiteWise Edge Gateway in AWS IoT Greengrass. Kokku imporditi 194 andurit, mida kasutati ennustuste täpsuse suurendamiseks.
Mudelite koolitus ja optimeerimine SageMakeri automaatse mudeli häälestamisega
Enne mudelkoolitust tehakse andmete ettevalmistamise tegevuste komplekt. Näiteks MDF-paneelide tehas toodab samal tootmisliinil mitut erinevat toodet (mitme tüüpi ja erineva suurusega puitpaneele). Iga partii on seotud erineva tootega, erinevate toorainete ja erinevate füüsikaliste omadustega. Kuigi seadmete ja protsesside aegridu salvestatakse pidevalt ja neid võib vaadelda kui ühe voo aegrida, mis on indekseeritud aja järgi, tuleb need segmentida partii järgi, millega need on seotud. Näiteks vahetuses võidakse tootepaneele toota erineva kestusega. Valmistatud MDF-i proov saadetakse aeg-ajalt laborisse kvaliteedikontrollideks. Muud funktsioonide projekteerimise ülesanded hõlmavad funktsioonide vähendamist, skaleerimist, järelevalveta mõõtmete vähendamist PCA (põhikomponentide analüüsi) abil, funktsioonide tähtsust ja kõrvalekallete tuvastamist.
Pärast andmete ettevalmistamise etappi kasutatakse ML-mudelite koostamiseks kaheetapiline lähenemisviis. Laboratoorsed katseproovid võetakse vahelduva juhusliku tooteproovi võtmise teel konveierilindilt. Proovid saadetakse kvaliteeditestide tegemiseks laborisse. Kuna laboritulemusi ei saa reaalajas esitada, on tagasiside ahel suhteliselt aeglane. Esimene mudel on koolitatud ennustama laboritulemusi toote kvaliteediparameetrite osas: tihedus, elastsus, tõmbetakistus, paisumine, neelduv vesi, pinna vastupidavus, niiskus, pinna imemine ja paindekindlus. Teine mudel on koolitatud soovitama tootmises kasutatava liimi kogust, sõltuvalt prognoositavast väljundkvaliteedist.
Kohandatud ML-keskkondade seadistamine ja haldamine võib olla aeganõudev ja tülikas. Amazon SageMaker pakub sviidi sisseehitatud algoritmid, eelkoolitatud mudelid ja eelehitatud lahendusmallid, mis aitavad andmeteadlastel ja ML-i praktikutel ML-mudelite koolitamist ja juurutamist kiiresti alustada.
Mitmeid ML-i mudeleid koolitati, kasutades SageMakeri sisseehitatud algoritme N enim toodetud tootetüübi ja erinevate kvaliteediparameetrite jaoks. Kvaliteediennustusmudelid tuvastavad seosed liimi kasutamise ja üheksa kvaliteediparameetri vahel. Soovitusmudelid ennustavad minimaalset liimikasutust kvaliteedinõuete täitmiseks, kasutades järgmist lähenemist: algoritm alustab suurimast lubatud liimikogusest ja vähendab seda samm-sammult, kui kõik nõuded on täidetud, kuni minimaalse lubatud liimi koguseni. Kui liimi maksimaalne kogus ei vasta kõigile nõuetele, annab see veateate.
SageMakeri automaatne mudelihäälestus, tuntud ka kui hüperparameetrite häälestamine, leiab mudeli parima versiooni, käivitades teie andmestikul palju koolitustöid, kasutades teie määratud algoritmi ja hüperparameetrite vahemikke. Seejärel valib see hüperparameetrite väärtused, mille tulemuseks on mudel, mis töötab teie valitud mõõdiku järgi kõige paremini.
Mudeli automaatse häälestamise abil keskendus meeskond õige eesmärgi määratlemisele, hüperparameetrite ulatusele ja otsinguruumile. Automaatne mudelihäälestus hoolitseb ülejäänu eest, sealhulgas infrastruktuuri eest, paralleelselt jooksmise ja treeningtööde korraldamise ning hüperparameetrite valiku parandamise eest. Automaatne mudeli häälestamine pakub laias valikus koolituseksemplari tüüpe. Mudelit viimistleti eksemplaritüüpidel c5.x2large, kasutades hüperparameetrite häälestamise meetodite intelligentset versiooni, mis põhineb Bayesi otsinguteoorial ja on loodud parima mudeli leidmiseks võimalikult lühikese ajaga.
Järeldus äärel
ML-mudelite juurutamiseks prognooside saamiseks on saadaval mitu meetodit.
SageMakeri reaalajas järeldus on ideaalne töökoormuste jaoks, kus on reaalajas, interaktiivsed ja madala latentsusajaga nõuded. Prototüüpimise etapis juurutas HAYAT HOLDING mudelid SageMakeri hostimisteenustele ja sai lõpp-punktid, mida täielikult haldab AWS. SageMakeri mitme mudeli lõpp-punktid pakkuda skaleeritavat ja kulutõhusat lahendust suure hulga mudelite juurutamiseks. Nad kasutavad kõigi teie mudelite majutamiseks samu ressursse ja jagatud serveerimismahutit. See vähendab hostimiskulusid, parandades lõpp-punkti kasutamist võrreldes ühe mudeli lõpp-punktide kasutamisega. See vähendab ka juurutamise üldkulusid, kuna SageMaker haldab mudelite mällu laadimist ja nende skaleerimist teie lõpp-punkti liiklusmustrite alusel.
SageMakeri reaalajas järeldust kasutatakse koos mitme mudeli lõpp-punktidega kulude optimeerimiseks ja kõigi mudelite arendamise ajal kogu aeg kättesaadavaks tegemiseks. Kuigi iga tootetüübi jaoks ML-mudeli kasutamine annab suurema järelduste täpsuse, suurenevad vastavalt nende mudelite arendamise ja testimise kulud ning mitme mudeli haldamine muutub keeruliseks. SageMakeri mitme mudeli lõpp-punktid käsitlevad neid valupunkte ja annavad meeskonnale kiire ja kulutõhusa lahenduse mitme ML-mudeli juurutamiseks.
Amazon SageMaker Edge pakub servaseadmete mudelihaldust, et saaksite optimeerida, kaitsta, jälgida ja hooldada ML-mudeleid servaseadmete pargides. ML-mudelite kasutamine servaseadmetes on keeruline, sest erinevalt pilvejuhtumitest on seadmetel piiratud arvutus, mälu ja ühenduvus. Pärast mudeli kasutuselevõttu peate mudeleid pidevalt jälgima, sest mudeli triiv võib põhjustada mudeli kvaliteedi ületunnitöö halvenemist. Seadmeparkide mudelite jälgimine on keeruline, kuna peate oma seadmest andmenäidiste kogumiseks ja prognooside moonutuste tuvastamiseks kirjutama kohandatud koodi.
Tootmise jaoks kasutatakse AWS IoT Greengrassi seadmesse laaditud mudelitega ennustuste tegemiseks agenti SageMaker Edge Manager.
Järeldus
HAYAT HOLDING hindas täiustatud analüütikaplatvormi osana oma digitaalse ümberkujundamise strateegiast ja soovis tuua tehisintellekti organisatsiooni, et see võimaldaks kvaliteetset tootmist prognoosida.
AWS-i prototüüpimise spetsialistide ja AWS-i partneri Deloitte'i toel ehitas HAYAT HOLDING pikaajaliste äri- ja tehniliste vajaduste rahuldamiseks ainulaadse andmeplatvormi arhitektuuri ja ML-torustiku.
HAYAT KIMYA integreeris ML-lahenduse ühte oma tehastest. Laboratoorsed tulemused näitavad märkimisväärset mõju, mis võrdub 300,000 XNUMX dollari suuruse säästuga aastas, vähendades nende süsiniku jalajälge tootmises, vältides tarbetuid keemilisi jäätmeid. Lahendus pakub operaatoritele kiiremat tagasisidet, esitades tootekvaliteedi ennustusi ja liimitarbimise soovitusi armatuurlaudade kaudu peaaegu reaalajas. Lahendus võetakse lõpuks kasutusele HAYAT HOLDINGu teistes puitpaneelitehastes.
ML on väga iteratiivne protsess; Ühe projekti käigus koolitavad andmeteadlased maksimaalse täpsuse saavutamiseks sadu erinevaid mudeleid, andmekogumeid ja parameetreid. SageMaker pakub ML-i võimsuse kasutamiseks kõige täiuslikumat tööriistakomplekti. See võimaldab teil korraldada, jälgida, võrrelda ja hinnata ML-eksperimente ulatuslikult. SageMakeri sisseehitatud algoritmide, automaatse mudeli häälestamise, reaalajas järelduste ja mitme mudeli lõpp-punktide abil saate suurendada oma ML-meeskondade mõju, et saavutada olulisi tootlikkuse täiustusi.
Kiirendage tulemusteni kuluvat aega ja optimeerige toiminguid, moderniseerides oma äritegevust äärest pilve kasutamiseni Masinõpe AWS-is. Kasutage ära valdkonnapõhiseid uuendusi ja lahendusi AWS tööstusele.
Jagage oma tagasisidet ja küsimusi kommentaarides.
HAYAT HOLDINGust
HAYAT HOLDING, mille alused pandi 1937. aastal, on täna ülemaailmne tegija, millel on 41 ettevõtet erinevates tööstusharudes, sealhulgas HAYAT kiiresti arenevas tarbekaupade sektoris, KEAS (Kastamonu Entegre Ağaç Sanayi) puidupõhiste paneelide sektoris, ja LIMAS sadamahalduse sektoris, kus töötab üle 17,000 49 inimese. HAYAT HOLDING tarnib miljonite tarbijateni üle maailma 36 kaubamärki, mis on toodetud kõrgtehnoloogiaga 13 tootmisüksuses XNUMX riigis.
Kiiresti arenevas tarbekaupade sektoris tegutsev Hayat asutati 1987. aastal. Tänapäeval on Hayat, mis liigub kiiresti globaliseerumise teele, omades 21 tootmisüksust 8 riigis üle maailma, on maailma suuruselt neljas kaubamärgiga mähkmetootja ja suurim salvrätikute tootja maailmas. tootja Lähis-Idas, Ida-Euroopas ja Aafrikas ning suur tegija kiiresti muutuva tarbekaupade sektoris. Hayat oma 16 võimsa kaubamärgiga, sealhulgas Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare ja Evony hügieeni, koduhoolduse, kudede ja isikliku tervise kategooriates. toob HAYAT* miljonitesse kodudesse enam kui 100 riigis.
Kastamonu Entegre Ağaç Sanayi (KEAS), HAYAT HOLDINGu esimene investeering selle industrialiseerimisse, asutati 1969. aastal. Jätkates oma katkematut kasvu oma sektoris globaalseks jõuks, on ettevõte Euroopas neljandal ja maailmas viiendal kohal. KEAS on oma ligikaudu 7,000 töötajaga ja ekspordiga enam kui 100 riiki tööstuses esikohal.
*"Hayat" tähendab türgi keeles "elu".
viited
- Tercan H, "Masinõpe ja süvaõppepõhine ennustav kvaliteet tootmises: süstemaatiline ülevaade", Journal of Intelligent Manufacturing, 2022.
Autoritest
Neslihan Erdoğan, (elektritehnika bakalaureuse- ja magistrikraad), täitis erinevaid tehnilisi ja ärilisi rolle infotehnoloogia spetsialisti, arhitekti ja juhina. Ta on töötanud HAYATis ülemaailmse tööstusliku IT-juhina ning juhtinud tööstus 4.0, digitaalse transformatsiooni, OT-turvalisuse ning andme- ja tehisintellekti projekte.
Çağrı Yurtseven (Bogazici ülikooli elektri-elektroonikatehnika bakalaureusekraad) on Amazon Web Servicesi ettevõtte kontohaldur. Ta juhib jätkusuutlikkuse ja tööstusliku IOT algatusi Türgis, aidates samal ajal klientidel realiseerida oma täielikku potentsiaali, näidates AWS-is võimaluste kunsti.
Cenk Sezgin (PhD – Electrical Electronics Engineering) on AWS EMEA Prototyping Labsi peadirektor. Ta toetab kliente tipptasemel lahenduste uurimisel, ideede väljatöötamisel, projekteerimisel ja arendamisel, kasutades uusi tehnoloogiaid, nagu IoT, Analytics, AI/ML ja serverita.
Hasan-Basri AKIRMAK (BSc ja MSc arvutitehnikas ning Executive MBA ärikoolis) on Amazon Web Servicesi peamine lahenduste arhitekt. Ta on äritehnoloog, kes nõustab ettevõtlussegmendi kliente. Tema erialaks on suuremahuliste andmetöötlussüsteemide ja masinõppe lahenduste arhitektuuride ja ärijuhtumite projekteerimine. Hasan on pakkunud äriarendust, süsteemide integreerimist ja programmihaldust klientidele Euroopas, Lähis-Idas ja Aafrikas. Alates 2016. aastast juhendas ta sadu ettevõtjaid idufirmade inkubatsiooniprogrammides.
Mustafa Aldemir (BSc elektri-elektroonikatehnikas, MSc mehhatroonikas ja doktorikraad arvutiteaduses) on Amazon Web Servicesi robootika prototüüpide loomise juht. Ta on kavandanud ja arendanud asjade Interneti ja masinõppe lahendusi mõnele EMEA suurimale kliendile ning juhtinud nende meeskondi nende juurutamisel. Vahepeal on ta andnud tehisintellekti kursusi Amazoni masinõppe ülikoolis ja Oxfordi ülikoolis.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :on
- $ UP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- võime
- vastavalt
- konto
- täpsus
- Saavutada
- omandamine
- üle
- tegevus
- lisamine
- aadress
- edasijõudnud
- ADEelis
- nõustamine
- Aafrika
- pärast
- Agent
- AI
- AI / ML
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- Kuigi
- Amazon
- Amazoni masinõpe
- Amazon SageMaker
- Amazon Web Services
- summa
- analüüs
- analytics
- analüüsides
- ja
- Aastas
- taotlus
- rakendatud
- Rakendades
- lähenemine
- umbes
- arhitektuur
- OLEME
- PIIRKOND
- valdkondades
- ümber
- Kunst
- AS
- seotud
- At
- Automaatne
- Automaatika
- saadaval
- AWS
- AWS IoT Greengrass
- laps
- põhineb
- alus
- Bayesi
- BE
- sest
- muutub
- saada
- BEST
- vahel
- suurim
- julge
- suurendada
- kaubamärgiga
- brändid
- Purustamine
- tooma
- Toob
- BSC
- ehitama
- ehitatud
- sisseehitatud
- äri
- ettevõtluse arendamine
- by
- CAN
- süsinik
- mis
- juhul
- juhtudel
- kategooriad
- Põhjus
- põhjuste
- kindel
- väljakutse
- raske
- omadused
- keemiline
- Vali
- Klassifitseerige
- kliendid
- Cloud
- kood
- koguma
- kombineerimine
- kommentaarid
- Ettevõtted
- võrdlema
- võrreldes
- täitma
- komponent
- Arvutama
- arvuti
- Arvutitehnika
- Arvutiteadus
- seisund
- läbi
- Side
- tarbitud
- tarbija
- Tarbijad
- tarbimine
- Konteiner
- jätkates
- pidevalt
- Maksma
- kuluefektiivne
- kulud
- riikides
- Kursus
- kursused
- tava
- Kliendid
- andmed
- Andmeplatvorm
- Andmete ettevalmistamine
- andmetöötlus
- andmekogumid
- otsustama
- otsus
- Otsuse tegemine
- sügav
- sügav õpe
- määratlemisel
- viivitus
- esitatud
- edastamine
- annab
- deloitte
- Sõltuvus
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- Disain
- kavandatud
- projekteerimine
- Detection
- arenev
- & Tarkvaraarendus
- seade
- seadmed
- erinev
- raske
- digitaalne
- Digitaalne Transformation
- digiteerimine
- eristatav
- Ei tee
- dollarit
- domeen
- alla
- vastupidavus
- ajal
- iga
- Ida
- ida-
- Ida-Euroopa
- serv
- mõju
- jõupingutusi
- Elektroonika
- EMEA
- smirgel
- tekkivad tehnoloogiad
- töötajad
- Lõpuks-lõpuni
- Lõpp-punkt
- Inseneriteadus
- tohutu
- ettevõte
- ettevõtjad
- keskkondades
- seadmed
- Erdogan
- viga
- hinnata
- Euroopa
- hindama
- hindamine
- lõpuks
- näide
- täidesaatev
- teadmised
- ekspertide
- uurimine
- ekspordi
- ulatuslik
- kiiresti liikuv
- kiiremini
- tunnusjoon
- tagasiside
- kiud
- väli
- leidma
- leiab
- esimene
- FLEET
- Keskenduma
- keskendunud
- Järel
- järgneb
- Jalajälg
- eest
- Sihtasutused
- Rajatud
- Neljas
- Alates
- täis
- täielikult
- värav
- saama
- Andma
- annab
- Globaalne
- globaliseerumise
- kaubad
- järk-järgult
- koolilõpetaja
- Kasv
- külaline
- Külaline Postitus
- rakmed
- Olema
- Tervis
- Held
- aitama
- aidates
- Suur
- rohkem
- kõrgeim
- kõrgelt
- omamine
- Avaleht
- koduhooldus
- Majad
- võõrustaja
- Hosting
- hostimiskulud
- majutusteenused
- Lahtiolekuajad
- Kuidas
- HTML
- HTTPS
- inim-
- sajad
- Hüperparameetrite häälestamine
- ideaalne
- Identifitseerimine
- tuvastatud
- identifitseerima
- mõju
- rakendamisel
- tähtsus
- oluline
- parandama
- parandusi
- Paranemist
- in
- sisaldama
- Kaasa arvatud
- Suurendama
- Tõstab
- INKUBATSIOONI
- näitama
- tööstus-
- Tööstuslik Internet
- tööstusharudes
- tööstus
- tööstuses 4.0
- tööstusharuspetsiifiline
- info
- Infrastruktuur
- algatused
- uuendusi
- Näiteks
- integreerima
- integreeritud
- integratsioon
- Intelligentne
- interaktiivne
- Internet
- Asjade Internet
- investeering
- asjade Interneti
- IT
- ITS
- Tööturg
- ajakiri
- jpg
- teatud
- labor
- labor
- Labs
- suur
- suurim
- viima
- juhtivate
- õppimine
- Led
- Lets
- taset
- piiratud
- joon
- laadimine
- pikaajaline
- masin
- masinõpe
- tehtud
- säilitada
- peamine
- tegema
- Tegemine
- juhtima
- juhitud
- juhtimine
- juht
- haldab
- juhtiv
- Tootja
- tootmine
- palju
- materjalid
- max
- maksimaalne
- vahendid
- Vahepeal
- mõõtma
- Mälu
- meetod
- meetodid
- meetriline
- Kesk-
- Lähis-Ida
- miljonid
- miinimum
- ML
- mudel
- mudelid
- Jälgida
- järelevalve
- rohkem
- kõige
- liikuma
- mitmekordne
- Vajadus
- vajadustele
- Sellegipoolest
- numbrid
- eesmärk
- of
- Pakkumised
- on
- ONE
- jätkuv
- tegutsevad
- töökorras
- Operations
- operaator
- ettevõtjad
- optimeerimine
- optimeerima
- organisatsioon
- Muu
- väljund
- Oxford
- oxfordi ülikool
- Valu
- paneel
- paneelid
- Paber
- Parallel
- parameetrid
- osa
- eriline
- partner
- tee
- mustrid
- Inimesed
- jõudlus
- täidab
- isiklik
- faas
- füüsiline
- torujuhe
- Taimed
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängija
- võrra
- vaene
- paigutatud
- võimalik
- post
- potentsiaal
- võim
- võimas
- täpselt
- ennustada
- ennustada
- ennustus
- Ennustused
- esitatud
- surve
- ennetada
- Peamine
- probleeme
- protsess
- Protsessid
- töötlemine
- tootma
- Toodetud
- tootja
- Toode
- Toote kvaliteet
- Produktsioon
- tootlikkus
- Toodet
- Programm
- Programmid
- projekt
- projektid
- prototüüpimine
- anda
- annab
- tõmmates
- kvaliteet
- Küsimused
- kiiresti
- tõstab
- juhuslik
- valik
- auastmed
- kiire
- kiiresti
- Töötlemata
- reaalne
- reaalajas
- mõistma
- tunnistama
- soovitama
- Soovitus
- dokumenteeritud
- salvestamine
- vähendab
- vähendamine
- Suhted
- suhteliselt
- esindab
- nõutav
- Nõuded
- Vajab
- Vastupidavus
- Vahendid
- REST
- kaasa
- tulemuseks
- Tulemused
- paljastav
- robootika
- rollid
- jooksmine
- salveitegija
- SageMakeri automaatne mudeli häälestamine
- sama
- rahul
- säästmine
- Hoiused
- skaalautuvia
- Skaala
- ketendamine
- Kool
- teadus
- teadlased
- Reguleerimisala
- Otsing
- Teine
- sektor
- kindlustama
- segment
- väljavalitud
- valik
- andur
- Seeria
- Serverita
- Teenused
- teenindavad
- komplekt
- mitu
- Jaga
- jagatud
- suunata
- märkimisväärne
- alates
- Kuna 2016
- ühekordne
- suurused
- viltu
- oskus
- aeglane
- So
- lahendus
- Lahendused
- mõned
- Allikad
- Ruum
- spetsialist
- spetsialistid
- Eriala
- alustatud
- algab
- käivitamisel
- modernne
- Samm
- Strateegia
- otseülekanne
- tugevus
- subsiidium
- selline
- komplekt
- toetama
- Toetab
- Pind
- Jätkusuutlikkus
- süsteemid
- Võtma
- võtab
- ülesanded
- meeskond
- meeskonnad
- Tehniline
- Tehnoloogiad
- tehnoloog
- malle
- test
- Testimine
- testid
- et
- .
- maailm
- oma
- Neile
- Need
- asjad
- tuhandeid
- künnis
- Läbi
- aeg
- Ajaseeria
- aega võttev
- korda
- et
- täna
- tonni
- töövahendid
- ülemine
- Summa
- suunas
- jälgida
- liiklus
- Rong
- koolitatud
- koolitus
- Transformation
- Ümberkujundamise strateegia
- Türgi
- türgi
- liigid
- tüüpiline
- ainulaadne
- Ülikool
- Kasutus
- kasutama
- kasutage juhtumit
- tavaliselt
- Väärtused
- eri
- versioon
- kaudu
- maht
- tagaotsitav
- Jäätmed
- Vesi
- web
- veebiteenused
- Hästi
- kuigi
- lai
- Lai valik
- will
- koos
- Tööjõud
- töö
- maailm
- maailma
- ülemaailmne
- kirjutama
- aasta
- aastat
- sa
- Sinu
- sephyrnet