Ez Neslihan Erdogan, a HAYAT HOLDING globális ipari IT-menedzsere vendégbejegyzése.
A gyártási folyamatok és az Ipar 4.0 folyamatban lévő digitalizálása révén óriási lehetőség rejlik a gépi tanulás (ML) használatában a minőség előrejelzésére. A folyamatgyártás olyan gyártási módszer, amely formulákat vagy recepteket használ az áruk előállításához összetevők vagy nyersanyagok kombinálásával.
A prediktív minőség magában foglalja az ML-módszerek használatát a gyártás során a termékkel kapcsolatos minőség becslésére és osztályozására a gyártási folyamat adatai alapján, a következő célokkal[1]:
- Minőségi leírás – A folyamatváltozók és a termékminőség közötti összefüggések azonosítása. Például, hogy egy ragasztóanyag-összetevő térfogata hogyan befolyásolja a minőségi paramétereket, például szilárdságát és rugalmasságát.
- Minőségi előrejelzés – Minőségi változó becslése folyamatváltozók alapján döntéstámogatás vagy automatizálás céljából. Például mennyi kg/m3 bizonyos szilárdság és rugalmasság elérése érdekében a ragasztó összetevőt le kell nyelni.
- Minőségi besorolás – Ez a minőségi előrejelzésen túl bizonyos termékminőség-típusok becslését is magában foglalja.
Ebben a bejegyzésben megosztjuk, hogy a HAYAT HOLDING – egy globális szereplő, 41 különböző iparágakban működő vállalattal, köztük a HAYAT-tal, a világ negyedik legnagyobb márkás pelenkagyártójával és a KEAS-szal, a világ ötödik legnagyobb faalapú panelgyártójával – hogyan működött együtt az AWS-szel. az Amazon SageMaker Model Training, az Amazon SageMaker Automatic Model Tuning és az Amazon SageMaker Model Deployment segítségével olyan megoldás megalkotása, amely folyamatosan javítja a működési teljesítményt, javítja a termékminőséget és optimalizálja a közepes sűrűségű farostlemez (MDF) fapanelek gyártási teljesítményét.
A termékminőség előrejelzési és a ragasztóanyag-fogyasztási ajánlások eredményeit a helyszíni szakértők a műszerfalakon keresztül közel valós időben figyelhetik meg, ami gyorsabb visszacsatolási hurkot eredményez. A laboratóriumi eredmények jelentős hatást jeleznek, ami évi 300,000 XNUMX dollár megtakarítást jelent, csökkentve a szénlábnyomukat a termelésben a szükségtelen vegyi hulladék megelőzésével.
ML-alapú prediktív minőség a HAYAT HOLDING-ben
A HAYAT a világ negyedik legnagyobb márkájú babapelenka-gyártója és az EMEA-ország legnagyobb papírtörlő-gyártója. A KEAS (Kastamonu Entegre Ağaç Sanayi) a HAYAT HOLDING támogatása a faalapú paneliparban, és a negyedik helyen áll Európában és az ötödik helyen a világon.
A közepes sűrűségű farostlemez (MDF) olyan mesterséges fatermék, amelyet a famaradványok szálakra bontásával, ragasztókkal való kombinálásával, valamint magas hőmérséklet és nyomás alkalmazásával panelek kialakításával készítenek. Számos alkalmazási területtel rendelkezik, mint például bútorok, szekrények és padlóburkolatok.
Az MDF falemezek gyártása kiterjedt ragasztóhasználatot igényel (a HAYAT HOLDING évente kétszámjegyű tonnát fogyaszt).
Egy tipikus gyártósoron több száz érzékelőt használnak. A termék minőségét több tíz paraméter határozza meg. A megfelelő mennyiségű ragasztó felhordása fontos költségtétel, valamint fontos minőségi tényező az előállított panel számára, mint például a sűrűség, a csavartartó képesség, a szakítószilárdság, a rugalmassági modulus és a hajlítószilárdság. Míg a túlzott ragasztóhasználat redundánsan növeli a gyártási költségeket, a ragasztó rossz felhasználása minőségi problémákat vet fel. A helytelen használat akár több tízezer dollárt is okozhat egyetlen műszakban. A kihívás az, hogy a minőség regresszív módon függ a gyártási folyamattól.
A felhasználandó ragasztó mennyiségét a humán kezelő dönti el a területi szakértelem alapján. Ez a know-how kizárólag empirikus, és több éves szakértelmet igényel a kompetencia kialakítása. A humán kezelő döntéshozatalának elősegítése érdekében kiválasztott mintákon laboratóriumi vizsgálatokat végeznek a minőség pontos mérésére a gyártás során. A laboratóriumi eredmények visszajelzést adnak az üzemeltetőknek, feltárva a termék minőségi szintjét. Mindazonáltal a laboratóriumi vizsgálatok nem valós időben zajlanak, és akár több órás késleltetéssel kerülnek alkalmazásra. Az emberi kezelő a laboratóriumi eredményeket használja a ragasztófelhasználás fokozatos beállításához, hogy elérje a kívánt minőségi küszöböt.
A megoldás áttekintése
A minőségi előrejelzés az ML használatával hatékony, de erőfeszítést és készségeket igényel a tervezés, a gyártási folyamatba való integrálás és a karbantartás. A HAYAT HOLDING az AWS prototípus-specialistái és az AWS partner, a Deloitte támogatásával egy végponttól végpontig tartó csővezetéket épített fel az alábbiak szerint:
- Szenzoradatok felvétele a gyártóüzemből az AWS-be
- Az adatok előkészítése és az ML modell generálása
- Telepítse a modelleket a széleken
- Hozzon létre operátori irányítópultokat
- Hangszerelje a munkafolyamatot
A következő ábra a megoldás architektúráját mutatja be.
Adatbevitel
A HAYAT HOLDING a legkorszerűbb infrastruktúrával rendelkezik a mérési adatok beszerzéséhez, rögzítéséhez, elemzéséhez és feldolgozásához.
Ehhez a használati esethez kétféle adatforrás létezik. A folyamatparaméterek egy adott termék előállításához vannak beállítva, és általában nem változnak a gyártás során. Az érzékelő adatai a gyártási folyamat során kerülnek felvételre, és a gép tényleges állapotát tükrözik.
A bemeneti adatok az üzemből az OPC-UA-n keresztül, a SiteWise Edge Gateway bemeneten keresztül áramlanak AWS IoT Greengrass. Összesen 194 érzékelőt importáltak és használtak az előrejelzések pontosságának növelésére.
Modell betanítás és optimalizálás SageMaker automatikus modellhangolással
A modellképzést megelőzően egy sor adat-előkészítési tevékenységet végeznek. Például egy MDF panelgyár több különálló terméket állít elő ugyanazon a gyártósoron (több típusú és méretű fapanel). Minden egyes tétel más termékhez kapcsolódik, más alapanyagokkal és eltérő fizikai jellemzőkkel. Bár a berendezések és a folyamatok idősorai folyamatosan rögzítésre kerülnek, és időindexelt egyfolyamos idősornak tekinthetők, szegmentálni kell őket a hozzájuk tartozó köteg szerint. Például egy műszakban a termékpanelek különböző időtartamra készülhetnek. Az előállított MDF-ből időnként egy mintát küldünk a laboratóriumba minőségi vizsgálatokra. Az egyéb jellemzők tervezési feladatai közé tartozik a jellemzők csökkentése, a méretezés, a felügyelet nélküli méretcsökkentés PCA (Principal Component Analysis) segítségével, a jellemzők fontossága és a kiugró értékek észlelése.
Az adat-előkészítési fázis után kétlépcsős megközelítést alkalmazunk az ML modellek felépítéséhez. A laboratóriumi vizsgálati mintákat szakaszos véletlenszerű termékmintavétellel végzik a szállítószalagról. A mintákat minőségi vizsgálatok elvégzésére laboratóriumba küldik. Mivel a laboratóriumi eredményeket nem lehet valós időben bemutatni, a visszacsatolás viszonylag lassú. Az első modell a termékminőségi paraméterek laboratóriumi eredményeinek előrejelzésére szolgál: sűrűség, rugalmasság, húzási ellenállás, duzzadás, elnyelt víz, felületi tartósság, nedvesség, felületi szívás és hajlítási ellenállás. A második modell arra van kiképezve, hogy javasolja a gyártás során felhasználandó ragasztó mennyiségét, a várható kimeneti minőségtől függően.
Az egyéni ML-környezetek beállítása és kezelése időigényes és nehézkes lehet. Amazon SageMaker lakosztályt kínál beépített algoritmusok, előre betanított modellek és előre elkészített megoldássablonok, amelyek segítségével az adattudósok és az ML-gyakorló szakemberek gyorsan elkezdhetik az ML-modellek képzését és bevezetését.
Több ML modellt betanítottak a SageMaker beépített algoritmusaival a legnépszerűbb N terméktípushoz és a különböző minőségi paraméterekhez. A minőség-előrejelző modellek azonosítják a kapcsolatot a ragasztóhasználat és a kilenc minőségi paraméter között. Az ajánlási modellek a minimális ragasztófelhasználást jósolják meg a minőségi követelmények kielégítéséhez a következő megközelítéssel: egy algoritmus a legmagasabb megengedett ragasztómennyiségből indul ki, és minden követelmény teljesülése esetén azt lépésről lépésre csökkenti a megengedett minimális ragasztómennyiségig. Ha a maximális ragasztómennyiség nem felel meg minden követelménynek, akkor hibát jelez.
A SageMaker automatikus modellhangolás, más néven hiperparaméter-hangolás, úgy találja meg a modell legjobb verzióját, hogy számos betanítási feladatot futtat az adatkészleten az Ön által megadott algoritmus és hiperparaméter-tartományok használatával. Ezután kiválasztja azokat a hiperparaméter-értékeket, amelyek a legjobban teljesítő modellt eredményezik, az Ön által választott mérőszámmal mérve.
Az automatikus modellhangolással a csapat a megfelelő objektív meghatározására, a hiperparaméterek és a keresési tér meghatározására összpontosított. Az automatikus modellhangolás gondoskodik a többiről, beleértve az infrastruktúrát, az edzési feladatok párhuzamos futtatását és megszervezését, valamint a hiperparaméter-kiválasztás javítását. Az automatikus modellhangolás a képzési példánytípusok széles skáláját kínálja. A modellt c5.x2large példánytípusokon finomhangolták a hiperparaméter-hangolási módszerek intelligens változatával, amely a Bayes-féle keresési elméleten alapul, és célja, hogy a lehető legrövidebb időn belül megtalálja a legjobb modellt.
Következtetés a szélén
Számos módszer áll rendelkezésre az ML-modellek telepítéséhez az előrejelzések lekéréséhez.
SageMaker valós idejű következtetés ideális olyan munkaterhelésekhez, ahol valós idejű, interaktív, alacsony késleltetésű követelmények vannak. A prototípus-készítési szakaszban a HAYAT HOLDING modelleket telepített a SageMaker hosting szolgáltatásokba, és olyan végpontokat kapott, amelyeket teljes mértékben az AWS felügyel. SageMaker többmodell végpontok méretezhető és költséghatékony megoldást kínál nagyszámú modell telepítéséhez. Ugyanazt az erőforrás-flottát és egy megosztott kiszolgáló tárolót használják az összes modell tárolására. Ez csökkenti az üzemeltetési költségeket azáltal, hogy javítja a végpontok kihasználtságát az egymodell végpontokhoz képest. Csökkenti a telepítési többletköltséget is, mivel a SageMaker kezeli a modellek betöltését a memóriába, és a végpont forgalmi mintái alapján méretezi azokat.
A SageMaker valós idejű következtetést a többmodelles végpontokkal együtt használják a költségek optimalizálására és annak érdekében, hogy a fejlesztés során minden modell elérhető legyen. Bár az egyes terméktípusokhoz ML-modell használata nagyobb következtetési pontosságot eredményez, a modellek fejlesztésének és tesztelésének költsége ennek megfelelően nő, és több modell kezelése is megnehezül. A SageMaker többmodelles végpontjai ezeket a fájdalmas pontokat kezelik, és gyors és költséghatékony megoldást kínálnak a csapatnak több ML-modell üzembe helyezéséhez.
Amazon SageMaker Edge modellkezelést biztosít a szélső eszközökhöz, így optimalizálhatja, biztonságossá teheti, felügyelheti és karbantarthatja az ML-modelleket a szélső eszközparkokon. Az ML-modellek peremeszközökön való működtetése kihívást jelent, mivel az eszközök a felhőpéldányokkal ellentétben korlátozott számítási, memória- és csatlakozási lehetőséggel rendelkeznek. A modell üzembe helyezése után folyamatosan figyelnie kell a modelleket, mert a modelleltolódás miatt a modell minősége időnként romlik. A modellek monitorozása az eszközflottában nehéz, mert egyéni kódot kell írnia, hogy adatmintákat gyűjtsön az eszközről, és felismerje az előrejelzések torzulását.
A gyártás során a SageMaker Edge Manager ügynököt használják előrejelzések készítésére az AWS IoT Greengrass eszközre betöltött modellekkel.
Következtetés
A HAYAT HOLDING egy fejlett analitikai platformot értékelt digitális átalakítási stratégiája részeként, és a mesterséges intelligenciát kívánta bevonni a szervezetbe a minőségi előrejelzések érdekében a termelésben.
Az AWS prototípus-specialistái és a Deloitte AWS partnere támogatásával a HAYAT HOLDING egyedülálló adatplatform-architektúrát és egy ML-folyamatot épített a hosszú távú üzleti és műszaki igények kielégítésére.
A HAYAT KIMYA az ML megoldást integrálta az egyik üzemébe. A laboratóriumi eredmények jelentős hatást jeleznek, ami évi 300,000 XNUMX dollár megtakarítást jelent, csökkentve a szénlábnyomukat a termelésben a szükségtelen vegyi hulladék megelőzésével. A megoldás gyorsabb visszacsatolási hurkot biztosít az emberi kezelőknek azáltal, hogy a termékminőség-előrejelzéseket és a ragasztóanyag-fogyasztási ajánlásokat műszerfalakon keresztül, közel valós időben mutatja be. A megoldást végül a HAYAT HOLDING többi fapanelgyára is bevezeti.
Az ML erősen iteratív folyamat; Egyetlen projekt során az adattudósok több száz különböző modellt, adatkészletet és paramétert képeznek ki a maximális pontosság érdekében. A SageMaker a legteljesebb eszközkészletet kínálja az ML erejének kihasználásához. Lehetővé teszi az ML-kísérletek rendszerezését, nyomon követését, összehasonlítását és értékelését. A SageMaker beépített algoritmusai, az automatikus modellhangolás, a valós idejű következtetés és a többmodelles végpontok segítségével fokozhatja az ML-csapatok legalsó hatását, hogy jelentős termelékenységnövekedést érhessen el.
Gyorsítsa fel az eredmények eléréséig eltelt időt és optimalizálja a műveleteket azáltal, hogy modernizálja üzleti megközelítését az éltől a felhő használatával Gépi tanulás az AWS-en. Használja ki az iparág-specifikus innovációkat és megoldásokat AWS for Industrial.
Ossza meg észrevételeit és kérdéseit a megjegyzésekben.
A HAYAT HOLDING-ről
A HAYAT HOLDING, amelynek alapjait 1937-ben fektették le, ma globális szereplő, 41 vállalat működik különböző iparágakban, köztük a HAYAT a gyorsan fejlődő fogyasztási cikkek szektorában, a KEAS (Kastamonu Entegre Ağaç Sanayi) pedig a fa alapú panelek ágazatában. és a LIMAS a kikötői menedzsment szektorban, több mint 17,000 49 emberrel. A HAYAT HOLDING 36 fejlett technológiával előállított márkát szállít 13 ország XNUMX gyártóüzemében fogyasztók millióihoz világszerte.
A gyorsan fejlődő fogyasztási cikkek szektorában működő Hayat 1987-ben alakult. Ma a világ 21 országában 8 gyártóüzemével gyorsan haladva a globalizáció útján, a Hayat a világ negyedik legnagyobb márkás pelenkagyártója és a legnagyobb papírzsebkendő-gyártó. Közel-Keleten, Kelet-Európában és Afrikában termelő, valamint a gyorsan fejlődő fogyasztási cikkek szektorának jelentős szereplője. 16 erős márkával, köztük a Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare és Evony a higiénia, otthoni ápolás, szövet és személyes egészség kategóriákban, a Hayat több mint 100 országban több millió otthonba hozza el a HAYAT*-ot.
A Kastamonu Entegre Ağaç Sanayi (KEAS), a HAYAT HOLDING iparosítási lépésének első befektetése, 1969-ben alakult. Folytatva folyamatos növekedését ágazata globális hatalommá válása felé, Európában a negyedik, a világon pedig az ötödik helyen áll. A KEAS mintegy 7,000 alkalmazottjával és több mint 100 országba irányuló exportjával az első helyen áll az iparágban.
*A „Hayat” törökül „életet” jelent.
Referenciák
- Tercan H, „Gépi tanulás és mély tanuláson alapuló prediktív minőség a gyártásban: szisztematikus áttekintés”, Journal of Intelligent Manufacturing, 2022.
A szerzőkről
Neslihan Erdoğan, (Villamosmérnöki BSc és MSc), különféle műszaki és üzleti feladatokat töltött be az információs technológiák szakembereként, építészként és menedzserként. A HAYAT-nál dolgozott globális ipari IT-menedzserként, és vezette az Ipar 4.0, a digitális átalakítás, az OT biztonság és az adat- és mesterségesintelligencia projekteket.
Çağrı Yurtseven (Elektromos-elektronikai mérnöki BSc, Bogazici Egyetem) az Amazon Web Services vállalati ügyfélmenedzsere. Ő vezeti a fenntarthatósági és ipari IOT kezdeményezéseket Törökországban, miközben az AWS-en bemutatva segíti az ügyfeleket a bennük rejlő lehetőségek teljes kihasználásában.
Cenk Sezgin (PhD – Electrical Electronics Engineering) az AWS EMEA Prototyping Labs vezető menedzsere. Támogatja ügyfeleit a legkorszerűbb megoldások feltárásában, ötletelésében, tervezésében és fejlesztésében olyan feltörekvő technológiák felhasználásával, mint az IoT, az Analytics, az AI/ML és a Serverless.
Hasan-Basri AKIRMAK (BSc és MSc számítástechnikai mérnök, valamint Executive MBA a Graduate School of Businessben) az Amazon Web Services vezető megoldások építésze. Üzleti technológus, nagyvállalati szegmens ügyfelei számára tanácsot ad. Szakterülete architektúrák és üzleti esetek tervezése nagyméretű adatfeldolgozó rendszereken és gépi tanulási megoldásokon. A Hasan üzletfejlesztést, rendszerintegrációt és programmenedzsmentet nyújtott európai, közel-keleti és afrikai ügyfelek számára. 2016 óta vállalkozók százait mentorálta startup inkubációs programokban pro-bono.
Musztafa Aldemir (Elektromos-elektronikai mérnöki BSc, mechatronikai MSc és számítástechnikából PhD-jelölt) az Amazon Web Services robotika prototípus-készítésének vezetője. Dolgok internete és gépi tanulási megoldások tervezése és fejlesztése az EMEA legnagyobb ügyfelei számára, és vezette csapataikat ezek megvalósításában. Eközben mesterséges intelligencia-tanfolyamokat tartott az Amazon Machine Learning Egyetemen és az Oxfordi Egyetemen.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :is
- $ UP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- képesség
- Eszerint
- Fiók
- pontosság
- Elérése
- megszerzése
- át
- tevékenységek
- mellett
- cím
- fejlett
- Előny
- tanácsadás
- Afrika
- Után
- Ügynök
- AI
- AI / ML
- algoritmus
- algoritmusok
- Minden termék
- Bár
- amazon
- Amazon gépi tanulás
- Amazon SageMaker
- Az Amazon Web Services
- összeg
- elemzés
- analitika
- elemzése
- és a
- Évente
- Alkalmazás
- alkalmazott
- Alkalmazása
- megközelítés
- körülbelül
- építészet
- VANNAK
- TERÜLET
- területek
- körül
- Művészet
- AS
- társult
- At
- Automatikus
- Automatizálás
- elérhető
- AWS
- AWS IoT Greengrass
- Baba
- alapján
- alap
- bayesi
- BE
- mert
- válik
- egyre
- BEST
- között
- Legnagyobb
- fellendítésére
- márkás
- márka
- Törés
- hoz
- Bring
- BSC
- épít
- épült
- beépített
- üzleti
- üzlet fejlesztés
- by
- TUD
- szén
- ami
- eset
- esetek
- kategóriák
- Okoz
- okai
- bizonyos
- kihívás
- kihívást
- jellemzők
- kémiai
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztályoz
- ügyfél részére
- felhő
- kód
- gyűjt
- kombinálása
- Hozzászólások
- Companies
- összehasonlítani
- képest
- teljes
- összetevő
- Kiszámít
- számítógép
- Informatika
- Computer Science
- feltétel
- lefolytatott
- Connectivity
- fogyasztott
- fogyasztó
- Fogyasztók
- fogyasztás
- Konténer
- folyamatos
- folyamatosan
- Költség
- költséghatékony
- kiadások
- országok
- Tanfolyam
- tanfolyamok
- szokás
- Ügyfelek
- dátum
- Adatplatform
- Adatok előkészítése
- adatfeldolgozás
- adatkészletek
- dönt
- döntés
- Döntéshozatal
- mély
- mély tanulás
- meghatározó
- késleltetés
- szállított
- átadó
- szállít
- Deloitte
- Függőség
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- Design
- tervezett
- tervezés
- Érzékelés
- fejlesztése
- Fejlesztés
- eszköz
- Eszközök
- különböző
- nehéz
- digitális
- digitális átalakítás
- digitalizálás
- különböző
- Nem
- dollár
- domain
- le-
- tartósság
- alatt
- minden
- Keleti
- keleti
- Kelet-Európa
- él
- hatás
- erőfeszítés
- Elektronika
- EMEA
- csiszolókő
- fejlődő technológiák
- alkalmazottak
- végtől végig
- Endpoint
- Mérnöki
- hatalmas
- Vállalkozás
- vállalkozók
- környezetek
- felszerelés
- Erdogan
- hiba
- becslés
- Európa
- értékelni
- értékelő
- végül is
- példa
- végrehajtó
- szakvélemény
- szakértők
- kutatás
- export
- kiterjedt
- gyorsan mozgó
- gyorsabb
- Funkció
- Visszacsatolás
- szálak
- mező
- Találjon
- leletek
- vezetéknév
- FLOTTA
- Összpontosít
- összpontosított
- következő
- következik
- Lábnyom
- A
- Alapok
- Alapított
- Negyedik
- ból ből
- Tele
- teljesen
- gateway
- kap
- Ad
- ad
- Globális
- globalizáció
- áruk
- fokozatosan
- diplomás
- Növekedés
- Vendég
- Vendég bejegyzés
- hám
- Legyen
- Egészség
- hős
- segít
- segít
- Magas
- <p></p>
- legnagyobb
- nagyon
- holding
- Kezdőlap
- otthoni ápolás
- Homes
- vendéglátó
- tárhely
- hosting költségek
- tárhelyszolgáltatások
- NYITVATARTÁS
- Hogyan
- HTML
- HTTPS
- emberi
- Több száz
- Hiperparaméter hangolás
- ideális
- Azonosítás
- azonosított
- azonosítani
- Hatás
- végrehajtási
- fontosság
- fontos
- javul
- fejlesztések
- javuló
- in
- tartalmaz
- Beleértve
- Növelje
- Növeli
- INKUBÁCIÓ
- jelez
- ipari
- IoT
- iparágak
- ipar
- ipar 4.0
- iparág-specifikus
- információ
- Infrastruktúra
- kezdeményezések
- újítások
- példa
- integrálni
- integrált
- integráció
- Intelligens
- interaktív
- Internet
- internet a dolgok
- beruházás
- tárgyak internete
- IT
- ITS
- Állások
- folyóirat
- jpg
- ismert
- labor
- laboratórium
- Labs
- nagy
- legnagyobb
- vezet
- vezető
- tanulás
- Led
- Lets
- szintek
- Korlátozott
- vonal
- betöltés
- hosszú lejáratú
- gép
- gépi tanulás
- készült
- fenntartása
- fontos
- csinál
- Gyártás
- kezelése
- sikerült
- vezetés
- menedzser
- kezeli
- kezelése
- Gyártó
- gyártási
- sok
- anyagok
- max
- maximális
- eszközök
- Közben
- intézkedés
- Memory design
- módszer
- mód
- metrikus
- Középső
- Közel-Kelet
- Több millió
- minimum
- ML
- modell
- modellek
- monitor
- ellenőrzés
- több
- a legtöbb
- mozog
- többszörös
- Szükség
- igények
- Mindazonáltal
- számok
- célkitűzés
- of
- Ajánlatok
- on
- ONE
- folyamatban lévő
- üzemeltetési
- operatív
- Művelet
- operátor
- üzemeltetők
- optimalizálás
- Optimalizálja
- szervezet
- Más
- teljesítmény
- Oxford
- Oxford Egyetem
- Fájdalom
- panel
- panelek
- Papír
- Párhuzamos
- paraméterek
- rész
- különös
- partner
- ösvény
- minták
- Emberek (People)
- teljesítmény
- Előadja
- személyes
- fázis
- fizikai
- csővezeték
- Telephelyek (Plants)
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játékos
- pont
- szegény
- pozicionált
- lehetséges
- állás
- potenciális
- hatalom
- erős
- pontosan
- előre
- jósolt
- előrejelzés
- Tippek
- bemutatott
- nyomás
- megakadályozása
- Fő
- problémák
- folyamat
- Folyamatok
- feldolgozás
- gyárt
- Készült
- termelő
- Termékek
- Termékminőség
- Termelés
- termelékenység
- Termékek
- Program
- Programok
- program
- projektek
- prototípus
- ad
- biztosít
- vontatás
- világítás
- Kérdések
- gyorsan
- emelés
- véletlen
- hatótávolság
- soraiban
- gyors
- gyorsan
- Nyers
- igazi
- real-time
- észre
- elismerik
- ajánl
- Ajánlást
- feljegyzett
- felvétel
- csökkenti
- csökkentő
- Kapcsolatok
- viszonylag
- jelentése
- kötelező
- követelmények
- megköveteli,
- Ellenállás
- Tudástár
- REST
- eredményez
- kapott
- Eredmények
- felfedve
- robotika
- szerepek
- futás
- sagemaker
- SageMaker automatikus modellhangolás
- azonos
- elégedett
- megtakarítás
- Megtakarítás
- skálázható
- Skála
- skálázás
- Iskola
- Tudomány
- tudósok
- Hatókör
- Keresés
- Második
- szektor
- biztonság
- részes
- kiválasztott
- kiválasztás
- érzékelők
- Series of
- vagy szerver
- Szolgáltatások
- szolgáló
- készlet
- számos
- Megosztás
- megosztott
- váltás
- jelentős
- óta
- Mivel 2016
- egyetlen
- méretek
- ferdeség
- jártasság
- lassú
- So
- megoldások
- Megoldások
- néhány
- Források
- Hely
- szakember
- szakemberek
- Különlegesség
- kezdődött
- kezdődik
- indítás
- csúcs-
- Lépés
- Stratégia
- áramlott
- erő
- szubvenció
- ilyen
- kíséret
- támogatás
- Támogatja
- felületi
- Fenntarthatóság
- Systems
- Vesz
- tart
- feladatok
- csapat
- csapat
- Műszaki
- Technologies
- technológus
- sablonok
- teszt
- Tesztelés
- tesztek
- hogy
- A
- a világ
- azok
- Őket
- Ezek
- dolgok
- ezer
- küszöb
- Keresztül
- idő
- Idősorok
- időigényes
- alkalommal
- nak nek
- Ma
- Tónus
- szerszámok
- felső
- Végösszeg
- felé
- vágány
- forgalom
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítási stratégia
- Törökország
- török
- típusok
- tipikus
- egyedi
- egyetemi
- Használat
- használ
- használati eset
- rendszerint
- Értékek
- különféle
- változat
- keresztül
- kötet
- kívánatos
- Hulladék
- Víz
- háló
- webes szolgáltatások
- JÓL
- míg
- széles
- Széleskörű
- lesz
- val vel
- munkaerő
- dolgozó
- világ
- világ
- világszerte
- ír
- év
- év
- te
- A te
- zephyrnet