Andmepõhise otsuste tegemise maailmas aegridade prognoosimine on võtmetähtsusega, et võimaldada ettevõtetel kasutada ajaloolisi andmemustreid tulevaste tulemuste prognoosimiseks. Olenemata sellest, kas töötate varariskide haldamise, kauplemise, ilmaennustuse, energianõudluse prognoosimise, elutähtsate märkide jälgimise või liiklusanalüüsi alal, on täpse prognoosimise oskus edu saavutamiseks ülioluline.
Nendes rakendustes võivad aegridade andmed olla raske sabaga distributsioonid, kus sabad esindavad äärmuslikke väärtusi. Täpne prognoosimine nendes piirkondades on oluline äärmusliku sündmuse tõenäosuse ja häire andmise kindlaksmääramisel. Need kõrvalekalded mõjutavad aga märkimisväärselt baasjaotuse hinnangut, muutes tugeva prognoosimise keeruliseks. Finantsasutused tuginevad tugevatele mudelitele, et ennustada kõrvalekaldeid, nagu turukrahhid. Energeetika-, ilma- ja tervishoiusektoris võimaldavad harvaesinevate, kuid suure mõjuga sündmuste (nt loodusõnnetused ja pandeemiad) täpsed prognoosid tõhusat planeerimist ja ressursside jaotamist. Saba käitumise tähelepanuta jätmine võib põhjustada kaotusi, kasutamata võimalusi ja ohustada turvalisust. Täpsuse esikohale seadmine sabades aitab kaasa usaldusväärsete ja teostatavate prognooside tegemisele. Selles postituses koolitame välja tugeva aegridade prognoosimismudeli, mis suudab selliseid äärmuslikke sündmusi kasutades jäädvustada Amazon SageMaker.
Selle mudeli tõhusaks koolitamiseks loome MLOps-i infrastruktuuri, et lihtsustada mudeli arendusprotsessi, automatiseerides andmete eeltöötlust, funktsioonide projekteerimist, hüperparameetrite häälestamist ja mudelite valikut. See automatiseerimine vähendab inimlikke vigu, parandab reprodutseeritavust ja kiirendab mudeli arendustsüklit. Koolitusprogrammi abil saavad ettevõtted tõhusalt lisada uusi andmeid ja kohandada oma mudeleid muutuvate tingimustega, mis aitab tagada prognooside usaldusväärse ja ajakohasuse.
Pärast aegrea prognoosimudeli väljaõpetamist annab selle lõpp-punktis juurutamine reaalajas prognoosimisvõimalused. See annab teile võimaluse teha kõige värskemate andmete põhjal teadlikke ja reageerivaid otsuseid. Lisaks võimaldab mudeli juurutamine lõpp-punktis skaleeritavust, kuna mitu kasutajat ja rakendust saavad mudelile korraga juurde pääseda ja seda kasutada. Neid samme järgides saavad ettevõtted kasutada tugeva aegridade prognoosimise jõudu, et teha teadlikke otsuseid ja püsida kiiresti muutuvas keskkonnas ees.
Ülevaade lahendusest
See lahendus tutvustab aegridade prognoosimudeli väljaõpet, mis on spetsiaalselt loodud andmete kõrvalekallete ja varieeruvuse käsitlemiseks, kasutades Ajutine konvolutsioonivõrk (TCN) splaissitud kahendatud Pareto (SBP) jaotusega. Lisateavet selle lahenduse multimodaalse versiooni kohta leiate aadressilt NFL Next Gen Statsi uue läbimise mõõdiku taga olev teadus. SBP jaotuse tõhususe täiendavaks illustreerimiseks võrdleme seda sama TCN-mudeliga, kuid kasutame selle asemel Gaussi jaotust.
See protsess toob märkimisväärset kasu MLOps funktsioonid SageMakerist, mis lihtsustab andmeteaduse töövoogu, kasutades ära AWS-i võimsat pilveinfrastruktuuri. Oma lahenduses kasutame Amazon SageMakeri automaatne mudeli häälestamine hüperparameetrite otsimiseks, Amazon SageMakeri katsed katsete juhtimiseks, Amazon SageMakeri mudeliregister mudeliversioonide haldamiseks ja Amazon SageMakeri torujuhtmed protsessi korraldamiseks. Seejärel juurutame oma mudeli reaalajas prognooside saamiseks SageMakeri lõpp-punkti.
Järgmine diagramm illustreerib koolituse torujuhtme arhitektuuri.
Järgnev diagramm illustreerib järelduskonveieri.
Täieliku koodi leiate aadressilt GitHub repo. Lahenduse rakendamiseks käivitage lahtrid SBP_main.ipynb
.
AWS-i konsooli avamiseks klõpsake siin ja järgige seda.
SageMakeri torujuhe
SageMaker Pipelines pakub kasutajasõbralikku Pythoni SDK integreeritud masinõppe (ML) töövoogude loomiseks. Need töövood, mida kujutatakse suunatud atsükliliste graafikutena (DAG), koosnevad erinevat tüüpi ja sõltuvustega sammudest. SageMakeri torujuhtmete abil saate sujuvamaks muuta mudelite väljaõppe ja hindamise lõpuni, suurendades oma ML-i töövoogude tõhusust ja reprodutseeritavust.
Koolituskonveier algab sünteetilise andmestiku genereerimisega, mis on jagatud koolitus-, valideerimis- ja testikomplektideks. Treeningkomplekti kasutatakse kahe TCN-mudeli treenimiseks, millest üks kasutab Splaissitud Binned-Pareto jaotus ja teine kasutab Gaussi jaotust. Mõlemad mudelid läbivad hüperparameetrite häälestamise, kasutades iga mudeli optimeerimiseks valideerimiskomplekti. Seejärel viiakse läbi hindamine testikomplekti suhtes, et määrata madalaima ruutkeskmise veaga (RMSE) mudel. Parima täpsusega mudel laaditakse üles mudeliregistrisse.
Järgmine diagramm illustreerib torujuhtme etappe.
Arutame samme üksikasjalikumalt.
Andmete genereerimine
Meie torujuhtme esimene samm genereerib sünteetilise andmestiku, mida iseloomustab siinuskujuline lainekuju ja asümmeetriline raske sabamüra. Andmete loomisel kasutati mitmeid parameetreid, nagu vabadusastmed, mürakordaja ja skaala parameeter. Need elemendid mõjutavad andmete jaotuse kuju, moduleerivad meie andmete juhuslikku varieeruvust ja kohandavad vastavalt meie andmete jaotuse levikut.
See andmetöötlustöö teostatakse, kasutades a PyTorchProcessor, mis käivitab PyTorchi koodi (gener_data.py) SageMakeri hallatavas konteineris. Andmed ja muud asjakohased artefaktid silumiseks asuvad vaikeväärtuses Amazoni lihtne salvestusteenus (Amazon S3) ämber, mis on seotud SageMakeri kontoga. Iga protsessi etapi logid leiate siit Amazon CloudWatch.
Järgmisel joonisel on näidis torujuhtme loodud andmetest.
Saate sisendi asendada paljude aegridade andmetega, nagu sümmeetriline, asümmeetriline, kerge, raskekujuline või multimodaalne jaotus. Mudeli robustsus võimaldab seda rakendada paljude aegridade probleemide korral, eeldusel, et on olemas piisavalt tähelepanekuid.
Modellikoolitus
Pärast andmete genereerimist koolitame kahte TCN-i: üks kasutab SBP jaotust ja teine Gaussi jaotust. SBP jaotus kasutab ennustava alusena diskreetset bineeritud jaotust, kus tegelik telg on jagatud diskreetseteks salvedeks ja mudel ennustab tõenäosust, et vaatlus langeb igasse salve. See metoodika võimaldab jäädvustada asümmeetriat ja mitut režiimi, kuna iga prügikasti tõenäosus on sõltumatu. Ühendatud jaotuse näide on näidatud järgmisel joonisel.
Vasakpoolne ennustav bineeritud jaotus on äärmuslike sündmuste suhtes vastupidav, kuna logaritmiline tõenäosus ei sõltu ennustatud keskmise ja vaadeldava punkti vahelisest kaugusest, mis erineb parameetrilistest jaotustest nagu Gaussi või Studenti t. Seetõttu ei moonuta punase punktiga tähistatud äärmuslik sündmus jaotuse õpitud keskmist. Äärmusliku sündmuse tõenäosus on aga null. Äärmuslike sündmuste jäädvustamiseks moodustame SBP jaotuse, määratledes alumise saba 5. kvantiilis ja ülemise saba 95. kvantiili juures, asendades mõlemad sabad kaalutud üldistatud Pareto jaotustega (GPD), mis võib kvantifitseerida sündmuse tõenäosust. TCN väljastab binned jaotusbaasi ja GPD sabade parameetrid.
Hüperparameetrite otsing
Optimaalse väljundi saavutamiseks kasutame automaatne mudeli häälestamine mudeli parima versiooni leidmiseks hüperparameetrite häälestamine. See samm on integreeritud SageMaker Pipelinesisse ja võimaldab paralleelselt käitada mitut koolitustööd, kasutades erinevaid meetodeid ja eelnevalt määratletud hüperparameetrite vahemikke. Tulemuseks on parima mudeli valik määratud mudelimõõdiku alusel, milleks on RMSE. Mudeli jõudluse optimeerimiseks kohandame spetsiaalselt õppimiskiirust ja treeningperioodide arvu. SageMakeri hüperparameetrite häälestamise võimalusega suurendame tõenäosust, et meie mudel saavutab antud ülesande jaoks optimaalse täpsuse ja üldistuse.
Kuna meie andmed on sünteetilised, hoiame konteksti pikkust ja teostusaega staatiliste parameetritena. Konteksti pikkus viitab mudelisse sisestatud ajalooliste ajaetappide arvule ja teostusaeg tähistab ajaetappide arvu meie prognoosihorisondis. Näidiskoodi jaoks häälestame aja ja kulude säästmiseks ainult õppimiskiirust ja epohhide arvu.
SBP-spetsiifilisi parameetreid hoitakse konstantsena, tuginedes autorite ulatuslikule testimisele originaalpaberil erinevates andmekogumites:
- Kastide arv (100) – See parameeter määrab jaotuse aluse modelleerimiseks kasutatavate salvede arvu. Seda hoitakse 100 juures, mis on osutunud kõige tõhusamaks paljudes tööstusharudes.
- Protsentiili saba (0.05) – See tähistab üldistatud Pareto jaotuste suurust sabas. Nagu eelmine parameeter, on seda põhjalikult testitud ja leitud, et see on kõige tõhusam.
Katsed
Hüperparameetrite protsess on integreeritud SageMakeri katsed, mis aitab korraldada, analüüsida ja võrrelda iteratiivseid ML-eksperimente, pakkudes teadmisi ja hõlbustades kõige paremini toimivate mudelite jälgimist. Masinõpe on iteratiivne protsess, mis hõlmab arvukalt katseid, mis hõlmavad andmete variatsioone, algoritmivalikuid ja hüperparameetrite häälestamist. Need katsed aitavad mudeli täpsust järk-järgult täpsustada. Siiski võib koolituste ja mudelite iteratsioonide suur arv raskendada kõige paremini toimivate mudelite tuvastamist ning praeguste ja varasemate katsete sisuliste võrdluste tegemist. SageMaker Experiments tegeleb sellega, jälgides automaatselt meie hüperparameetrite häälestustöid ja võimaldades meil saada täiendavaid üksikasju ja ülevaadet häälestusprotsessist, nagu on näidatud järgmisel ekraanipildil.
Mudeli hindamine
Mudelid läbivad koolituse ja hüperparameetrite häälestamise ning seejärel hinnatakse neid läbi hindama.py stsenaarium. See samm kasutab testikomplekti, mis erineb hüperparameetrite häälestamise etapist, et mõõta mudeli tegelikku täpsust. RMSE-d kasutatakse ennustuste täpsuse hindamiseks.
Jaotuse võrdlemiseks kasutame tõenäosuse-tõenäosuse (PP) graafikut, mis hindab tegelike ja prognoositud jaotuste vahelist sobivust. Punktide lähedus diagonaalile näitab täiuslikku sobivust. Meie võrdlused SBP ja Gaussi ennustatud jaotuste vahel tegeliku jaotusega näitavad, et SBP ennustused ühtivad paremini tegelike andmetega.
Nagu näeme, on SBP-l madalam RMSE aluses, alumises sabas ja ülemises sabas. SBP jaotus parandas Gaussi jaotuse täpsust baasil 61%, alumises sabas 56% ja ülemises osas 30%. Üldiselt on SBP jaotus oluliselt paremate tulemustega.
Mudeli valik
Kasutame mudeli hindamisaruannete analüüsimiseks SageMaker Pipelines'is tingimusetappi, valides levitamise täpsuse parandamiseks madalaima RMSE-ga mudeli. Valitud mudel teisendatakse SageMakeri mudeliobjektiks, valmistades selle kasutuselevõtuks ette. See hõlmab oluliste parameetritega mudelpaketi loomist ja selle pakkimist a ModelStep.
Mudelite register
Seejärel laaditakse valitud mudel üles SageMakeri mudeliregister, mis mängib tootmiseks valmis mudelite haldamisel kriitilist rolli. See salvestab mudeleid, korraldab mudeliversioone, jäädvustab olulisi metaandmeid ja artefakte, nagu konteineri kujutised, ning reguleerib iga mudeli kinnitusolekut. Registrit kasutades saame tõhusalt juurutada mudeleid ligipääsetavates SageMakeri keskkondades ja luua aluse pidevale integratsioonile ja pideva juurutamise (CI/CD) torujuhtmetele.
Järeldus
Pärast koolituse läbimist võetakse meie mudel kasutusele kasutades SageMakeri hostimisteenused, mis võimaldab luua reaalajas prognooside jaoks järelduse lõpp-punkti. See lõpp-punkt võimaldab sujuvat integreerimist rakenduste ja süsteemidega, pakkudes turvalise HTTPS-liidese kaudu nõudmisel juurdepääsu mudeli ennustamisvõimalustele. Reaalajas prognoose saab kasutada sellistes stsenaariumides nagu aktsiahinna ja energianõudluse prognoos. Meie lõpp-punkt annab üheastmelise prognoosi esitatud aegridade andmete kohta, mis on esitatud protsentiilide ja mediaanidena, nagu on näidatud järgmisel joonisel ja tabelis.
1st protsentiil | 5th protsentiil | Mediaan | 95th protsentiil | 99th protsentiil |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
Koristage
Pärast selle lahenduse käivitamist puhastage ootamatute kulude vältimiseks kindlasti kõik mittevajalikud AWS-i ressursid. Neid ressursse saate puhastada SageMaker Python SDK abil, mille leiate märkmiku lõpust. Kustutades need ressursid, väldite täiendavaid tasusid ressursside eest, mida te enam ei kasuta.
Järeldus
Täpne prognoos võib oluliselt mõjutada ettevõtte tuleviku planeerimist ja pakkuda lahendusi ka mitmesugustele probleemidele erinevates tööstusharudes. Meie uurimine jõulise aegridade prognoosimise kohta MLOps-iga SageMakeris on näidanud meetodit täpse prognoosi saamiseks ja tõhustatud koolitustorustiku tõhusust.
Meie mudel, mida toidab ajaline konvolutsiooniline võrk koos splaissitud Pareto jaotusega, on näidanud täpsust ja kohanemisvõimet kõrvalekalletega, parandades RMSE-d 61% baasil, 56% alumises sabas ja 30% ülemises sabas. Gaussi jaotusega TCN. Need arvud muudavad selle usaldusväärseks lahenduseks reaalsete prognoosimisvajaduste jaoks.
Torujuhe demonstreerib MLOps-i funktsioonide automatiseerimise väärtust. See võib vähendada käsitsi tehtud jõupingutusi, võimaldada reprodutseeritavust ja kiirendada mudeli kasutuselevõttu. SageMakeri funktsioonid, nagu SageMakeri torujuhtmed, automaatne mudeli häälestamine, SageMakeri katsed, SageMakeri mudeliregister ja lõpp-punktid, võimaldavad seda teha.
Meie lahendus kasutab miniatuurset TCN-i, optimeerides vaid mõned hüperparameetrid piiratud arvu kihtidega, millest piisab mudeli jõudluse tõhusaks esiletõstmiseks. Keerulisemate kasutusjuhtude korral kaaluge PyTorchi või muude PyTorchi-põhiste teekide kasutamist, et luua kohandatud TCN, mis vastab teie konkreetsetele vajadustele. Lisaks oleks kasulik uurida ka teisi SageMakeri funktsioonid torujuhtme funktsionaalsuse edasiseks täiustamiseks. Juurutusprotsessi täielikuks automatiseerimiseks võite kasutada AWS pilvearenduskomplekt (AWS CDK) või AWS CloudFormation.
AWS-i aegridade prognoosimise kohta lisateabe saamiseks vaadake järgmist.
Mõtete või küsimustega võite julgelt kommenteerida!
Autoritest
Nick Biso on masinõppeinsener ettevõttes AWS Professional Services. Ta lahendab keerukaid organisatsioonilisi ja tehnilisi väljakutseid, kasutades andmeteadust ja inseneriteadust. Lisaks ehitab ja juurutab ta AWS Cloudis AI/ML mudeleid. Tema kirg ulatub tema kalduvuseni reisida ja saada erinevaid kultuurilisi kogemusi.
Alston Chan on Amazon Adsi tarkvaraarenduse insener. Ta koostab masinõppe torujuhtmeid ja soovitussüsteeme tootesoovituste jaoks üksikasjade lehel. Väljaspool tööd naudib ta mänguarendust ja kaljuronimist.
Maria Masood on spetsialiseerunud AWS Commerce Platformi andmekonveierite ja andmete visualiseerimise loomisele. Tal on teadmised masinõppest, mis hõlmab loomuliku keele töötlemist, arvutinägemist ja aegridade analüüsi. Hingelt jätkusuutlikkuse entusiast Maria naudib aiatööd ja seisaku ajal koeraga mängimist.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :on
- :on
- :mitte
- : kus
- $ UP
- 100
- 5.
- 7
- a
- võime
- MEIST
- kiirendama
- kiirendab
- juurdepääs
- juurdepääsetav
- saavutatud
- konto
- täpsus
- täpne
- täpselt
- Saavutab
- üle
- tegelik
- atsükliline
- kohandama
- lisamine
- Lisaks
- aadressid
- kuulutused
- vastu
- eespool
- AI / ML
- alarm
- algoritm
- viia
- Joondab
- eraldamine
- Lubades
- võimaldab
- mööda
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analüüs
- analüüsima
- ja
- ennetada
- mistahes
- kohaldatav
- rakendused
- heakskiit
- arhitektuur
- OLEME
- AS
- hinnata
- hindab
- eelis
- seotud
- At
- autorid
- automatiseerima
- Automaatne
- automaatselt
- automatiseerimine
- Automaatika
- saadaval
- vältima
- AWS
- AWS-i professionaalsed teenused
- Telg
- baas
- põhineb
- BE
- sest
- olnud
- käitumine
- taga
- kasulik
- Kasu
- BEST
- Parem
- vahel
- erapoolikus
- BIN
- mõlemad
- lai
- Ehitus
- Ehitab
- ettevõtted
- kuid
- nupp
- by
- CAN
- võimeid
- võime
- võimeline
- lüüa
- lööb
- Püüdmine
- juhtudel
- Rakke
- väljakutseid
- raske
- muutuv
- iseloomustatud
- koormuste
- valikuid
- klõps
- Ronimine
- lähedalt
- Cloud
- pilve infrastruktuur
- kood
- kommentaar
- Kaubandus
- võrdlema
- võrdlus
- täitma
- lõpetamist
- keeruline
- Kompromissitud
- arvuti
- Arvuti visioon
- seisund
- Tingimused
- läbi
- Arvestama
- konsool
- pidev
- ehitama
- Konteiner
- kontekst
- pidev
- ümber
- Maksma
- kulud
- kattes
- looma
- loodud
- loomine
- loomine
- kriitiline
- otsustav
- kultuuriline
- Praegune
- kohandatud
- tsükkel
- andmed
- andmetöötlus
- andmeteadus
- andmepõhistele
- andmekogumid
- kuupäev
- Otsuse tegemine
- otsused
- vaikimisi
- määratlemisel
- Nõudlus
- Nõudluse prognoosimine
- Näidatud
- näitab
- tähistab
- sõltuvused
- sõltuv
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- juurutab
- kavandatud
- detail
- detailid
- Määrama
- määrab
- määrates kindlaks
- & Tarkvaraarendus
- erinev
- erinevad
- suunatud
- katastroofid
- arutama
- kaugus
- eristatav
- jaotus
- Väljamaksed
- mitu
- jagatud
- koer
- DOT
- seisakuaeg
- ajal
- iga
- Tõhus
- tõhusalt
- tõhusus
- efektiivsus
- tõhus
- tõhusalt
- jõupingutusi
- elemendid
- tööle
- töötab
- annab volitusi
- võimaldama
- võimaldab
- võimaldades
- haarav
- lõpp
- Lõpuks-lõpuni
- Lõpp-punkt
- energia
- insener
- Inseneriteadus
- suurendama
- suurendamine
- tagama
- entusiast
- keskkond
- keskkondades
- ajajärgud
- viga
- oluline
- looma
- hinnatud
- hindamine
- hindamine
- sündmus
- sündmused
- areneb
- näide
- Kogemused
- katseid
- teadmised
- uurimine
- uurima
- laieneb
- ulatuslik
- äärmuslik
- hõlbustades
- Langev
- tunnusjoon
- FUNKTSIOONID
- vähe
- Joonis
- arvandmed
- finants-
- Finants institutsioonid
- leidma
- esimene
- sobima
- järgima
- Järel
- eest
- Ennustus
- prognoosid
- vorm
- avastatud
- Sihtasutus
- tasuta
- Vabadus
- Alates
- täielikult
- funktsionaalsus
- edasi
- Pealegi
- tulevik
- kasu
- mäng
- mängu arendamine
- gabariit
- Gen
- loodud
- genereerib
- teeniva
- põlvkond
- antud
- Go
- valitseb
- GPD
- toetusi
- graafikud
- käepide
- rakmed
- Kasutamine
- Olema
- he
- tervishoid
- süda
- aitab
- siin
- siin
- esiletõstmine
- kõrgelt
- tema
- ajalooline
- silmapiir
- Hosting
- Kuidas
- aga
- HTML
- HTTPS
- inim-
- Hüperparameetrite häälestamine
- identifitseerima
- illustreerib
- pildid
- mõju
- rakendada
- oluline
- paranenud
- parandab
- Paranemist
- in
- lisada
- Suurendama
- sõltumatud
- näitab
- tööstusharudes
- mõju
- info
- teavitatakse
- Infrastruktuur
- sisend
- ülevaade
- teadmisi
- selle asemel
- institutsioonid
- integreeritud
- integratsioon
- Interface
- sisse
- kaasates
- IT
- kordused
- ITS
- töö
- Tööturg
- jpg
- lihtsalt
- pidamine
- hoitakse
- Võti
- keel
- suur
- kihid
- viima
- õppinud
- õppimine
- Lahkuma
- lahkus
- Pikkus
- raamatukogud
- nagu
- tõenäosus
- Tõenäoliselt
- piiratud
- asub
- enam
- kaod
- vähendada
- madalaim
- masin
- masinõpe
- tegema
- Tegemine
- juhtima
- juhitud
- juhtimine
- juhtiv
- käsiraamat
- Mary
- Turg
- turukrahhid
- keskmine
- tähendusrikas
- Metaandmed
- meetod
- Metoodika
- meetodid
- meetriline
- vastamata
- ML
- MLOps
- mudel
- mudelid
- režiimid
- järelevalve
- rohkem
- kõige
- mitmekordne
- Natural
- Natural Language Processing
- loodus
- vajadustele
- unarusse jätmine
- võrk
- Uus
- järgmine
- järgmine gen
- NFL
- ei
- müra
- märkmik
- number
- arvukad
- objekt
- jälgima
- saama
- of
- Pakkumised
- on
- On-Demand
- ONE
- ainult
- avatud
- Võimalused
- optimaalselt
- optimeerima
- optimeerimine
- or
- organisatsiooniline
- korraldab
- originaal
- Muu
- meie
- tulemusi
- väljund
- väljaspool
- üle
- üldine
- pakend
- pakendamine
- lehekülg
- Pandeemiad
- Paber
- Parallel
- parameeter
- parameetrid
- Pareto
- Mööduv
- kirg
- minevik
- mustrid
- täiuslik
- jõudlus
- torujuhe
- planeerimine
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- mängib
- Punkt
- võrra
- võimalik
- post
- võim
- sisse
- võimas
- ennustada
- ennustada
- ennustus
- Ennustused
- Ennustab
- esitatud
- vältida
- eelmine
- hind
- prioriteetsuse
- probleeme
- protsess
- töötlemine
- Toode
- Produktsioon
- professionaalne
- tõestatud
- anda
- tingimusel
- annab
- pakkudes
- Python
- pütorch
- tõstma
- juhuslik
- valik
- kiiresti
- määr
- valmis
- Valmis
- reaalne
- päris maailm
- reaalajas
- hiljuti
- Soovitus
- soovitused
- Red
- vähendama
- vähendab
- viitama
- viitab
- filtreeri
- piirkondades
- registri
- asjakohane
- usaldusväärne
- lootma
- jääma
- asendama
- Aruanded
- esindama
- esindatud
- esindab
- ressurss
- Vahendid
- vastavalt
- tundlik
- kaasa
- Tulemused
- Oht
- riskijuhtimise
- jõuline
- tugevus
- Rokk
- Roll
- juur
- jooks
- jookseb
- ohutus
- salveitegija
- SageMakeri torujuhtmed
- sama
- Säästa
- Skaalautuvus
- Skaala
- stsenaariumid
- teadus
- käsikiri
- SDK
- sujuv
- Otsing
- Sektorid
- kindlustama
- väljavalitud
- valik
- Seeria
- teenima
- Teenused
- komplekt
- Komplektid
- kuju
- ta
- näitama
- näidatud
- kirjutama
- märgatavalt
- lihtne
- üheaegselt
- SUURUS
- tarkvara
- tarkvaraarenduse
- lahendus
- Lahendused
- Lahendab
- spetsialiseerunud
- konkreetse
- eriti
- määratletud
- jagada
- laiali
- ruuduline
- Stage
- olek
- jääma
- Samm
- Sammud
- varu
- ladustamine
- kauplustes
- kiirendama
- Sujuvamaks
- Järgnevalt
- edu
- selline
- piisav
- kindel
- Jätkusuutlikkus
- sünteetiline
- süsteemid
- tabel
- Ülesanne
- Tehniline
- test
- katsetatud
- Testimine
- et
- .
- maailm
- oma
- SIIS
- seetõttu
- Need
- see
- Läbi
- aeg
- Ajaseeria
- et
- Jälgimine
- Kauplemine
- liiklus
- Rong
- koolitatud
- koolitus
- reisima
- kaks
- liigid
- läbima
- Ootamatu
- tarbetu
- laetud
- us
- kasutama
- Kasutatud
- kasutajasõbralik
- Kasutajad
- kasutamine
- ära kasutama
- kasutab ära
- kasutades
- kinnitamine
- väärtus
- Väärtused
- sort
- eri
- versioon
- versioonid
- kaudu
- nägemus
- tähtis
- vs
- oli
- we
- ilm
- web
- veebiteenused
- kas
- mis
- lai
- will
- koos
- jooksul
- Töö
- töövoog
- Töövoogud
- töö
- maailm
- oleks
- sa
- Sinu
- sephyrnet
- null