Tämä viesti on kirjoitettu yhdessä BigBasketin Santosh Waddin ja Nanda Kishore Thatikondan kanssa.
BigBasket on Intian suurin verkkoruoka- ja ruokakauppa. Ne toimivat useissa verkkokauppakanavissa, kuten pikakaupassa, välitoimituksessa ja päivittäisissä tilauksissa. Voit myös ostaa heidän fyysisistä liikkeistään ja myyntiautomaateista. Ne tarjoavat yli 50,000 1,000 tuotteen laajan valikoiman 500 10 tuotemerkiltä, ja ne toimivat yli XNUMX kaupungissa. BigBasket palvelee yli XNUMX miljoonaa asiakasta.
Tässä viestissä keskustelemme siitä, kuinka BigBasket käytti Amazon Sage Maker kouluttaa tietokonenäkömalliaan nopeasti liikkuvien kulutustavaroiden (FMCG) tuotteiden tunnistamiseen, mikä auttoi heitä lyhentämään koulutusaikaa noin 50 % ja säästämään kustannuksia 20 %.
Asiakkaiden haasteet
Nykyään useimmat Intian supermarketit ja fyysiset kaupat tarjoavat manuaalisen kassan kassalla. Tässä on kaksi ongelmaa:
- Se vaatii lisätyövoimaa, painotarroja ja toistuvaa koulutusta myymälän operatiiviselle tiimille niiden skaalautuessa.
- Useimmissa myymälöissä kassatiski on erilainen kuin punnituslaskuri, mikä lisää kitkaa asiakkaan ostoprosessissa. Asiakkaat menettävät usein painotarran, ja heidän on palattava punnitustiskille noutamaan se uudelleen ennen kassaprosessin jatkamista.
Omatoiminen kassaprosessi
BigBasket esitteli fyysisissä myymälöissään tekoälyllä toimivan kassajärjestelmän, joka käyttää kameroita erottamaan tuotteet yksilöllisesti. Seuraava kuva antaa yleiskatsauksen kassaprosessista.
BigBasket-tiimi käytti avoimen lähdekoodin sisäisiä ML-algoritmeja tietokonenäköobjektien tunnistamiseen tehostaakseen tekoälyn mahdollistamaa kassaa. fresho (fyysiset) kaupat. Kohtasimme seuraavat haasteet käyttääksemme heidän nykyistä järjestelmäänsä:
- Uusien tuotteiden jatkuvan käyttöönoton myötä tietokonenäkömallin piti jatkuvasti sisällyttää uutta tuotetietoa. Järjestelmän täytyi käsitellä laajaa luetteloa, jossa oli yli 12,000 600 varastoyksikköä (SKU), ja uusia SKU:ita lisättiin jatkuvasti yli XNUMX kuukaudessa.
- Uusien tuotteiden tahdissa pysymiseksi valmistettiin joka kuukausi uusi malli käyttämällä viimeisimpiä harjoitustietoja. Mallien säännöllinen kouluttaminen sopeutumaan uusiin tuotteisiin oli kallista ja aikaa vievää.
- BigBasket halusi myös lyhentää harjoitusjakson aikaa parantaakseen markkinoilletuloaikaa. SKU:iden nousun vuoksi mallin käyttämä aika piteni lineaarisesti, mikä vaikutti niiden markkinoilletuloaikaan, koska harjoitustiheys oli erittäin korkea ja kesti kauan.
- Tietojen lisääminen mallikoulutukseen ja täydellisen harjoitussyklin manuaalinen hallinta lisäsi merkittävästi yleiskustannuksia. BigBasket käytti tätä kolmannen osapuolen alustalla, mikä aiheutti merkittäviä kustannuksia.
Ratkaisun yleiskatsaus
Suosittelemme, että BigBasket suunnittelee uudelleen olemassa olevan FMCG-tuotteiden tunnistus- ja luokitteluratkaisunsa SageMakerin avulla vastatakseen näihin haasteisiin. Ennen siirtymistään täysimittaiseen tuotantoon BigBasket kokeili SageMakerin pilottia arvioidakseen suorituskykyä, kustannuksia ja käyttömukavuusmittareita.
Heidän tavoitteenaan oli hienosäätää olemassa olevaa tietokonenäkökoneoppimismallia (ML) SKU-tunnistukseen. Käytimme konvoluutiohermoverkon (CNN) arkkitehtuuria ResNet152 kuvien luokittelua varten. Malliharjoittelua varten arvioitiin mittava noin 300 kuvan tietojoukko SKU:ta kohden, mikä johti yli 4 miljoonaan harjoituskuvaan. Tiettyjen SKU:iden osalta laajensimme tietoja kattamaan laajemmat ympäristöolosuhteet.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Koko prosessi voidaan tiivistää seuraaviin korkean tason vaiheisiin:
- Suorita tietojen puhdistus, huomautukset ja lisäys.
- Tallenna tiedot an Amazonin yksinkertainen tallennuspalvelu (Amazon S3)-kauha.
- Käytä SageMakeria ja Amazon FSx Lusterille tehokkaaseen tiedon lisäämiseen.
- Jaa tiedot juna-, validointi- ja testisarjoiksi. Käytimme FSx:ää Lusterille ja Amazon Relational Database -palvelu (Amazon RDS) nopeaa rinnakkaista dataa varten.
- Käytä mukautettua PyTorch Docker-säilö, mukaan lukien muut avoimen lähdekoodin kirjastot.
- Käyttää SageMaker Distributed Data Parallelism (SMDDP) nopeutettuun hajautettuun koulutukseen.
- Lokimallin koulutusmittarit.
- Kopioi lopullinen malli S3-ämpäriin.
BigBasket käytetty SageMaker muistikirjat kouluttaakseen ML-mallejaan ja pystyivät helposti siirtämään olemassa olevat avoimen lähdekoodin PyTorchin ja muut avoimen lähdekoodin riippuvuudet SageMaker PyTorch -säilöön ja ajamaan putkia saumattomasti. Tämä oli ensimmäinen etu, jonka BigBasket-tiimi näki, koska koodiin ei tarvinnut juurikaan tehdä muutoksia, jotta se olisi yhteensopiva toimimaan SageMaker-ympäristössä.
Malliverkko koostuu ResNet 152 -arkkitehtuurista, jota seuraa täysin yhdistetyt kerrokset. Jäädytimme matalan tason ominaisuustasot ja säilytimme ImageNet-mallista siirron oppimisen kautta hankitut painot. Mallin kokonaisparametreja oli 66 miljoonaa, jotka koostuivat 23 miljoonasta koulutettavasta parametrista. Tämä siirtooppimiseen perustuva lähestymistapa auttoi heitä käyttämään vähemmän kuvia harjoitteluhetkellä ja mahdollisti myös nopeamman konvergenssin ja lyhensi harjoittelun kokonaisaikaa.
Mallin rakentaminen ja kouluttaminen sisällä Amazon SageMaker Studio tarjosi integroidun kehitysympäristön (IDE), joka sisältää kaiken tarvittavan mallien valmisteluun, rakentamiseen, kouluttamiseen ja virittämiseen. Harjoitustietojen lisääminen tekniikoilla, kuten kuvien rajaaminen, kääntäminen ja kääntäminen, auttoi parantamaan mallin harjoitustietoja ja mallin tarkkuutta.
Mallin koulutus nopeutui 50 % käyttämällä SMDDP-kirjastoa, joka sisältää optimoidut viestintäalgoritmit, jotka on suunniteltu erityisesti AWS-infrastruktuuriin. Parantaaksemme tietojen luku-/kirjoitussuorituskykyä mallin koulutuksen ja tietojen lisäyksen aikana käytimme FSx for Luster -tekniikkaa korkean suorituskyvyn saavuttamiseksi.
Heidän aloitusharjoitustietojen kokonsa oli yli 1.5 TB. Käytimme kaksi Amazonin elastinen laskentapilvi (Amazon EC2) p4d.24 suuria esiintymiä 8 GPU:lla ja 40 Gt GPU-muistilla. SageMaker hajautetun koulutuksen tapauksessa esiintymien on oltava samalla AWS-alueella ja saatavuusvyöhykkeellä. Myös S3-ämpäriin tallennettujen harjoitustietojen on oltava samalla saatavuusvyöhykkeellä. Tämä arkkitehtuuri mahdollistaa myös BigBasketin vaihtamisen muihin ilmentymätyyppeihin tai uusien esiintymien lisäämiseen nykyiseen arkkitehtuuriin, jotta se pystyy vastaamaan merkittävään datan kasvuun tai vähentämään koulutusaikaa entisestään.
Kuinka SMDDP-kirjasto auttoi vähentämään koulutusaikaa, kustannuksia ja monimutkaisuutta
Perinteisessä hajautetussa datakoulutuksessa koulutuskehys määrittää arvot GPU:ille (työntekijöille) ja luo mallistasi kopion jokaiselle GPU:lle. Jokaisen harjoittelun aikana globaali dataerä jaetaan osiin (erän sirpaleita) ja pala jaetaan kullekin työntekijälle. Jokainen työntekijä jatkaa sitten kunkin GPU:n harjoitusskriptissäsi määritellyllä eteenpäin- ja taaksepäinsiirrolla. Lopuksi mallin painot ja gradientit eri mallikopioista synkronoidaan iteraation lopussa AllReduce-nimisen kollektiivisen viestintäoperaation kautta. Kun jokaisella työntekijällä ja GPU:lla on mallin synkronoitu kopio, seuraava iteraatio alkaa.
SMDDP-kirjasto on kollektiivinen viestintäkirjasto, joka parantaa tämän hajautetun datan rinnakkaisharjoitusprosessin suorituskykyä. SMDDP-kirjasto vähentää tärkeimpien kollektiivisten viestintätoimintojen, kuten AllReducen, viestintäkustannuksia. Sen AllReduce-toteutus on suunniteltu AWS-infrastruktuurille, ja se voi nopeuttaa harjoittelua limittämällä AllReduce-toiminnon taaksepäin siirtymisen kanssa. Tämä lähestymistapa saavuttaa lähes lineaarisen skaalaustehokkuuden ja nopeamman harjoitusnopeuden optimoimalla ytimen toiminnot suorittimien ja GPU:iden välillä.
Huomaa seuraavat laskelmat:
- Globaalin erän koko on (klusterin solmujen määrä) * (GPU:iden määrä solmua kohti) * (erän sirpale)
- Eräsirpale (pieni erä) on tietojoukon osajoukko, joka on määritetty kullekin GPU:lle (työntekijälle) iteraatiota kohti
BigBasket käytti SMDDP-kirjastoa lyhentääkseen harjoitusaikaansa. FSx for Lustrella pienensimme tietojen luku-/kirjoituskapasiteettia mallin koulutuksen ja tietojen lisäyksen aikana. Datan rinnakkaisuuden ansiosta BigBasket pystyi saavuttamaan lähes 50 % nopeamman ja 20 % halvemman koulutuksen muihin vaihtoehtoihin verrattuna, mikä tarjosi parhaan suorituskyvyn AWS:ssä. SageMaker sammuttaa koulutusprosessin automaattisesti valmistumisen jälkeen. Projekti valmistui onnistuneesti 50 % nopeammalla harjoitusajalla AWS:ssä (4.5 päivää AWS:ssä vs. 9 päivää heidän vanhalla alustallaan).
Tätä viestiä kirjoitettaessa BigBasket on käyttänyt täydellistä ratkaisua tuotannossa yli 6 kuukautta ja skaalannut järjestelmää tarjoamalla palveluita uusiin kaupunkeihin, ja lisäämme uusia kauppoja joka kuukausi.
"Kumppanuutemme AWS:n kanssa siirtymisestä hajautettuun koulutukseen heidän SMDDP-tarjouksensa avulla on ollut suuri voitto. Se ei ainoastaan lyhentänyt harjoitusaikojamme 50 %, vaan se oli myös 20 % halvempi. Koko kumppanuudessamme AWS on asettanut riman asiakkaiden pakkomielle ja tuottaa tuloksia – työskennellyt kanssamme koko matkan saavuttaakseen luvatut edut.
– Keshav Kumar, BigBasketin suunnittelujohtaja.
Yhteenveto
Tässä viestissä keskustelimme siitä, kuinka BigBasket käytti SageMakeria kouluttaakseen tietokonenäkömalliaan FMCG-tuotteiden tunnistamiseen. Tekoälykäyttöisen automatisoidun itsekassajärjestelmän käyttöönotto tarjoaa parannetun vähittäisasiakaskokemuksen innovaatioiden avulla ja eliminoi inhimilliset virheet kassaprosessissa. Uusien tuotteiden käyttöönoton nopeuttaminen käyttämällä SageMaker-hajautettua koulutusta vähentää SKU:n käyttöönottoaikaa ja -kustannuksia. FSx for Lusterin integrointi mahdollistaa nopean rinnakkaisen tiedonsaannin tehokkaaseen mallin uudelleenkoulutukseen sadoilla uusilla SKU:illa kuukausittain. Kaiken kaikkiaan tämä tekoälypohjainen itsepalveluratkaisu tarjoaa parannetun ostokokemuksen ilman käyttöliittymän kassavirheitä. Automaatio ja innovaatiot ovat muuttaneet heidän vähittäiskaupan kassa- ja käyttöönottotoimintoja.
SageMaker tarjoaa päästä päähän ML-kehitys-, käyttöönotto- ja seurantaominaisuuksia, kuten SageMaker Studio -muistikirjaympäristön koodin kirjoittamista, tiedonkeruuta, tietojen merkitsemistä, mallin koulutusta, mallin viritystä, käyttöönottoa, valvontaa ja paljon muuta varten. Jos yrityksesi kohtaa jotain tässä viestissä kuvatuista haasteista ja haluat säästää aikaa markkinoinnissa ja kustannusten parantamisessa, ota yhteyttä alueesi AWS-tilitiimiin ja aloita SageMakerin käyttö.
Tietoja Tekijät
Santosh Waddi on pääinsinööri BigBasketissa, tuo yli vuosikymmenen asiantuntemusta tekoälyhaasteiden ratkaisemisesta. Hänellä on vahva tausta tietokonenäön, datatieteen ja syväoppimisen parissa, ja hänellä on jatkotutkinto IIT Bombaysta. Santosh on kirjoittanut merkittäviä IEEE-julkaisuja, ja kokeneena teknologiablogin kirjoittajana hän on myös osallistunut merkittävästi tietokonenäköratkaisujen kehittämiseen Samsungin palveluksessa.
Nanda Kishore Thatikonda on suunnittelupäällikkö, joka johtaa tietotekniikkaa ja analytiikkaa BigBasketissa. Nanda on rakentanut useita sovelluksia poikkeamien havaitsemiseen, ja sillä on patentti jätetty samanlaiseen tilaan. Hän on työskennellyt yritystason sovellusten rakentamisessa, tietoalustojen rakentamisessa useissa organisaatioissa ja raportointialustoissa tehostaakseen dataan perustuvia päätöksiä. Nandalla on yli 18 vuoden kokemus Java/J2EE-, Spring-teknologioiden ja Hadoopin ja Apache Sparkin käyttämien big data -kehysten parissa.
Sudhanshu Hate on AWS:n pääasiallinen AI- ja ML-asiantuntija ja työskentelee asiakkaiden kanssa neuvoakseen heitä heidän MLOpsissa ja generatiivisessa tekoälymatkassaan. Edellisessä tehtävässään hän konseptoi, loi ja johti tiimejä rakentamaan maaperän avoimen lähdekoodin tekoäly- ja pelillistämisalustaa ja kaupallistanut sen menestyksekkäästi yli 100 asiakkaan kanssa. Sudhanshun ansioksi kuuluu pari patenttia; on kirjoittanut 2 kirjaa, useita papereita ja blogeja; ja on esittänyt näkökantansa useilla foorumeilla. Hän on ollut ajatusjohtaja ja puhuja, ja hän on ollut alalla lähes 25 vuotta. Hän on työskennellyt Fortune 1000 -asiakkaiden kanssa ympäri maailmaa, ja viimeksi hän työskentelee digitaalisten alkuperäisasiakkaiden kanssa Intiassa.
Ayush Kumar on AWS:n ratkaisuarkkitehti. Hän työskentelee useiden AWS-asiakkaiden kanssa auttaen heitä ottamaan käyttöön uusimmat modernit sovellukset ja innovoimaan nopeammin pilvipohjaisten teknologioiden avulla. Löydät hänet kokeilemassa keittiössä vapaa-ajallaan.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/how-bigbasket-improved-ai-enabled-checkout-at-their-physical-stores-using-amazon-sagemaker/
- :on
- :On
- :ei
- $ 10 euroa
- $ YLÖS
- 000
- 1
- 10
- 100
- 12
- 120
- 13
- 152
- 23
- 24
- 25
- 300
- 40
- 50
- 500
- 600
- 66
- 7
- 8
- 80
- 9
- 98
- a
- pystyy
- kiihtyi
- kiihtyvä
- pääsy
- Tili
- tarkkuus
- Saavuttaa
- päästään
- hankittu
- hankinta
- poikki
- sopeuttaa
- lisätä
- lisä-
- lisää
- lisä-
- osoite
- Lisää
- hyväksyä
- neuvoa
- Jälkeen
- uudelleen
- AI
- AI-käyttöinen
- algoritmit
- mahdollistaa
- melkein
- Myös
- vaihtoehdot
- Amazon
- Amazon EC2
- Amazon RDS
- Amazon Sage Maker
- Amazon Web Services
- an
- Analytics
- ja
- poikkeavuuden havaitseminen
- Kaikki
- Apache
- sovellukset
- lähestymistapa
- suunnilleen
- arkkitehtuuri
- OVAT
- noin
- AS
- osoitettu
- lajitelma
- At
- täydennetty
- kirjoittaja
- tekemääsi
- Automatisoitu
- automaattisesti
- Automaatio
- saatavuus
- AWS
- takaisin
- Tukena
- tausta
- baari
- BE
- koska
- ollut
- ennen
- alkaa
- ovat
- hyödyttää
- Hyödyt
- PARAS
- välillä
- Iso
- Big Data
- Blogi
- blogit
- Kirjat
- merkit
- Tuo
- laajempaa
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- Ostetaan
- by
- laskelmat
- nimeltään
- kamerat
- CAN
- kyvyt
- luettelo
- tyydyttää
- ateriapalvelu
- tietty
- haasteet
- muuttaa
- Muutokset
- kanavat
- halvempaa
- Kassa
- Kaupungit
- luokittelu
- asiakkaat
- Cluster
- CNN
- koodi
- kerätä
- Kollektiivinen
- Kaupankäynti
- Viestintä
- verrattuna
- yhteensopiva
- täydellinen
- Valmistunut
- Laskea
- tietokone
- Tietokoneen visio
- olosuhteet
- kytketty
- Koostuu
- muodostuu
- kuluttaja
- kuluttaa
- Kontti
- jatkuvasti
- jatkuva
- jatkuvasti
- maksut
- mukavuus
- Lähentyminen
- Hinta
- kallis
- kustannukset
- Laskuri
- laskurit
- Pari
- luotu
- luo
- pisteitä
- Nykyinen
- asiakassuhde
- asiakas
- asiakaskokemus
- Asiakkaat
- Leikkaus
- sykli
- päivittäin
- tiedot
- tietojen käyttö
- tietojenkäsittely
- tietokanta
- päivää
- vuosikymmen
- päätökset
- syvä
- syvä oppiminen
- määritelty
- Aste
- tuottaa
- Antaa
- toimitus
- riippuvuudet
- käyttöönotto
- on kuvattu
- suunniteltu
- Detection
- Kehitys
- kaavio
- DID
- eri
- digitaalinen
- pohtia
- keskusteltiin
- erottaa
- jaettu
- hajautettu koulutus
- jaettu
- Satamatyöläinen
- alas
- kaksi
- aikana
- kukin
- helposti
- verkkokaupan
- tehokkuus
- tehokas
- poistamalla
- käytössä
- mahdollistaa
- käsittää
- loppu
- päittäin
- insinööri
- Tekniikka
- tehostettu
- yritystason
- Koko
- ympäristö
- ympäristön
- virheet
- arvioidaan
- arvioida
- Joka
- kaikki
- olemassa
- experience
- kokeileminen
- asiantuntemus
- päin
- FAST
- nopeasti liikkuva
- nopeampi
- Ominaisuus
- vähemmän
- Kuva
- jätetty
- lopullinen
- Vihdoin
- Löytää
- Etunimi
- FMCG
- seurannut
- jälkeen
- ruoka
- varten
- rikkaus
- foorumit
- Eteenpäin
- Puitteet
- puitteet
- Taajuus
- usein
- kitka
- alkaen
- Frontend
- täysimittainen
- täysin
- edelleen
- gamification
- generatiivinen
- Generatiivinen AI
- saada
- Global
- maapallo
- Go
- tavarat
- GPU
- GPU
- kaltevuudet
- suuri
- Kasvu
- kahva
- Olla
- he
- pää
- auttanut
- auttaa
- Korkea
- korkean tason
- korkea suorituskyky
- häntä
- hänen
- pitää
- Miten
- HTML
- http
- HTTPS
- ihmisen
- Sadat
- Tunnistaminen
- IEEE
- if
- havainnollistaa
- kuva
- Kuvaluokitus
- kuvien
- vaikutti
- täytäntöönpano
- parantaa
- parani
- parantaa
- in
- varastossa
- sisältää
- Mukaan lukien
- sisällyttää
- Lisäykset
- lisää
- aiheutuneet
- Intia
- teollisuus
- tiedot
- Infrastruktuuri
- innovoida
- Innovaatio
- esimerkki
- integroitu
- Integrointi
- tulee
- käyttöön
- esittely
- kysymykset
- IT
- kohdetta
- iteraatio
- SEN
- matka
- jpg
- Pitää
- pito
- avain
- Kumar
- suuri
- suurin
- uusin
- kerrokset
- johtaja
- johtava
- oppiminen
- Led
- Perintö
- kirjastot
- Kirjasto
- pitää
- Pitkät
- pitkä aika
- menettää
- kone
- koneoppiminen
- Koneet
- tehty
- tehdä
- johtaja
- toimitusjohtaja
- manuaalinen
- käsin
- markkinat
- Muisti
- Metrics
- muutto
- miljoona
- ML
- MLOps
- malli
- mallit
- Moderni
- seuranta
- Kuukausi
- kuukausittain
- kk
- lisää
- eniten
- liikkuvat
- paljon
- moninkertainen
- syntyperäinen
- lähes
- Tarve
- tarvitaan
- tarpeet
- verkko
- hermo-
- neuroverkkomallien
- Uusi
- uusi tuote
- uusia tuotteita
- seuraava
- solmu
- solmut
- merkittävä
- muistikirja
- numero
- objekti
- tavoite
- of
- kampanja
- tarjoamalla
- usein
- on
- perehdytyksessä
- ONE
- verkossa
- vain
- avata
- avoimen lähdekoodin
- käyttää
- toiminta
- toiminta
- toiminta-
- Operations
- optimoitu
- optimoimalla
- or
- organisaatioiden
- Muut
- meidän
- ulos
- yli
- yleinen
- yläpuolella
- yleiskatsaus
- Rauha
- paperit
- Parallel
- parametrit
- Kumppanuus
- kulkea
- patentti-
- Patentit
- varten
- suorituskyky
- fyysinen
- kappale
- kappaletta
- lentäjä
- putki
- foorumi
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- Näkökulma
- Kirje
- jatko
- teho
- Valmistella
- esitetty
- edellinen
- Pääasiallinen
- tuotto
- prosessi
- valmistettu
- Tuotteet
- Tuotetiedot
- tuotanto
- Tuotteemme
- projekti
- luvattu
- toimittaa
- mikäli
- tarjoaa
- julkaisut
- osto
- pytorch
- nopea
- alue
- rivit
- hinta
- tavoittaa
- ymmärtää
- äskettäin
- tunnustaminen
- suositeltu
- vähentää
- Vähentynyt
- vähentää
- vähentäminen
- alue
- toistuva
- vastaus
- Raportointi
- Vaatii
- Saatu ja
- vähittäiskauppa
- Rooli
- ajaa
- juoksu
- sagemaker
- sama
- Samsung
- Säästä
- Asteikko
- skaalaus
- tiede
- käsikirjoitus
- saumattomasti
- kokenut
- nähneet
- palvelee
- Palvelut
- setti
- Setit
- setup
- useat
- Ostokset
- sulkeutuessa
- merkittävä
- samankaltainen
- Yksinkertainen
- melkoinen
- Koko
- pieni
- ratkaisu
- Ratkaisumme
- Solving
- lähde
- Tila
- Kipinä
- Kaiutin
- asiantuntija
- erityisesti
- nopeus
- kevät
- alkoi
- Aloita
- Askeleet
- tarrat
- Varastossa
- Levytila
- verkkokaupasta
- tallennettu
- varastot
- tehostaa
- vahva
- studio
- tilaukset
- Onnistuneesti
- niin
- järjestelmä
- otettava
- joukkue-
- tiimit
- teknologia
- tekniikat
- Technologies
- testi
- kuin
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- ne
- kolmannen osapuolen
- tätä
- ajatus
- Kautta
- suoritusteho
- aika
- kertaa
- että
- otti
- Yhteensä
- kaupunkeja
- perinteinen
- Juna
- koulutus
- siirtää
- transformoitu
- kokeillut
- virittää
- viritys
- kaksi
- tyypit
- ainoastaan
- yksiköt
- us
- käyttää
- käytetty
- käyttötarkoituksiin
- käyttämällä
- validointi
- lajike
- eri
- hyvin
- Näytä
- visio
- vs
- halusi
- haluaa
- oli
- Tapa..
- we
- verkko
- verkkopalvelut
- punnitus
- paino
- olivat
- joka
- vaikka
- koko
- leveä
- voittaa
- with
- sisällä
- työskenteli
- työntekijä
- työntekijöitä
- työskentely
- toimii
- kirjoittaminen
- kirjallinen
- vuotta
- Voit
- Sinun
- zephyrnet
- vyöhyke