Ez az Axfood AB által írt vendégbejegyzés.
Ebben a bejegyzésben megosztjuk, hogy az Axfood, egy nagy svéd élelmiszer-kiskereskedő hogyan javította a meglévő mesterséges intelligencia (AI) és gépi tanulási (ML) műveleteinek működését és méretezhetőségét az AWS szakértőivel szoros együttműködésben prototípusok létrehozásával és felhasználásával. Amazon SageMaker.
Axfood Svédország második legnagyobb élelmiszer-kiskereskedője, több mint 13,000 300 alkalmazottal és több mint XNUMX üzlettel. Az Axfood struktúrája több decentralizált adattudományi csapattal rendelkezik, amelyek különböző felelősségi területekkel rendelkeznek. Egy központi adatplatform-csapattal együtt az adattudományi csapatok innovációt és digitális átalakulást hoznak a AI és ML megoldásokon keresztül a szervezetbe. Az Axfood az Amazon SageMaker-t használja adatainak ML segítségével történő feldolgozására, és évek óta gyártanak modelleket. Az utóbbi időben a kifinomultság szintje és a gyártott modellek száma exponenciálisan növekszik. Bár az innováció üteme nagy, a különböző csapatok kidolgozták a saját munkamódszereiket, és egy új MLOps legjobb gyakorlatot kerestek.
A mi kihívásunk
Annak érdekében, hogy versenyképes maradjon a felhőszolgáltatások és az AI/ML terén, az Axfood az AWS-szel való együttműködést választotta, és évek óta együttműködik velük.
Az AWS-szel folytatott egyik ismétlődő ötletbörze során megvitattuk, hogyan lehet a legjobban együttműködni a csapatok között, hogy növeljük az innováció ütemét és az adattudomány és az ML-gyakorlók hatékonyságát. Úgy döntöttünk, hogy közös erőfeszítéseket teszünk annak érdekében, hogy prototípust építsünk az MLOps legjobb gyakorlatára. A prototípus célja az volt, hogy modellsablont hozzon létre az összes adattudományi csapat számára, amelyek méretezhető és hatékony ML modelleket hozhatnak létre – ez az alapja az Axfood számára készült mesterséges intelligencia és ML platformok új generációjának. A sablonnak át kell hidalnia és kombinálnia kell az AWS ML szakértőitől származó bevált gyakorlatokat és a vállalatspecifikus bevált gyakorlati modelleket – mindkét világ legjobbjait.
Úgy döntöttünk, hogy prototípust építünk az Axfood egyik jelenleg legfejlettebb ML modelljéből: az áruházak előrejelzése. Pontosabban, az élelmiszer-kiskereskedelmi üzletek következő kampányainak gyümölcs- és zöldségfélékre vonatkozó előrejelzése. A pontos napi előrejelzés támogatja az üzletek rendelési folyamatát, növelve a fenntarthatóságot az élelmiszer-pazarlás minimalizálásával, az értékesítés optimalizálása eredményeként a szükséges bolti készletszintek pontos előrejelzésével. Ez volt a tökéletes kiindulópont prototípusunk számára – nemcsak az Axfood új AI/ML-platformot szerezne, hanem lehetőségünk nyílik arra is, hogy összehasonlítsuk ML-képességeinket, és tanuljunk a vezető AWS-szakértőktől.
Megoldásunk: egy új ML-sablon az Amazon SageMaker Studio-on
A tényleges üzleti esetre tervezett teljes ML-folyamat felépítése kihívást jelenthet. Ebben az esetben egy előrejelzési modellt fejlesztünk, így két fő lépést kell végrehajtani:
- Tanítsd meg a modellt, hogy előrejelzéseket készítsen előzményadatok felhasználásával.
- Alkalmazza a betanított modellt a jövőbeli események előrejelzéséhez.
Az Axfood esetében erre a célra már egy jól működő csővezetéket állítottak fel a SageMaker notebookok segítségével, amelyet a harmadik féltől származó Airflow munkafolyamat-kezelő platform hangszerelt. Az ML-platformunk modernizálásának és az arra való átállásnak azonban számos egyértelmű előnye van Amazon SageMaker Studio és a Amazon SageMaker csővezetékek. A SageMaker Stúdióba való áttérés számos előre definiált, készenléti funkciót kínál:
- A modell és az adatok minőségének monitorozása, valamint a modell magyarázhatósága
- Beépített integrált fejlesztői környezet (IDE) eszközök, például hibakeresés
- Költség/teljesítmény monitorozás
- Modell elfogadási keret
- Modell nyilvántartás
Az Axfood legfontosabb ösztönzője azonban az, hogy egyéni projektsablonokat hozhat létre Amazon SageMaker projektek tervrajzként használható minden adattudományi csapat és ML-gyakorló számára. Az Axfood csapata már robusztus és kiforrott szintű ML modellezéssel rendelkezett, így a fő hangsúly az új architektúra felépítésén volt.
Megoldás áttekintése
Az Axfood által javasolt új ML keretrendszer két fő folyamat köré épül fel: a modell összeállítási folyamat és a kötegkövetkeztetési folyamat:
- Ezek a folyamatok két különálló Git-lerakatban vannak verziózva: egy összeépítési lerakatban és egy telepítési (következtetési) lerakatban. Együtt robusztus csővezetéket alkotnak a gyümölcsök és zöldségek előrejelzéséhez.
- A folyamatok egy egyéni projektsablonba vannak csomagolva a SageMaker Projects használatával, harmadik féltől származó Git-tárral (Bitbucket) és Bitbucket-folyamatokkal integrálva a folyamatos integráció és a folyamatos telepítés (CI/CD) összetevőihez.
- A SageMaker projektsablon a felépítési és üzembe helyezési folyamatok egyes lépéseinek megfelelő kezdőkódot tartalmaz (ezeket a lépéseket ebben a bejegyzésben később részletesebben tárgyaljuk), valamint a folyamat definícióját – a lépések futtatásának receptjét.
- Az új projektek felépítésének automatizálása a sablon alapján leegyszerűsödik AWS szolgáltatáskatalógus, ahol egy portfólió jön létre, amely több termék absztrakciójaként szolgál.
- Minden termék egy AWS felhőképződés sablon, amely akkor kerül telepítésre, amikor egy adattudós új SageMaker-projektet hoz létre az MLOps-tervünk alapján. Ez aktiválja a AWS Lambda függvény, amely egy Bitbucket projektet hoz létre két lerakattal – a modellépítéssel és a modelltelepítéssel –, amelyek tartalmazzák a kezdőkódot.
A következő ábra a megoldás architektúráját mutatja be. Az A munkafolyamat a két modell-csővezeték – az építés és a következtetés – közötti bonyolult áramlást ábrázolja. A B munkafolyamat egy új ML-projekt létrehozásának folyamatát mutatja.
Modell felépítési csővezeték
A modell összeállítási folyamata levezényli a modell életciklusát, az előfeldolgozástól kezdve, a betanításon keresztül, és a modellnyilvántartásba való regisztrációval végződik:
- Előfeldolgozás – Tessék, a SageMaker
ScriptProcessor
osztályt a jellemzők tervezésére alkalmazzák, ami azt az adatkészletet eredményezi, amelyre a modellt betanítják. - Képzés és kötegelt átalakítás – A SageMaker egyedi képzési és következtetési konténerei a modell előzményadatokon való betanítására és a kiértékelési adatokra vonatkozó előrejelzések létrehozására szolgálnak a SageMaker Becslő és Transformer segítségével a megfelelő feladatokhoz.
- Értékelés – A betanított modell kiértékelésen megy keresztül az értékelési adatokon generált előrejelzések és az alapigazság összehasonlításával.
ScriptProcessor
. - Alapmunkák – A folyamat alapvonalakat hoz létre a bemeneti adatok statisztikái alapján. Ezek nélkülözhetetlenek az adatok és a modellek minőségének, valamint a funkció-hozzárendelések figyeléséhez.
- Modell nyilvántartás – A betanított modellt későbbi használatra regisztrálták. A modellt kijelölt adattudósok hagyják jóvá, hogy a modellt termelési célokra alkalmazzák.
Éles környezetek esetén az adatbevitelt és az indítómechanizmusokat az elsődleges Airflow-hangszerelés kezeli. Eközben a fejlesztés során a folyamat minden alkalommal aktiválódik, amikor egy új véglegesítés kerül bevezetésre a modell felépítésű Bitbucket adattárba. A következő ábra a modell összeállítási folyamatát mutatja be.
Kötegelt következtetési folyamat
A kötegelt következtetési folyamat kezeli a következtetési fázist, amely a következő lépésekből áll:
- Előfeldolgozás – Az adatok előfeldolgozása a használatával történik
ScriptProcessor
. - Kötegelt átalakítás – A modell az egyéni következtetési tárolót használja a SageMaker Transformerrel, és előrejelzéseket generál a bemeneti előfeldolgozott adatok alapján. A használt modell a modellnyilvántartás legújabb jóváhagyott betanított modellje.
- Utófeldolgozás – Az előrejelzések egy sor utófeldolgozási lépésen esnek át a használatával
ScriptProcessor
. - megfigyelés – A folyamatos felügyelet elvégzi az adatminőséggel, a modellminőséggel és a funkciók hozzárendelésével kapcsolatos eltolódások ellenőrzését.
Ha eltérések merülnek fel, az utófeldolgozási szkripten belüli üzleti logika felméri, hogy szükséges-e a modell átképzése. A csővezeték a tervek szerint rendszeres időközönként fut majd.
A következő diagram a kötegkövetkeztetési folyamatot mutatja be. Az A munkafolyamat az előfeldolgozásnak, az adatminőségnek és a jellemzők hozzárendelésének eltolódásának ellenőrzésének, a következtetésnek és az utófeldolgozásnak felel meg. A B munkafolyamat a modell minőségi eltolódási ellenőrzéseinek felel meg. Ezek a csővezetékek fel vannak osztva, mert a modell minőségi eltolódásának ellenőrzése csak akkor fut le, ha új alapigazság-adatok állnak rendelkezésre.
SageMaker Model Monitor
A Amazon SageMaker Model Monitor integrált, a csővezetékek a következők valós idejű felügyeletét élvezik:
- Adat minőség – Figyelemmel kíséri az adatok bármilyen eltolódását vagy következetlenségét
- Modell minőség – Figyeli a modell teljesítményének ingadozásait
- Funkció-hozzárendelés – Ellenőrzi, hogy nincs-e eltolódás a jellemzők hozzárendeléseiben
A modell minőségének megfigyeléséhez hozzáférés szükséges az alapigazság-adatokhoz. Bár az alapigazság megszerzése időnként kihívást jelenthet, az adatok vagy a jellemzők hozzárendelésének eltolódása figyelése a modell minőségének kompetens proxyjaként szolgál.
Konkrétan az adatminőség eltolódása esetén a rendszer a következőkre figyel:
- Fogalom sodródás – Ez a bemenet és a kimenet közötti korreláció változásaira vonatkozik, ami alapigazságot igényel
- Kovariáns eltolódás – Itt a hangsúly a független bemeneti változók eloszlásának megváltoztatásán van
A SageMaker Model Monitor adatsodródási funkciója aprólékosan rögzíti és alaposan megvizsgálja a bemeneti adatokat, szabályokat és statisztikai ellenőrzéseket alkalmaz. A rendszer minden anomáliát észlel.
Azzal párhuzamosan, hogy az adatminőség-eltolódás-ellenőrzéseket proxyként használja a modell romlásának megfigyelésére, a rendszer a jellemzők hozzárendelési eltolódását is figyeli a normalizált diszkontált kumulatív nyereség (NDCG) pontszám segítségével. Ez a pontszám érzékeny mind a funkciók hozzárendelési sorrendjének változásaira, mind a funkciók nyers hozzárendelési pontszámaira. Az egyedi jellemzők hozzárendelésében és azok relatív fontosságában bekövetkezett eltolódás nyomon követésével egyszerűen észlelhető a modell minőségének romlása.
Modell magyarázhatóság
A modell magyarázhatósága az ML telepítések sarkalatos része, mert biztosítja az előrejelzések átláthatóságát. A részletes megértés érdekében használjuk Amazon SageMaker Clarify.
Globális és lokális modellmagyarázatokat is kínál a Shapley-értékkoncepción alapuló modell-agnosztikus jellemző-hozzárendelési technikán keresztül. Ez arra szolgál, hogy dekódolja, miért készült egy adott előrejelzés a következtetés során. Az ilyen magyarázatok, amelyek eredendően kontrasztosak, a különböző alapvonalak alapján változhatnak. A SageMaker Clarify segít ennek az alapvonalnak a meghatározásában a bemeneti adatkészletben lévő K-középek vagy K-prototípusok használatával, amelyeket ezután hozzáadunk a modell összeállítási folyamatához. Ez a funkció lehetővé teszi számunkra, hogy a jövőben generatív AI-alkalmazásokat építsünk, hogy jobban megértsük a modell működését.
Iparosítás: A prototípustól a gyártásig
Az MLOps projekt magas fokú automatizálást tartalmaz, és mintaként szolgálhat hasonló felhasználási esetekre:
- Az infrastruktúra teljes egészében újrafelhasználható, míg a kezdőkód adaptálható az egyes feladatokhoz, a legtöbb változtatás a folyamat definíciójára és az előfeldolgozás, a betanítás, a következtetések és az utófeldolgozás üzleti logikájára korlátozódik.
- A betanító és következtetési szkripteket SageMaker egyéni tárolók tárolják, így számos modell befogadható az adatok és a modellfigyelés vagy a modell magyarázhatósági lépéseinek módosítása nélkül, mindaddig, amíg az adatok táblázatos formátumban vannak.
A prototípuson végzett munka után rátértünk arra, hogyan használjuk a gyártásban. Ehhez úgy éreztük, hogy további módosításokat kell végrehajtanunk az MLOps sablonon:
- A sablon prototípusában használt eredeti kezdőkód tartalmazta az előfeldolgozási és utófeldolgozási lépéseket, amelyeket az ML alapvető lépései előtt és után futtattak (képzés és következtetés). Ha azonban a sablont a termelésben többszörös felhasználási célokra használja, akkor a beépített elő- és utófeldolgozási lépések a kód általánosságának és reprodukálásának csökkenéséhez vezethetnek.
- Az általánosság javítása és az ismétlődő kódok minimalizálása érdekében úgy döntöttünk, hogy még tovább szűkítjük a folyamatokat. Ahelyett, hogy az elő- és utófeldolgozási lépéseket az ML-folyamat részeként futtatnánk, ezeket az elsődleges Airflow-hangszerelés részeként futtatjuk az ML-folyamat elindítása előtt és után.
- Ily módon a felhasználási esetspecifikus feldolgozási feladatok elvonatkoztathatók a sablonból, és marad egy alapvető ML-folyamat, amely több felhasználási esetre általánosan jellemző feladatokat hajt végre minimális kódismétléssel. A felhasználási esetenként eltérő paraméterek bemenetként kerülnek az ML-csővezetékbe az elsődleges Airflow hangszerelésből.
Az eredmény: Gyors és hatékony megközelítés a modell felépítéséhez és telepítéséhez
A prototípus az AWS-szel együttműködve egy MLOps-sablont eredményezett, amely a jelenlegi bevált gyakorlatokat követi, és mostantól az Axfood összes adattudományi csapata számára elérhető. Egy új SageMaker projekt létrehozásával a SageMaker Stúdión belül az adattudósok gyorsan és zökkenőmentesen kezdhetik meg az új ML projekteket a termelésbe való átállással, ami hatékonyabb időgazdálkodást tesz lehetővé. Ezt az unalmas, ismétlődő MLOps feladatok automatizálása teszi lehetővé a sablon részeként.
Ezen túlmenően számos új funkcióval bővült automatizált módon az ML-beállításunk. Ezek a nyereségek a következők:
- Modellfigyelés – Elsodródási ellenőrzéseket végezhetünk a modell és az adatok minőségére, valamint a modell magyarázhatóságára
- Modell és adatsor – Most már pontosan nyomon követhető, hogy melyik modellhez milyen adatokat használtak fel
- Modell nyilvántartás – Ez segít a gyártási modellek katalógusában és a modellverziók kezelésében
Következtetés
Ebben a bejegyzésben megvitattuk, hogyan javította az Axfood meglévő AI és ML műveleteink működését és méretezhetőségét az AWS szakértőivel együttműködve, valamint a SageMaker és a kapcsolódó termékek használatával.
Ezek a fejlesztések segíteni fogják az Axfood adattudományi csapatait az ML munkafolyamatok szabványosabb kialakításában, és nagymértékben leegyszerűsítik a termelésben lévő modellek elemzését és nyomon követését – ezzel biztosítva a csapataink által épített és karbantartott ML modellek minőségét.
Kérjük, hagyjon visszajelzést vagy kérdést a megjegyzés rovatban.
A szerzőkről
Dr. Björn Blomqvist az Axfood AB mesterséges intelligencia-stratégiájának vezetője. Mielőtt csatlakozott volna az Axfood AB-hez, egy Data Scientist csapatot vezetett az Axfoodhoz tartozó Dagabnál, akik innovatív gépi tanulási megoldásokat építettek ki azzal a küldetéssel, hogy jó és fenntartható élelmiszereket biztosítsanak az embereknek szerte Svédországban. Björn Svédország északi részén született és nőtt fel, szabadidejében havas hegyekre és nyílt tengerekre kalandozik.
Oskar Klang Senior Data Scientist a Dagab analitikai osztályán, ahol szívesen dolgozik az analitikával és a gépi tanulással kapcsolatos mindennel, például az ellátási lánc műveleteinek optimalizálásával, előrejelzési modellek felépítésével és újabban a GenAI-alkalmazásokkal. Elkötelezte magát amellett, hogy korszerűbb gépi tanulási folyamatokat építsen, javítva a hatékonyságot és a méretezhetőséget.
Pavel Maslov Senior DevOps és ML mérnök az Analytic Platforms csapatban. Pavel kiterjedt tapasztalattal rendelkezik a keretrendszerek, infrastruktúra és eszközök fejlesztésében a DevOps és az ML/AI területén az AWS platformon. Pavel volt az egyik kulcsszereplője az Axfood ML-en belüli alapvető képességeinek kiépítésében.
Joakim Berg a csapatvezető és terméktulajdonos elemző platform, amelynek székhelye Svédország Stockholmban található. Egy Data Platform végű DevOps/MLOps mérnökökből álló csapatot vezet, amely adat- és ML platformokat biztosít a Data Science csapatok számára. Joakim sok éves tapasztalattal rendelkezik különböző iparágak vezető fejlesztési és építészeti csapatainak vezetésében.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-axfood-enables-accelerated-machine-learning-throughout-the-organization-using-amazon-sagemaker/
- :van
- :is
- :ahol
- $ UP
- 000
- 100
- 118
- 13
- 130
- 300
- 7
- a
- képesség
- elvonatkoztatott
- absztrakció
- felgyorsult
- elfogadás
- hozzáférés
- pontos
- pontosan
- át
- tényleges
- hozzáadott
- További
- kiigazítások
- Után
- AI
- AI stratégia
- AI / ML
- AIDS
- cél
- Figyelmeztetések
- Minden termék
- lehetővé téve
- már
- Is
- változtatások
- Bár
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- elemzés
- Analitikus
- analitika
- és a
- anomáliák
- bármilyen
- alkalmazások
- megközelítés
- jóváhagyott
- építészet
- VANNAK
- területek
- felmerülhet
- körül
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- értékeli
- At
- Automatizált
- automatizálás
- Automatizálás
- elérhető
- AWS
- alapján
- kiindulási
- BE
- mert
- óta
- előtt
- Kezdet
- hogy
- benchmark
- haszon
- Előnyök
- BEST
- legjobb gyakorlatok
- között
- tervrajz
- született
- mindkét
- HÍD
- hoz
- épít
- Épület
- épült
- beépített
- üzleti
- de
- by
- Kampányok
- TUD
- Kaphat
- képességek
- képesség
- fogások
- eset
- esetek
- katalógus
- központi
- lánc
- kihívást
- esély
- Változások
- ellenőrizze
- Ellenőrzések
- választotta
- osztály
- világos
- közel
- felhő
- felhő szolgáltatások
- kód
- együttműködik
- együttműködő
- együttműködés
- össze
- Hozzászólások
- elkövetni
- elkötelezett
- összehasonlítva
- illetékes
- versenyképes
- teljes
- Befejezi
- alkatrészek
- koncepció
- áll
- Konténer
- Konténerek
- folyamatos
- Mag
- Összefüggés
- Megfelelő
- megfelel
- teremt
- készítette
- teremt
- létrehozása
- tetőzve
- Művelni
- Jelenlegi
- Jelenleg
- szokás
- napi
- dátum
- Adatplatform
- adat-tudomány
- adattudós
- decentralizált
- határozott
- csökkent
- definíció
- Fok
- osztály
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- kijelölt
- tervezett
- részlet
- részletes
- észlelt
- meghatározó
- fejlett
- fejlesztése
- Fejlesztés
- diagram
- különbözik
- különböző
- digitális
- digitális átalakítás
- kedvezményes
- megvitatni
- tárgyalt
- megbeszélése
- terjesztés
- megosztott
- do
- domainek
- le-
- alatt
- e
- minden
- hatékonyság
- hatékony
- erőfeszítés
- hangsúly
- munkavállaló
- alkalmazottak
- lehetővé teszi
- végén
- mérnök
- Mérnöki
- Mérnökök
- fokozása
- biztosítja
- teljesen
- Környezet
- környezetek
- alapvető
- értékelés
- Még
- események
- minden
- pontosan
- létező
- tapasztalat
- szakértők
- magyarázatok
- exponenciálisan
- kiterjedt
- Átfogó tapasztalat
- Divat
- Funkció
- Jellemzők
- Visszacsatolás
- hiba
- Ábra
- áramlási
- ingadozások
- Összpontosít
- következő
- élelmiszer
- A
- Előrejelzés
- forma
- formátum
- Alapítvány
- alapítványi
- Keretrendszer
- keretek
- ból ből
- Gyümölcsök
- Tele
- funkció
- funkciós
- funkcionalitás
- további
- jövő
- Nyereség
- Nyereség
- genai
- általános
- generált
- generál
- generáció
- nemző
- Generatív AI
- kap
- megy
- adott
- Globális
- jó
- nagymértékben
- Földi
- Vendég
- Vendég bejegyzés
- kellett
- Fogantyúk
- kiaknázva
- Legyen
- he
- fej
- segít
- segít
- itt
- Magas
- övé
- történeti
- házigazdája
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- if
- illusztrálja
- fontosság
- fontos
- javul
- javított
- fejlesztések
- in
- raktáron
- Ösztönző
- tartalmaz
- beleértve
- magában foglalja a
- következetlenségek
- Növelje
- <p></p>
- növekvő
- független
- egyéni
- iparágak
- Infrastruktúra
- eredendően
- Innováció
- újító
- bemenet
- helyette
- integrált
- integráció
- Intelligencia
- bele
- bonyolult
- Bevezetett
- IT
- ITS
- csatlakozott
- közös
- jpg
- Kulcs
- nagy
- legnagyobb
- a későbbiekben
- legutolsó
- vezet
- vezető
- TANUL
- tanulás
- Szabadság
- Led
- balra
- szint
- szintek
- életciklus
- Korlátozott
- helyi
- logika
- Hosszú
- gép
- gépi tanulás
- készült
- Fő
- karbantartott
- csinál
- kezelése
- sikerült
- vezetés
- sok
- érett
- Lehet..
- Közben
- mechanizmusok
- aprólékosan
- minimális
- minimalizálása
- minimalizálása
- Küldetés
- ML
- MLOps
- modell
- modellezés
- modellek
- korszerűsítése
- ellenőrzés
- monitorok
- több
- hatékonyabb
- a legtöbb
- mozgó
- többszörös
- elengedhetetlen
- Szükség
- szükséges
- Új
- Északi
- Most
- szám
- megszerzése
- of
- Ajánlatok
- on
- ONE
- csak
- nyitva
- Művelet
- optimalizálása
- or
- hangszerelt
- hangszerelés
- érdekében
- szervezet
- eredeti
- mi
- ki
- teljesítmény
- felett
- saját
- tulajdonos
- Béke
- becsomagolt
- Párhuzamos
- paraméterek
- rész
- különös
- partner
- Emberek (People)
- tökéletes
- tökéletes hely
- Teljesít
- előadó
- fázis
- csővezeték
- döntő
- Hely
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játékos
- portfolió
- lehetséges
- állás
- gyakorlat
- gyakorlat
- előre meghatározott
- előrejelzésére
- előrejelzés
- Tippek
- elsődleges
- folyamat
- feldolgozás
- Termékek
- Termelés
- Termékek
- program
- projektek
- javasolt
- prototípus
- prototípus
- ad
- biztosít
- amely
- meghatalmazott
- cél
- tesz
- világítás
- Kérdések
- gyorsan
- emelt
- Ranking
- gyors
- Nyers
- real-time
- nemrég
- recept
- ismétlődő
- nyilvántartott
- iktató hivatal
- szabályos
- összefüggő
- relatív
- ismétlő
- raktár
- reprodukció
- megköveteli,
- azok
- felelősség
- eredményez
- kapott
- kiskereskedelem
- kiskereskedő
- erős
- robusztus csővezeték
- szabályok
- futás
- futás
- sagemaker
- értékesítés
- skálázhatóság
- skálázható
- skálázás
- tervezett
- Tudomány
- Tudós
- tudósok
- pontszám
- forgatókönyv
- szkriptek
- zökkenőmentesen
- Keresés
- Második
- Rész
- mag
- idősebb
- érzékeny
- különálló
- Series of
- szolgál
- szolgálja
- szolgáltatás
- Szolgáltatások
- szolgáló
- ülések
- készlet
- felépítés
- számos
- Megosztás
- váltás
- kellene
- Műsorok
- hasonló
- egyszerűsítése
- So
- megoldások
- Megoldások
- néhány
- kifinomultság
- kifejezetten
- Spot
- kezdet
- kezdődött
- statisztikai
- statisztika
- tartózkodás
- Lépés
- Lépései
- készlet
- árnyékolók
- egyértelmű
- Stratégia
- áramvonalas
- struktúra
- szerkesztett
- stúdió
- ilyen
- mellékelt
- kínálat
- ellátási lánc
- Támogatja
- felügyelet
- Fenntarthatóság
- fenntartható
- Svédország
- svéd
- rendszer
- Feladat
- feladatok
- csapat
- csapat
- technika
- unalmas
- sablon
- sablonok
- feltételek
- mint
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- harmadik fél
- ezt
- bár?
- Keresztül
- egész
- idő
- alkalommal
- nak nek
- együtt
- szerszámok
- Nyom
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítás
- transzformátor
- átmenet
- Átláthatóság
- kiváltó
- kioldás
- igazság
- Fordult
- kettő
- mennek
- keresztülmegy
- megértés
- közelgő
- us
- használ
- használt
- használ
- segítségével
- érték
- fajta
- változik
- Zöldségek
- Ventures
- keresztül
- volt
- Hulladék
- órák
- Út..
- módon
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- Mi
- amikor
- bármikor
- mivel
- vajon
- ami
- miért
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- világ
- lenne
- írott
- év
- zephyrnet