FORMULA 1 (F1) autot ovat nopeimmin säänneltyjä maantieajoneuvoja maailmassa. Vaikka nämä avopyöräiset autot ovat vain 20–30 kilometriä (tai 12–18 mailia) tunnissa nopeampia kuin huippuluokan urheiluautot, ne voivat kiihdyttää mutkissa jopa viisi kertaa nopeammin tehokkaan aerodynaamisen ansiosta. niiden luoma painevoima. downforce on aerodynaamisten pintojen synnyttämä pystysuuntainen voima, joka painaa autoa kohti tietä ja lisää pitoa renkaista. F1-aerodynaamisten tulee myös tarkkailla ilmanvastusta tai ilmanvastusta, mikä rajoittaa suoran nopeuden.
F1-insinööritiimi vastaa seuraavan sukupolven F1-autojen suunnittelusta ja urheilun teknisten määräysten kokoamisesta. Viimeisten 3 vuoden aikana he ovat saaneet tehtäväkseen suunnitella autoa, joka säilyttää nykyisen korkean vetovoiman ja huippunopeudet, mutta johon ei myöskään vaikuta haitallisesti toisen auton takana ajaminen. Tämä on tärkeää, koska edellisen sukupolven autot voivat menettää jopa 50 % vetovoimastaan ajaessaan tiukasti toisen auton takana siipien ja korirakenteen aiheuttaman myrskyisän vaikutuksen vuoksi.
Sen sijaan, että luottaisivat aikaa vieviin ja kalliisiin radan tai tuulitunnelitesteihin, F1 käyttää Computational Fluid Dynamics (CFD) -tekniikkaa, joka tarjoaa virtuaalisen ympäristön nesteiden (tässä tapauksessa F1-auton ympärillä olevan ilman) virtauksen tutkimiseen ilman tarvetta valmistaa yhtä osaa. CFD:n avulla F1-aerodynaamiset testaavat erilaisia geometrisia konsepteja, arvioivat niiden aerodynaamisia vaikutuksia ja optimoivat iteratiivisesti suunnitelmiaan. Viimeisten kolmen vuoden aikana F3-insinööritiimi on tehnyt yhteistyötä AWS:n kanssa perustaakseen a skaalautuva ja kustannustehokas CFD-työnkulku joka on kolminkertaistanut CFD-ajojen suorituskyvyn ja puolittanut ajon läpimenoajan.
F1 tutkii parhaillaan AWS-koneoppimispalveluita (ML). Amazon Sage Maker auttaa optimoimaan auton suunnittelua ja suorituskykyä käyttämällä CFD-simulaatiotietoja mallien rakentamiseen lisänäkemysten avulla. Tavoitteena on paljastaa lupaavia suunnittelusuuntia ja vähentää CFD-simulaatioiden määrää, mikä lyhentää aikaa, joka kuluu konvergoimiseen optimaalisiin suunnitelmiin.
Tässä viestissä selitämme, kuinka F1 teki yhteistyötä AWS-asiantuntijapalvelut tiimi kehittää mittatilaustyönä ML:n tuottaman Design of Experiments (DoE) -työnkulun, joka neuvoo F1-aerodynamiikkaa mitkä suunnittelukonseptit testataan CFD:ssä oppimisen ja suorituskyvyn maksimoimiseksi.
Ongelma
Uusia aerodynaamisia konsepteja tutkiessaan F1-aerodynamiikka käyttävät joskus prosessia nimeltä Design of Experiments (DoE). Tämä prosessi tutkii systemaattisesti useiden tekijöiden välistä suhdetta. Takasiiven tapauksessa tämä voi olla siiven jänne, jänneväli tai kaltevuus suhteessa aerodynaamisiin mittareihin, kuten vetovoimaan tai vastukseen. DoE-prosessin tavoitteena on ottaa tehokkaasti näytteitä suunnittelutilasta ja minimoida testattujen ehdokkaiden määrä ennen konvergoimista optimaaliseen tulokseen. Tämä saavutetaan muuttamalla useita suunnittelutekijöitä iteratiivisesti, mittaamalla aerodynaamista vastetta, tutkimalla vaikutusta ja tekijöiden välistä suhdetta ja jatkamalla testausta optimaalisimpaan tai informatiivisimpaan suuntaan. Seuraavassa kuvassa esittelemme esimerkin takasiiven geometriasta, jonka F1 on ystävällisesti jakanut kanssamme UNIFORM-perusviivastaan. Neljä suunnitteluparametria, joita F1-aerodynamiikka voisivat tutkia DoE-rutiinissa, on merkitty.
Tässä projektissa F1 työskenteli AWS Professional Services -palvelun kanssa tutkiakseen ML:n käyttöä DoE-rutiinien parantamiseen. Perinteiset DoE-menetelmät vaativat hyvin täytettyä suunnittelutilaa suunnitteluparametrien välisen suhteen ymmärtämiseksi, ja siksi ne luottavat suureen määrään etukäteen tehtyjä CFD-simulaatioita. ML-regressiomallit voisivat käyttää aiempien CFD-simulaatioiden tuloksia aerodynaamisen vasteen ennustamiseen suunnitteluparametrien joukolla sekä antaa viitteen kunkin suunnittelumuuttujan suhteellisesta tärkeydestä. Voit käyttää näitä oivalluksia optimaalisten suunnitelmien ennustamiseen ja auttaa suunnittelijoita löytämään optimaaliset ratkaisut vähemmällä CFD-simulaatiolla. Toiseksi voit käyttää datatieteen tekniikoita ymmärtääksesi, mitä suunnittelutilan alueita ei ole tutkittu ja mikä saattaa piilottaa optimaaliset mallit.
Havainnollistaaksemme räätälöityä ML-käyttöistä DoE-työnkulkua käymme läpi todellisen esimerkin etusiiven suunnittelusta.
Etusiiven suunnittelu
F1-autot luottavat siipien, kuten etu- ja takasiipien, tuottamaan suurimman osan vetovoimastaan, jota viittaamme tässä esimerkissä kertoimella Cz. Koko tässä esimerkissä downforce-arvot on normalisoitu. Tässä esimerkissä F1-aerodynamiikka käytti asiantuntemustaan siipien geometrian parametrointiin seuraavasti (katso visuaalinen esitys seuraavasta kuvasta):
- LE-korkeus – Etureunan korkeus
- Min-Z – Minimi maavara
- Keski-LE-kulma – Kolmannen elementin etureunakulma
- TE-kulma – Takareunan kulma
- TE-korkeus – Takareunan korkeus
Tämä etusiiven geometria oli F1:n yhteinen, ja se on osa UNIFORM-perusviivaa.
Nämä parametrit valittiin, koska ne riittävät kuvaamaan tehokkaasti geometrian pääasiat ja koska aiemmin aerodynaaminen suorituskyky on osoittanut huomattavaa herkkyyttä näiden parametrien suhteen. Tämän DoE-rutiinin tavoitteena oli löytää viiden suunnitteluparametrin yhdistelmä, joka maksimoi aerodynaamisen vetovoiman (Cz). Suunnitteluvapautta rajoitetaan myös asettamalla suunnitteluparametreille maksimi- ja minimiarvot seuraavan taulukon mukaisesti.
. | vähimmäismäärä | Enimmäismäärä |
TE-korkeus | 250.0 | 300.0 |
TE-kulma | 145.0 | 165.0 |
Keski-LE-kulma | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-korkeus | 100.0 | 150.0 |
Kun olemme määrittäneet suunnitteluparametrit, tavoitetulostusmittarin ja suunnittelutilamme rajat, meillä on kaikki mitä tarvitsemme aloittaaksemme DoE-rutiinin. Ratkaisumme työnkulkukaavio on esitetty seuraavassa kuvassa. Seuraavassa osiossa sukeltaamme syvälle eri vaiheisiin.
Suunnittelutilan alustava näytteenotto
DoE-työnkulun ensimmäinen vaihe on suorittaa CFD:ssä ensimmäinen joukko ehdokkaita, jotka ottavat tehokkaasti näytteitä suunnittelutilasta ja antavat meille mahdollisuuden rakentaa ensimmäinen sarja ML-regressiomalleja tutkiaksemme kunkin ominaisuuden vaikutusta. Ensin luomme poolin N näytteet käyttämällä Latinalaisen Hypercube Sampling (LHS) tai tavallinen ruudukkomenetelmä. Sitten valitsemme k ehdokkaita testaamaan CFD:ssä ahneella syöttöalgoritmilla, jonka tavoitteena on maksimoida suunnittelutilan tutkiminen. Alkaen perusehdokkaasta (nykyinen malli), valitsemme iteratiivisesti ehdokkaat, jotka ovat kauimpana kaikista aiemmin testatuista ehdokkaista. Oletetaan, että olemme jo testanneet k mallit; jäljellä oleville suunnitteluehdokkaille löydämme vähimmäisetäisyyden d testattavan suhteen k malleja:
Ahneet syötteet -algoritmi valitsee ehdokkaan, joka maksimoi etäisyyden piirreavaruudessa aiemmin testattuihin ehdokkaisiin:
Tässä DoE:ssä valitsimme kolme ahnetta syöteehdokasta ja suoritimme ne CFD:ssä arvioidaksemme niiden aerodynaamista vetovoimaa (Cz). Ahneet panosehdokkaat tutkivat suunnittelutilan rajoja, ja tässä vaiheessa yksikään heistä ei osoittautunut paremmaksi kuin perusviivaehdokas aerodynaamisen vetovoiman suhteen (Cz). Tämän ensimmäisen CFD-testauksen tulokset ja suunnitteluparametrit näkyvät seuraavassa taulukossa.
. | TE-korkeus | TE-kulma | Keski-LE-kulma | Min-Z | LE-korkeus | Normalisoitu Cz |
Lähtötilanne | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
GI 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
GI 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
GI 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Alkuperäiset ML-regressiomallit
Regressiomallin tavoitteena on ennustaa Cz mille tahansa viiden suunnitteluparametrin yhdistelmälle. Näin pienellä tietojoukolla priorisoimme yksinkertaisia malleja, sovelsimme mallin säätelyä ylisovituksen välttämiseksi ja yhdistimme eri mallien ennusteita mahdollisuuksien mukaan. Seuraavat ML-mallit rakennettiin:
- Tavalliset vähiten neliöt (OLS)
- Tukee Vector Regression (SVM) -tekniikkaa RBF-ytimellä
- Gaussin prosessiregressio (GP) Matérn-ytimellä
- XGBoost
Lisäksi rakennettiin kaksitasoinen pinottu malli, jossa GP-, SVM- ja XGBoost-mallien ennusteet assimiloidaan Lasso-algoritmilla lopullisen vastauksen tuottamiseksi. Tätä mallia kutsutaan koko tässä viestissä nimellä pinottu malli. Viiden kuvaamamme mallin ennustuskyvyn luokittelua varten toteutettiin toistuva k-kertainen ristiinvalidointirutiini.
Luodaan seuraavaa suunnitteluehdokasta testattavaksi CFD:ssä
Seuraavaksi testattavan ehdokkaan valinta vaatii huolellista harkintaa. F1-aerodynaamisten on tasapainotettava ML-mallin ennustamien vaihtoehtojen hyödyntämisen etuja korkean vetovoiman saamiseksi kustannusten kanssa, jotka aiheutuvat suunnittelutilan kartoittamattomien alueiden tutkimisesta, mikä voi tarjota vielä suuremman vetovoiman. Tästä syystä tässä DoE-rutiinissa ehdotamme kolmea ehdokasta: yhtä suorituskykyyn perustuvaa ja kahta tutkimuslähtöistä. Tutkimusvetoisten ehdokkaiden tarkoituksena on myös tarjota lisätietopisteitä ML-algoritmille suunnitteluavaruuden alueilla, joilla ennusteen ympärillä oleva epävarmuus on suurin. Tämä puolestaan johtaa tarkempiin ennusteisiin suunnittelun seuraavalla iteraatiokierroksella.
Geneettinen algoritmi optimointivoiman maksimoimiseksi
Saadaksemme ehdokkaan, jolla on suurin odotettu aerodynaaminen vetovoima, voisimme tehdä ennusteen kaikista mahdollisista suunnitteluehdokkaista. Tämä ei kuitenkaan olisi tehokasta. Tätä optimointiongelmaa varten käytämme geneettistä algoritmia (GA). Tavoitteena on etsiä tehokkaasti valtavan ratkaisuavaruuden läpi (saatu ML-ennusteen kautta Cz) ja palauta optimaalinen ehdokas. GA:t ovat edullisia, kun ratkaisuavaruus on monimutkainen ja ei-kupera, joten klassiset optimointimenetelmät, kuten gradienttilaskeutuminen, ovat tehottomia keinoja löytää globaalia ratkaisua. GA on evoluutioalgoritmien osajoukko, ja se on saanut inspiraationsa luonnonvalinnan, geneettisen risteytyksen ja mutaatioiden käsitteistä hakuongelman ratkaisemiseksi. Useiden iteraatioiden (tunnetaan sukupolviksi) aikana alun perin satunnaisesti valitun suunnitteluehdokkaiden sarjan parhaat ehdokkaat yhdistetään (ihan tapaan kuin kopiointi). Tämän mekanismin avulla voit lopulta löytää optimaaliset ehdokkaat tehokkaasti. Lisätietoja GA:sta on kohdassa Geneettisten algoritmien käyttö AWS: llä optimointiongelmiin.
Tutkimuslähtöisten ehdokkaiden luominen
Luodaessamme niin sanottuja tutkimuslähtöisiä ehdokkaita hyvän otantastrategian on kyettävä mukautumaan tilanteeseen, jossa vaikutus harvakseltaan, jossa vain osa parametreista vaikuttaa merkittävästi ratkaisuun. Siksi näytteenottostrategian tulisi hajauttaa ehdokkaat syöttösuunnitteluavaruuteen, mutta myös välttää tarpeettomia CFD-ajoja, jotka muuttavat muuttujia, joilla on vain vähän vaikutusta suorituskykyyn. Näytteenottostrategiassa tulee ottaa huomioon ML-regressorin ennustama vastepinta. Tutkimuslähtöisten ehdokkaiden saamiseksi käytettiin kahta näytteenottostrategiaa.
Gaussin prosessiregressorien (GP) tapauksessa keskihajonta ennustetusta vastepinnasta voidaan käyttää indikaattorina mallin epävarmuudesta. Otantastrategia koostuu joukosta valitsemisesta N näytteet , ehdokas, joka maksimoi . Näin tekemällä otamme näytteen suunnitteluavaruuden alueelta, jossa regressori on vähiten luottavainen ennusteestaan. Matemaattisesti valitsemme ehdokkaan, joka täyttää seuraavan yhtälön:
Vaihtoehtoisesti käytämme ahneita tulojen ja lähtöjen näytteenottostrategiaa, joka maksimoi sekä ominaisuusavaruuden että vastausavaruuden etäisyydet ehdotetun ehdokkaan ja jo testattujen mallien välillä. Tämä käsittelee vaikutus harvakseltaan tilanne, koska ehdokkailla, jotka muokkaavat vähän merkityksellistä suunnitteluparametria, on samanlainen vaste, ja siksi etäisyydet vastepinnassa ovat minimaaliset. Matemaattisesti valitsemme ehdokkaan, joka täyttää seuraavan yhtälön, jossa funktio f on ML-regressiomalli:
Ehdokkaiden valinta, CFD-testaus ja optimointisilmukka
Tässä vaiheessa käyttäjälle esitetään sekä suorituskyky- että tutkimuslähtöisiä ehdokkaita. Seuraava vaihe koostuu ehdotettujen ehdokkaiden osajoukon valitsemisesta, CFD-simulaatioiden suorittamisesta näillä suunnitteluparametreilla ja aerodynaamisen vetovoimavasteen tallentamisesta.
Tämän jälkeen DoE-työnkulku kouluttaa uudelleen ML-regressiomallit, suorittaa geneettisen algoritmin optimoinnin ja ehdottaa uusia suorituskyky- ja tutkimuslähtöisiä ehdokkaita. Käyttäjä suorittaa ehdotettujen ehdokkaiden osajoukon ja jatkaa iterointia tällä tavalla, kunnes pysäytyskriteerit täyttyvät. Pysäytyskriteerit täyttyvät yleensä, kun optimaalinen ehdokas saavutetaan.
tulokset
Seuraavassa kuvassa tallennetaan normalisoitu aerodynaaminen vetovoima (Cz) CFD-simulaatiosta (sininen) ja ennustetusta etukäteen käyttämällä valittua ML-regressiomallia (vaaleanpunainen) jokaiselle DoE-työnkulun iteraatiolle. Tavoitteena oli maksimoida aerodynaaminen vetovoima (Cz). Ensimmäiset neljä ajoa (punaisen viivan vasemmalla puolella) olivat perusviiva ja kolme aiemmin hahmoteltua ahnetta syöteehdokasta. Siitä eteenpäin testattiin suorituskyky- ja tutkimuslähtöisten ehdokkaiden yhdistelmää. Erityisesti iteraatioiden 6 ja 8 ehdokkaat olivat tutkivia kandidaatteja, joilla molemmilla oli alhaisempi vetovoima kuin perusviivaehdokkaalla (iteraatio 1). Kuten odotettiin, kun rekisteröimme enemmän ehdokkaita, ML-ennuste muuttui yhä tarkemmaksi, mitä osoittaa ennustetun ja todellisen etäisyyden pieneneminen. Cz. Iteraatiossa 9 DoE-työnkulku onnistui löytämään ehdokkaan, jonka suorituskyky oli samanlainen kuin lähtötilanteessa, ja iteraatiossa 12 DoE-työnkulku päättyi, kun suorituskykyyn perustuva ehdokas ylitti perustason.
Lopulliset suunnitteluparametrit ja tuloksena saatu normalisoitu alasvoima-arvo on esitetty seuraavassa taulukossa. Perustason ehdokkaan normalisoitu laskuvoimataso oli 0.975, kun taas DoE-työnkulun optimaalinen laskuvoimataso kirjasi normalisoiduksi laskuvoimatasoksi 1.000 2.5. Tämä on merkittävä XNUMX prosentin suhteellinen lisäys.
Kontekstia varten perinteinen DoE-lähestymistapa, jossa on viisi muuttujaa, vaatisi 25 etukäteen tehtävää CFD-simulaatiota, ennen kuin saavutetaan riittävän hyvä sovitus optimin ennustamiseksi. Toisaalta tämä aktiivisen oppimisen lähestymistapa konvergoi optimaaliseen 12 iteraatiossa.
. | TE-korkeus | TE-kulma | Keski-LE-kulma | Min-Z | LE-korkeus | Normalisoitu Cz |
Lähtötilanne | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimaalinen | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Ominaisuuden merkitys
Ennakoivan mallin ominaispiirteiden suhteellisen merkityksen ymmärtäminen voi tarjota hyödyllistä tietoa tiedoista. Se voi auttaa ominaisuuksien valinnassa poistamalla vähemmän tärkeitä muuttujia, mikä vähentää ongelman ulottuvuutta ja mahdollisesti parantaa regressiomallin ennustuskykyä erityisesti pienissä tietojärjestelmissä. Tässä suunnitteluongelmassa se tarjoaa F1-aerodynaajille käsityksen siitä, mitkä muuttujat ovat herkimpiä ja vaativat siksi huolellisempaa viritystä.
Tässä rutiinissa otimme käyttöön malliagnostisen tekniikan nimeltä permutaatioiden tärkeys. Kunkin muuttujan suhteellinen tärkeys mitataan laskemalla mallin ennustevirheen kasvu sen jälkeen, kun vain kyseisen muuttujan arvot on sekoitettu satunnaisesti. Jos ominaisuus on mallille tärkeä, ennustevirhe kasvaa huomattavasti ja päinvastoin vähemmän tärkeiden ominaisuuksien kohdalla. Seuraavassa kuvassa esitämme permutaatioiden tärkeyden Gaussin prosessiregressorille (GP), joka ennustaa aerodynaamista vetovoimaa (Cz). Jälkärun korkeutta (TE-Height) pidettiin tärkeimpänä.
Yhteenveto
Tässä viestissä selitimme, kuinka F1-aerodynamiikka käyttävät ML-regressiomalleja DoE-työnkuluissa suunnitteleessaan uusia aerodynaamisia geometrioita. AWS Professional Servicesin kehittämä ML-käyttöinen DoE-työnkulku antaa oivalluksia siitä, mitkä suunnitteluparametrit maksimoivat suorituskyvyn tai tutkivat kartoittamattomia alueita suunnittelutilassa. Toisin kuin ehdokkaiden iteratiivinen testaus CFD:ssä ruudukkohaun avulla, ML-käyttöinen DoE-työnkulku pystyy konvergoimaan optimaalisiin suunnitteluparametreihin harvemmilla iteraatioilla. Tämä säästää sekä aikaa että resursseja, koska tarvitaan vähemmän CFD-simulaatioita.
Olitpa lääkeyritys, joka haluaa nopeuttaa kemiallisen koostumuksen optimointia tai valmistusyritystä, joka haluaa löytää suunnittelumitat kestävimmille malleille, DoE-työnkulut voivat auttaa tavoittamaan optimaaliset ehdokkaat tehokkaammin. AWS Professional Services on valmis täydentämään tiimiäsi erityisillä ML-taidoilla ja -kokemuksella kehittääkseen työkaluja, jotka virtaviivaistavat DoE-työnkulkuja ja auttavat sinua saavuttamaan parempia liiketoimintatuloksia. Katso lisätietoja AWS-asiantuntijapalvelut, tai ota yhteyttä tilivastaavasi kautta.
Tietoja Tekijät
Pablo Hermoso Moreno on AWS Professional Services -tiimin tietotutkija. Hän työskentelee asiakkaiden kanssa eri toimialoilla koneoppimisen avulla kertoakseen tarinoita datan avulla ja tehdäkseen tietoisempia suunnittelupäätöksiä nopeammin. Pablon tausta on Aerospace Engineering ja hän on työskennellyt moottoriurheilualalla, ja hän on kiinnostunut yhdistämään fysiikan ja alueosaamisen ML:n kanssa. Vapaa-ajallaan hän harrastaa soutamista ja kitaransoittoa.
- 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/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Meistä
- Tili
- tarkka
- Saavuttaa
- saavutettu
- poikki
- aktiivinen
- Lisäksi
- lisä-
- Aerospace
- algoritmi
- algoritmit
- Kaikki
- jo
- Vaikka
- Amazon
- Toinen
- lähestymistapa
- noin
- AWS
- tausta
- Lähtötilanne
- ennen
- ovat
- hyödyttää
- PARAS
- rakentaa
- liiketoiminta
- ehdokkaat
- ehdokkaat
- kyvyt
- auto
- autot
- lataus
- kemiallinen
- valinta
- asiakkaat
- yhdistelmä
- yhdistetty
- yritys
- monimutkainen
- luottavainen
- harkinta
- jatkuu
- suppenee
- voisi
- luoda
- Nykyinen
- tiedot
- tietojenkäsittely
- tietojen tutkija
- päätökset
- kuvata
- on kuvattu
- Malli
- suunnittelu
- mallit
- kehittää
- kehitetty
- eri
- etäisyys
- verkkotunnuksen
- ajo
- dynamiikka
- reuna
- vaikutus
- tehokas
- tehokkaasti
- Tekniikka
- ympäristö
- vakiintunut
- esimerkki
- odotettu
- experience
- asiantuntemus
- tutkimus
- tutkia
- tekijät
- Muoti
- FAST
- nopeampi
- Ominaisuus
- Ominaisuudet
- Kuva
- Etunimi
- sovittaa
- virtaus
- jälkeen
- seuraa
- Vapaus
- etuosa
- toiminto
- GAS
- yleensä
- tuottaa
- tuottaa
- sukupolvi
- sukupolvet
- Global
- tavoite
- hyvä
- GP
- suuresti
- ruudukko
- ottaa
- korkeus
- auttaa
- Piilottaa
- Korkea
- korkeampi
- Miten
- Kuitenkin
- HTTPS
- valtava
- kuva
- Vaikutus
- täytäntöön
- merkitys
- tärkeä
- parantaminen
- Kasvaa
- lisää
- yhä useammin
- teollisuus
- vaikutus
- tiedot
- informatiivinen
- tietoa
- panos
- tietoa
- oivalluksia
- innoittamana
- korko
- tutkia
- IT
- tunnettu
- suuri
- johtava
- Liidit
- oppiminen
- Taso
- rajallinen
- linja
- vähän
- näköinen
- kone
- koneoppiminen
- onnistui
- johtaja
- tapa
- valmistus
- matemaattinen
- välineet
- menetelmät
- Metrics
- ehkä
- minimi
- ML
- malli
- mallit
- monitori
- lisää
- eniten
- motorsport
- moninkertainen
- Luonnollinen
- numero
- saatu
- optimointi
- Optimoida
- optimaalinen
- Vaihtoehdot
- tilata
- Muut
- osa
- erityinen
- erityisesti
- suorituskyky
- Lääkealan
- Fysiikka
- pelaa
- pistettä
- pool
- mahdollinen
- voimakas
- ennustaa
- ennustus
- Ennusteet
- esittää
- edellinen
- Ongelma
- prosessi
- tuottaa
- ammatillinen
- projekti
- lupaava
- ehdottaa
- ehdotettu
- toimittaa
- tarjoaa
- tarkoitus
- kilpa
- tavoittaa
- ennätys
- vähentää
- vähentämällä
- säännöllinen
- Asetus
- yhteys
- jäljellä oleva
- edustus
- lisääntyminen
- edellyttää
- tarvitaan
- Vaatii
- Esittelymateriaalit
- vastaus
- tulokset
- palata
- kierros
- ajaa
- juoksu
- tiede
- Tiedemies
- Haku
- valittu
- Sarjat
- Palvelut
- setti
- asetus
- yhteinen
- esitetty
- samankaltainen
- Yksinkertainen
- simulointi
- taitoja
- pieni
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- Tila
- erikoistunut
- nopeus
- Urheilu
- Urheilu
- levitä
- Vaihe
- vaiheissa
- standardi
- alkoi
- tarinat
- strategiat
- Strategia
- opinnot
- tutkimus
- esimies
- pinta
- Kohde
- joukkue-
- Tekninen
- tekniikat
- testi
- Testaus
- testit
- maailma
- siksi
- Kautta
- kauttaaltaan
- aika
- aikaavievä
- kertaa
- renkaat
- yhdessä
- työkalut
- kosketa
- kohti
- raita
- perinteinen
- paljastaa
- ymmärtää
- us
- käyttää
- validointi
- arvo
- Ajoneuvot
- Virtual
- Mitä
- wikipedia
- tuuli
- ilman
- työskenteli
- toimii
- maailman-
- olisi
- vuotta