Yleisten konevikojen ennustaminen on valmistusteollisuudessa kriittistä. Kun otetaan huomioon tuotteen ominaisuudet, jotka on sidottu tietyntyyppiseen vikaan, voit kehittää mallin, joka voi ennustaa vikatyypin, kun syötät nämä attribuutit koneoppimismalliin (ML). ML voi auttaa näkemyksissä, mutta tähän asti olet tarvinnut ML-asiantuntijoita rakentamaan malleja, jotka ennustavat konevikojen tyyppejä, joiden puute voi viivästyttää yritysten tarvitsemia korjaavia toimenpiteitä tehokkuuden tai parantamisen vuoksi.
Tässä viestissä näytämme sinulle, kuinka yritysanalyytikot voivat rakentaa konevian tyypin ennustusmallin Amazon SageMaker Canvas. Canvas tarjoaa visuaalisen osoita ja napsauta -käyttöliittymän, jonka avulla voit luoda malleja ja luoda tarkkoja ML-ennusteita itse – ilman ML-kokemusta tai yhden koodirivin kirjoittamista.
Ratkaisun yleiskatsaus
Oletetaan, että olet yritysanalyytikko, joka on määrätty suuren tuotantoorganisaation huoltotiimiin. Huoltoryhmäsi on pyytänyt sinua auttamaan yleisten vikojen ennustamisessa. He ovat toimittaneet sinulle historiallisen tietojoukon, joka sisältää tietyntyyppiseen vikaan liittyviä ominaisuuksia ja haluavat sinun ennustavan, mikä vika ilmenee tulevaisuudessa. Vikatyyppejä ovat No Failure, Overstrain ja Power Failures. Tietoskeema on lueteltu seuraavassa taulukossa.
Sarakkeen nimi | Tietotyyppi | Kuvaus |
UID | INT | Yksilöllinen tunniste, joka vaihtelee välillä 1–10,000 XNUMX |
Tuotetunnus | STRING | Koostuu kirjaimesta L, M tai H (matala, keskitaso tai korkea) tuotteen laatuversioina ja versiokohtaisesta sarjanumerosta |
tyyppi | STRING | Tuotetunnukseen liittyvä alkukirjain, joka koostuu vain kirjaimista L, M tai H |
ilman lämpötila [K] | DECIMAL | Ilman lämpötila kelvineissä |
prosessilämpötila [K] | DECIMAL | Tarkasti kontrolloidut lämpötilat, joilla varmistetaan tietyntyyppisen kelvineinä määritellyn tuotteen laatu |
pyörimisnopeus [rpm] | DECIMAL | Akselin ympäri pyörivän esineen pyörimisnopeus on kappaleen kierrosten lukumäärä jaettuna ajalla, joka on määritetty kierroksina minuutissa |
vääntömomentti [Nm] | DECIMAL | Koneen kääntövoima säteen läpi, ilmaistaan newtonmetreinä |
työkalun kuluminen [min] | INT | Työkalun kuluminen minuutteina |
epäonnistumisen tyyppi (kohde) | STRING | Ei vikaa, virtakatkoa tai ylikuormitushäiriötä |
Kun vikatyyppi on tunnistettu, yritykset voivat ryhtyä korjaaviin toimiin. Tätä varten käytät CSV-tiedostossa olevia tietoja, jotka sisältävät tietyt tuotteen ominaisuudet taulukon mukaisesti. Käytä Canvasia seuraavien vaiheiden suorittamiseen:
- Tuo ylläpitotietojoukko.
- Kouluta ja rakenna ennakoiva koneenhuoltomalli.
- Analysoi mallin tulokset.
- Testaa ennusteita mallia vastaan.
Edellytykset
Pilvijärjestelmänvalvoja, jolla on AWS-tili seuraavien edellytysten täyttämiseen vaaditaan asianmukaiset luvat:
- Ota käyttöön Amazon Sage Maker domain Katso ohjeet Sisääntulo Amazon SageMaker -verkkotunnukseen.
- Käynnistä Canvas. Katso ohjeet Amazon SageMaker Canvasin määrittäminen ja hallinta (IT-järjestelmänvalvojille).
- Määritä eri lähteiden resurssien jakamisen (CORS) käytännöt Canvasille. Katso ohjeet Anna käyttäjillesi mahdollisuus ladata paikallisia tiedostoja.
Tuo tietojoukko
Lataa ensin ylläpidon tietojoukko ja tarkista tiedosto varmistaaksesi, että kaikki tiedot ovat siellä.
Canvas tarjoaa useita esimerkkitietojoukkoja sovelluksessasi, jotta pääset alkuun. Lisätietoja SageMakerin toimittamista näyteaineistoista, joita voit kokeilla, katso Käytä esimerkkitietojoukkoja. Jos käytät mallitietojoukkoa (canvas-sample-maintenance.csv
) saatavilla Canvasissa, sinun ei tarvitse tuoda ylläpitotietojoukkoa.
Voit tuoda tietoja eri tietolähteistä Canvasiin. Jos aiot käyttää omaa tietojoukkoasi, noudata ohjeita Tietojen tuonti Amazon SageMaker Canvasissa.
Tässä viestissä käytämme lataamaamme täyttä ylläpitotietojoukkoa.
- Kirjaudu sisään AWS-hallintakonsoli, käyttämällä tiliä, jolla on tarvittavat käyttöoikeudet Canvasiin.
- Kirjaudu sisään Canvas-konsoliin.
- Valita Tuo.
- Valita Lataa Ja valitse
maintenance_dataset.csv
tiedosto. - Valita Tuo päivämäärät ladataksesi sen Canvasille.
Tuontiprosessi kestää noin 10 sekuntia (tämä voi vaihdella tietojoukon koon mukaan). Kun se on valmis, näet, että tietojoukko on mukana Ready
tila.
Kun olet vahvistanut, että tuotu tietojoukko on ready
, voit luoda mallisi.
Rakenna ja kouluta malli
Luo ja kouluta mallisi suorittamalla seuraavat vaiheet:
- Valita Uusi mallija anna mallillesi nimi.
- Valita luoda.
- Valitse
maintenance_dataset.csv
ja valitse Valitse tietojoukko.
Mallinäkymässä näet neljä välilehteä, jotka vastaavat neljää vaihetta mallin luomiseksi ja sen käyttämiseksi ennusteiden luomiseen: valita, Rakentaa, Analysoidaja Ennustaa. - On valita välilehdestä
maintenance_dataset.csv
aiemmin lataamasi tietojoukko ja valitse Valitse tietojoukko.
Tämä tietojoukko sisältää 9 saraketta ja 10,000 XNUMX riviä. Kanvas siirtyy automaattisesti rakennusvaiheeseen. - Valitse tässä välilehdessä kohdesarake, meidän tapauksessamme Vikatyyppi.Ylläpitotiimi on ilmoittanut, että tämä sarake osoittaa tyypillisesti havaitut viat olemassa olevien koneiden historiatietojen perusteella. Tämä on se, mitä haluat kouluttaa mallisi ennustamaan. Canvas havaitsee automaattisesti, että tämä on a 3 Luokka ongelma (tunnetaan myös nimellä moniluokkainen luokitus). Jos havaitaan väärä mallityyppi, voit vaihtaa sen manuaalisesti -painikkeella Vaihda tyyppi vaihtoehto.
On huomattava, että tämä tietojoukko on erittäin epätasapainossa No Failure -luokan suhteen, mikä näkyy katsomalla saraketta nimeltä Vikatyyppi. Vaikka Canvas ja sen taustalla olevat AutoML-ominaisuudet voivat osittain käsitellä tietojoukon epätasapainoa, tämä voi johtaa joidenkin vääristyneiden suorituskykyyn. Katso lisävaiheena Tasapainota tietosi koneoppimista varten Amazon SageMaker Data Wranglerin avulla. Noudattamalla jaetun linkin ohjeita voit käynnistää Amazon SageMaker Studio sovellus SageMaker-konsolista ja tuo tämä tietojoukko sisään Amazon SageMaker Data Wrangler ja käytä Tasapainotietomuunnosa, vie sitten tasapainotettu tietojoukko takaisin Canvasiin ja jatka seuraavien vaiheiden mukaisesti. Jatkamme epätasapainoista tietojoukkoa tässä viestissä osoittaaksemme, että Canvas pystyy käsittelemään myös epätasapainoisia tietojoukkoja.
Sivun alaosassa voit tarkastella joitain tietojoukon tilastoja, mukaan lukien puuttuvat ja yhteensopimattomat arvot, yksilölliset arvot sekä keski- ja mediaaniarvot. Voit myös pudottaa joitain sarakkeita, jos et halua käyttää niitä ennustukseen, poistamalla niiden valinnan.
Kun olet tutustunut tähän osioon, on aika kouluttaa malli! Ennen täydellisen mallin rakentamista on hyvä käytäntö saada yleinen käsitys mallin suorituskyvystä kouluttamalla pikamalli. Nopea malli kouluttaa vähemmän mallien ja hyperparametrien yhdistelmiä priorisoidakseen nopeuden tarkkuuden edelle, varsinkin tapauksissa, joissa haluat todistaa ML-mallin koulutuksen arvon käyttötapauksessasi. Huomaa, että pikarakennusvaihtoehto ei ole käytettävissä malleissa, jotka ovat suurempia kuin 50,000 XNUMX riviä. - Valita Nopea rakentaa.
Nyt odotat missä tahansa 2–15 minuuttia. Kun olet valmis, Canvas siirtyy automaattisesti kohteeseen Analysoida -välilehti näyttää sinulle nopean harjoittelun tulokset. Quick buildilla tehty analyysi arvioi, että mallisi pystyy ennustamaan oikean vikatyypin (tuloksen) 99.2 % ajasta. Saatat kokea hieman erilaisia arvoja. Tätä odotetaan.
Keskitytään ensimmäiseen välilehteen, Yleiskatsaus. Tämä on välilehti, joka näyttää sinulle Sarakkeen vaikutustai kunkin sarakkeen arvioitu merkitys kohdesarakkeen ennustamisessa. Tässä esimerkissä Vääntömomentti [Nm] ja Pyörimisnopeus [rpm] -sarakkeilla on merkittävin vaikutus ennustettaessa, minkä tyyppistä vikaa esiintyy.
Arvioi mallin suorituskykyä
Kun siirryt kohteeseen Pisteytys osassa analyysiäsi, näet käyrän, joka edustaa ennustettujen arvojen jakautumista suhteessa todellisiin arvoihin. Huomaa, että useimmat viat kuuluvat No Failure -luokkaan. Saat lisätietoja siitä, kuinka Canvas käyttää SHAP-perustasoja tuodakseen selitettävyyttä ML:ään, katso Arvioi mallisi suorituskykyä Amazon SageMaker CanvasissaSekä SHAP-perustiedot selitettävyydestä.
Canvas jakaa alkuperäisen tietojoukon harjoitus- ja validointijoukoiksi ennen koulutusta. Pisteytys johtuu siitä, että Canvas suorittaa validointisarjan mallia vastaan. Tämä on interaktiivinen käyttöliittymä, jossa voit valita vian tyypin. Jos valitset Ylikuormitusvirhe grafiikassa voit nähdä, että malli tunnistaa nämä 84 % ajasta. Tämä on riittävän hyvä ryhtyä toimenpiteisiin – kenties pyydä käyttäjää tai insinööriä tarkistamaan lisää. Voit valita Sähkökatko kaaviossa nähdäksesi vastaavat pisteytykset lisätulkintaa ja -toimintoja varten.
Saatat olla kiinnostunut vikatyypeistä ja siitä, kuinka hyvin malli ennustaa vikatyypit syötteiden sarjan perusteella. Jos haluat tarkastella tuloksia tarkemmin, valitse Kehittyneet mittarit. Tämä näyttää matriisin, jonka avulla voit tarkastella tuloksia tarkemmin. ML:ssä tähän viitataan nimellä a sekaannusmatriisi.
Tämän matriisin oletuksena on hallitseva luokka, No Failure. Käytössä luokka -valikossa voit tarkastella kahden muun vikatyypin, Overstrain Failure ja Power Failure, lisämittareita.
ML:ssä mallin tarkkuus määritellään oikeiden ennusteiden lukumääränä jaettuna ennusteiden kokonaismäärällä. Siniset laatikot edustavat oikeita ennusteita, jotka malli teki testitietojen osajoukkoa vastaan, jossa tulos oli tunnettu. Täällä olemme kiinnostuneita siitä, kuinka monta prosenttia ajasta malli ennusti tietyn koneen vikatyypin (sanotaan Ei epäonnistumista) kun se todella on vikatyyppi (Ei epäonnistumista). ML:ssä tämän mittaamiseen käytetty suhde on TP / (TP + FN). Tätä kutsutaan nimellä muistaa. Oletustapauksessa No Failure oli 1,923 1,926 oikeaa ennustetta 99 XNUMX kokonaistietueesta, mikä johti XNUMX %:iin. muistaa. Vaihtoehtoisesti luokassa Overstrain Failure oli 32/38, mikä johtaa 84 %:iin. muistaa. Lopuksi tehokatkosten luokassa oli 16/19, mikä johtaa 84 %:iin. muistaa.
Nyt sinulla on kaksi vaihtoehtoa:
- Voit käyttää tätä mallia ennusteiden suorittamiseen valitsemalla Ennustaa.
- Voit luoda tästä mallista uuden version harjoittelua varten Vakiorakenne vaihtoehto. Tämä kestää paljon kauemmin – noin 1–2 tuntia – mutta tarjoaa luotettavamman mallin, koska se käy läpi tietojen, algoritmien ja viritysiteraatioiden täydellisen AutoML-tarkistuksen.
Koska yrität ennustaa vikoja ja malli ennustaa viat oikein 84 % ajasta, voit luotettavasti käyttää mallia mahdollisten vikojen tunnistamiseen. Joten voit siirtyä vaihtoehtoon 1. Jos et ole varma, voit pyytää datatutkijaa tarkistamaan Canvasin mallinnuksen ja tarjoamaan mahdollisia parannuksia vaihtoehdon 2 kautta.
Luo ennusteita
Nyt kun malli on koulutettu, voit aloittaa ennusteiden luomisen.
- Valita Ennustaa pohjalla Analysoida sivu tai valitse Ennustaa Tab.
- Valita Valitse tietojoukkoja valitse
maintenance_dataset.csv
tiedosto. - Valita Luo ennusteita.
Canvas käyttää tätä tietojoukkoa ennusteemme luomiseen. Vaikka on yleensä hyvä idea olla käyttämättä samaa tietojoukkoa sekä koulutukseen että testaukseen, voit käyttää samaa tietojoukkoa yksinkertaisuuden vuoksi tässä tapauksessa. Vaihtoehtoisesti voit poistaa joitain tietueita alkuperäisestä koulutukseen käyttämästäsi tietojoukosta ja käyttää niitä CSV-tiedostossa ja syöttää ne eräennusteeseen täällä, jotta et käytä samaa tietojoukkoa harjoituksen jälkeiseen testaukseen.
Muutaman sekunnin kuluttua ennustus on valmis. Canvas palauttaa ennusteen jokaiselle tietoriville ja todennäköisyyden, että ennuste on oikea. Voit valita preview nähdäksesi ennusteet tai valitse Lataa ladataksesi koko lähdön sisältävän CSV-tiedoston.
Voit myös ennustaa arvot yksitellen valitsemalla Yksittäinen ennuste sijasta Eräennustus. Canvas näyttää näkymän, jossa voit antaa kunkin ominaisuuden arvot manuaalisesti ja luoda ennusteen. Tämä on ihanteellinen tilanteisiin, kuten mitä jos -skenaarioihin, esimerkiksi: Miten työkalun kuluminen vaikuttaa vian tyyppiin? Entä jos prosessin lämpötila nousee tai laskee? Entä jos pyörimisnopeus muuttuu?
Vakiorakenne
- Vakiorakenne vaihtoehto valitsee tarkkuuden nopeuden sijaan. Jos haluat jakaa mallin artefaktit datatutkijasi ja ML-insinöörisi kanssa, voit luoda seuraavaksi vakiokoontiversion.
- Valita Lisää versio
- Valitse uusi versio ja valitse Vakiorakenne.
- Kun olet luonut vakiokoontiversion, voit jakaa mallin datatutkijoiden ja ML-insinöörien kanssa lisäarviointia ja iterointia varten.
Puhdistaa
Välttääksesi tulevaisuuden istuntomaksut, kirjaudu ulos Canvasista.
Yhteenveto
Tässä viestissä näytimme, kuinka yritysanalyytikko voi luoda konevian tyyppisen ennustemallin Canvasilla ylläpitotietojen avulla. Canvasin avulla yritysanalyytikot, kuten luotettavuusinsinöörit, voivat luoda tarkkoja ML-malleja ja ennusteita käyttämällä kooditonta visuaalista osoita ja napsauta käyttöliittymää. Analyytikot voivat viedä tämän uudelle tasolle jakamalla mallinsa datatieteilijöiden kanssa. Datatieteilijät voivat tarkastella Canvas-mallia Studiossa, jossa he voivat tutkia Canvasin tekemiä valintoja, validoida mallin tuloksia ja jopa viedä mallin tuotantoon muutamalla napsautuksella. Tämä voi nopeuttaa ML-pohjaista arvon luomista ja auttaa skaalaamaan parempia tuloksia nopeammin.
Lisätietoja Canvasin käytöstä on kohdassa Rakenna, jaa, ota käyttöön: kuinka yritysanalyytikot ja datatieteilijät saavuttavat nopeamman markkinoilletulon koodittoman ML:n ja Amazon SageMaker Canvasin avulla. Lisätietoja ML-mallien luomisesta koodittomalla ratkaisulla on kohdassa Amazon SageMaker Canvas julkistetaan – visuaalinen, kooditon koneoppimisominaisuus yritysanalyytikoille.
Tietoja Tekijät
Rajakumar Sampathkumar on AWS:n pääasiallinen tekninen asiakaspäällikkö, joka opastaa asiakkaita liiketoiminta-teknologian yhteensovittamisessa ja tukee heidän pilvitoimintamalliensa ja -prosessiensa uudelleenkeksimistä. Hän on intohimoinen pilvi- ja koneoppimiseen. Raj on myös koneoppimisen asiantuntija ja työskentelee AWS-asiakkaiden kanssa heidän AWS-työkuormien ja -arkkitehtuurien suunnittelussa, käyttöönotossa ja hallinnassa.
Twann Atkins on Amazon Web Servicesin vanhempi ratkaisuarkkitehti. Hän vastaa työskentelystä maatalous-, vähittäiskauppa- ja tuotantoasiakkaiden kanssa yritysten ongelmien tunnistamiseksi ja taaksepäin toimivien ja skaalautuvien teknisten ratkaisujen löytämiseksi. Twann on auttanut asiakkaita suunnittelemaan ja siirtämään kriittisiä työkuormia yli 10 vuoden ajan keskittyen viime aikoina analytiikan, tekoälyn ja koneoppimisen demokratisointiin tulevaisuuden asiakkaille ja rakentajille.
Omkar Mukadam on Edge Specialist Solution Architecture Amazon Web Services -palvelussa. Hän keskittyy tällä hetkellä ratkaisuihin, joiden avulla kaupalliset asiakkaat voivat suunnitella, rakentaa ja skaalata tehokkaasti AWS Edge -palvelutarjonnan avulla, joka sisältää, mutta ei rajoittuen, AWS Snow Familyn.
- Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
- CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
- Lähde: 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
- kyky
- Meistä
- kiihdyttää
- pääsy
- Tili
- tarkka
- Saavuttaa
- Toiminta
- toimet
- lisä-
- admin
- ylläpitäjät
- kehittynyt
- vastaan
- maatalous
- algoritmit
- Kaikki
- mahdollistaa
- Vaikka
- Amazon
- Amazon Web Services
- analysoida
- analyysi
- analyytikko
- Analytics
- kaikkialla
- sovelluksen
- Hakemus
- sopiva
- suunnilleen
- arkkitehtuuri
- noin
- keinotekoinen
- tekoäly
- Keinotekoinen älykkyys ja koneoppiminen
- osoitettu
- liittyvä
- attribuutteja
- automaattisesti
- saatavissa
- AWS
- Akseli
- koska
- ennen
- ovat
- suurempi
- reunus
- tuoda
- rakentaa
- Rakentaminen
- liiketoiminta
- yritykset
- kangas
- kyvyt
- tapaus
- tapauksissa
- Kategoria
- tietty
- muuttaa
- valintoja
- Valita
- luokka
- lähempänä
- pilvi
- koodi
- työtovereiden
- Sarake
- yhdistelmät
- kaupallinen
- Yhteinen
- täydellinen
- luottavainen
- Console
- sisältää
- jatkaa
- voisi
- luoda
- Luominen
- luominen
- kriittinen
- Tällä hetkellä
- Asiakkaat
- tiedot
- tietojen tutkija
- viivyttää
- Riippuen
- sijoittaa
- Malli
- havaittu
- kehittää
- DID
- eri
- näytöt
- jakelu
- verkkotunnuksen
- download
- Pudota
- kukin
- reuna
- tehokkaasti
- mahdollistaa
- insinööri
- Engineers
- erityisesti
- arvioidaan
- arviot
- arvioida
- arviointi
- esimerkki
- olemassa
- odotettu
- experience
- kokeilu
- asiantuntijat
- tutkia
- ilmaistuna
- Epäonnistuminen
- perhe
- nopeampi
- Ominaisuus
- Etunimi
- Keskittää
- keskittyy
- seurata
- jälkeen
- alkaen
- koko
- edelleen
- tulevaisuutta
- general
- yleensä
- tuottaa
- tuottaa
- hyvä
- kahva
- ottaa
- auttaa
- auttaa
- tätä
- erittäin
- historiallinen
- Miten
- HTTPS
- ajatus
- ihanteellinen
- tunnistaa
- Vaikutus
- merkitys
- parani
- parannus
- sisältää
- sisältää
- Mukaan lukien
- teollisuuden
- tiedot
- tietoa
- oivalluksia
- Älykkyys
- vuorovaikutteinen
- kiinnostunut
- liitäntä
- tulkinta
- IT
- tunnettu
- suuri
- käynnistää
- OPPIA
- oppiminen
- Taso
- rajallinen
- linja
- LINK
- lueteltu
- paikallinen
- katso
- kone
- koneoppiminen
- Koneet
- tehty
- huolto
- tehdä
- hoitaa
- johto
- johtaja
- toimitusjohtaja
- käsin
- valmistus
- Matriisi
- mitata
- keskikokoinen
- Metrics
- ML
- malli
- mallit
- lisää
- eniten
- liikkua
- seuraava
- huomattava
- numero
- kampanja
- tarjoukset
- toiminta
- operaattori
- Vaihtoehto
- Vaihtoehdot
- tilata
- organisaatio
- alkuperäinen
- Muut
- yleinen
- oma
- erityinen
- intohimoinen
- osuus
- suorituskyky
- Esitykset
- vaihe
- politiikkaa
- mahdollinen
- mahdollinen
- teho
- harjoitusta.
- ennustaa
- ennustus
- Ennusteet
- Pääasiallinen
- Ongelma
- ongelmia
- prosessi
- Prosessit
- Tuotteet
- Tuotteen laatu
- tuotanto
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- laatu
- nopea
- alainen
- äskettäinen
- asiakirjat
- edustaa
- edustavat
- tarvitaan
- resurssi
- vastuullinen
- tulokset
- vähittäiskauppa
- Tuotto
- arviot
- ajaa
- juoksu
- sama
- skaalautuva
- Asteikko
- Tiedemies
- tutkijat
- pisteytys
- sekuntia
- sarja
- Sarjat
- palvelu
- Palvelut
- setti
- useat
- Jaa:
- yhteinen
- jakaminen
- näyttää
- merkittävä
- single
- Koko
- lumi
- So
- vankka
- ratkaisu
- Ratkaisumme
- jonkin verran
- asiantuntija
- nopeus
- splits
- standardi
- Alkaa
- alkoi
- tilasto
- Tila
- studio
- Tukea
- Kohde
- joukkue-
- Tekninen
- testi
- Testaus
- -
- Kautta
- tied
- aika
- huomenna
- työkalu
- kohti
- koulutus
- junat
- Muutos
- tyypit
- tyypillisesti
- unique
- käyttää
- Käyttäjät
- validointi
- arvo
- versio
- Näytä
- odottaa
- verkko
- verkkopalvelut
- Mitä
- sisällä
- työskentely
- toimii
- olisi
- vuotta
- Sinun