A gyakori géphibák előrejelzése kritikus fontosságú a feldolgozóiparban. Adott egy termék jellemzőinek halmaza, amely egy adott típusú hibához van kötve, olyan modellt fejleszthet ki, amely képes előre jelezni a hiba típusát, amikor ezeket az attribútumokat egy gépi tanulási (ML) modellbe táplálja. Az ML segíthet a betekintésben, de eddig ML-szakértőkre volt szükség ahhoz, hogy modelleket készítsenek a géphibák típusainak előrejelzésére, amelyek hiánya késleltetheti a vállalkozásoknak a hatékonyság növelése vagy javítása érdekében szükséges korrekciós intézkedéseket.
Ebben a bejegyzésben bemutatjuk, hogyan építhetnek az üzleti elemzők géphiba típusú előrejelző ML-modellt Amazon SageMaker Canvas. A Canvas egy vizuális point-and-click felületet biztosít, amely lehetővé teszi modellek felépítését és pontos ML előrejelzések létrehozását – anélkül, hogy bármilyen ML-tapasztalatot igényelne, vagy egyetlen kódsort kellene írnia.
Megoldás áttekintése
Tételezzük fel, hogy Ön egy nagy gyártó szervezet karbantartó csapatához beosztott üzleti elemző. Karbantartó csapata arra kérte, hogy segítsen előre jelezni a gyakori hibákat. Olyan előzményadatkészletet biztosítottak Önnek, amely egy adott típusú meghibásodáshoz kapcsolódó jellemzőket tartalmaz, és szeretné, ha előre jelezné, melyik hiba fog bekövetkezni a jövőben. A hibatípusok közé tartozik a No Failure, Overstrain és Power Failures. Az adatséma a következő táblázatban látható.
Oszlop neve | Adattípus | Leírás |
UID | INT | Egyedi azonosító 1 és 10,000 XNUMX között |
termék azonosító | STRING | A termék minőségi változataként egy L, M vagy H betűből áll az alacsony, közepes vagy magas értékhez, valamint egy változat-specifikus sorozatszámból |
típus | STRING | A termékazonosítóhoz társított kezdőbetű, amely csak L, M vagy H betűből áll |
levegő hőmérséklet [K] | DECIMÁLIS | A levegő hőmérséklete kelvinben van megadva |
folyamat hőmérséklet [K] | DECIMÁLIS | Precízen szabályozott hőmérsékletek az adott terméktípus kelvinben meghatározott minőségének biztosítására |
forgási sebesség [rpm] | DECIMÁLIS | Egy tengely körül forgó tárgy forgási sebessége a tárgy fordulatainak száma osztva az idővel, percenkénti fordulatszámban |
nyomaték [Nm] | DECIMÁLIS | A gép forgási ereje egy sugáron keresztül, newtonméterben kifejezve |
szerszámkopás [perc] | INT | A szerszámkopás percekben kifejezve |
hiba típusa (cél) | STRING | Nincs hiba, áramszünet vagy túlfeszítési hiba |
A hibatípus azonosítása után a vállalkozások bármilyen korrekciós intézkedést megtehetnek. Ehhez használja a CSV-fájlban található adatokat, amelyek a termék bizonyos jellemzőit tartalmazzák a táblázatban vázolt módon. A Canvas segítségével a következő lépéseket hajthatja végre:
- Importálja a karbantartási adatkészletet.
- Tanítsd meg és építsd fel a prediktív gépkarbantartási modellt.
- Elemezze a modell eredményeit.
- Tesztelje az előrejelzéseket a modellel.
Előfeltételek
Egy felhő adminisztrátor egy AWS-fiók megfelelő engedélyekkel a következő előfeltételek teljesítéséhez:
- Telepítsen egy Amazon SageMaker domain Az utasításokat lásd Bekapcsolva az Amazon SageMaker domainbe.
- Indítsa el a Canvast. Az utasításokat lásd Az Amazon SageMaker Canvas beállítása és kezelése (informatikai rendszergazdáknak).
- Konfigurálja a több eredetû erőforrás-megosztási (CORS) házirendet a Canvas számára. Az utasításokat lásd Lehetőséget ad a felhasználóknak helyi fájlok feltöltésére.
Importálja az adatkészletet
Először töltse le a karbantartási adatkészlet és ellenőrizze a fájlt, hogy megbizonyosodjon arról, hogy minden adat benne van.
A Canvas több mintaadatkészletet biztosít az alkalmazásban, hogy segítse az indulást. Ha többet szeretne megtudni a SageMaker által biztosított mintaadatkészletekről, amelyekkel kísérletezhet, lásd: Használjon mintaadatkészleteket. Ha a mintaadatkészletet használja (canvas-sample-maintenance.csv
) elérhető a Canvason belül, nem kell importálnia a karbantartási adatkészletet.
Különböző adatforrásokból importálhat adatokat a Canvasba. Ha saját adatkészletét tervezi használni, kövesse az alábbi lépéseket Adatok importálása az Amazon SageMaker Canvasba.
Ehhez a bejegyzéshez az általunk letöltött teljes karbantartási adatkészletet használjuk.
- Jelentkezzen be a AWS felügyeleti konzol, a Canvas eléréséhez megfelelő jogosultságokkal rendelkező fiók használatával.
- Jelentkezzen be a Canvas konzolba.
- 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 import.
- 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 Feltöltés És válassza ki a
maintenance_dataset.csv
fájlt. - 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 Adatok importálása hogy feltöltse a Canvasra.
Az importálási folyamat körülbelül 10 másodpercet vesz igénybe (ez az adatkészlet méretétől függően változhat). Ha elkészült, láthatja, hogy az adatkészlet bekerült Ready
állapotát.
Miután megerősítette, hogy az importált adatkészlet ready
, létrehozhatja saját modelljét.
Építsd meg és tanítsd a modellt
A modell létrehozásához és betanításához hajtsa végre a következő lépéseket:
- 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 Új modell, és adjon nevet a modellnek.
- 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 Teremt.
- Válassza ki a
maintenance_dataset.csv
adatkészletet, és válassza ki Válassza ki az adatkészletet.
A modellnézetben négy lapot láthat, amelyek megfelelnek a modell létrehozásának és az előrejelzések generálására szolgáló négy lépésnek: választ, Épít, Elemezés Tippelje. - A választ Lapon válassza ki a
maintenance_dataset.csv
korábban feltöltött adatkészletet, és válassza ki Válassza ki az adatkészletet.
Ez az adatkészlet 9 oszlopot és 10,000 XNUMX sort tartalmaz. A vászon automatikusan az építési fázisba lép. - Ezen a lapon válassza ki esetünkben a céloszlopot Hiba típusa.A karbantartó csapat arról tájékoztatta, hogy ez az oszlop a meglévő gépeik előzményadatai alapján jellemzően észlelt hibák típusát jelzi. Ezt szeretné megjósolni a modelljét. A Canvas automatikusan észleli, hogy ez a 3 Kategória probléma (más néven több osztályú besorolás). Ha nem megfelelő modelltípust észlel, manuálisan módosíthatja a gombbal Módosítsa a típust opciót.
Meg kell jegyezni, hogy ez az adatkészlet erősen kiegyensúlyozatlan a No Failure osztály felé, ami a nevezett oszlopban látható. Hiba típusa. Bár a Canvas és a mögöttes AutoML-képességek részben képesek kezelni az adatkészlet-kiegyensúlyozatlanságot, ez bizonyos ferde teljesítményeket eredményezhet. További következő lépésként tekintse meg a Egyensúlyozza adatait a gépi tanuláshoz az Amazon SageMaker Data Wrangler segítségével. A megosztott hivatkozás lépéseit követve elindíthat egy Amazon SageMaker Studio alkalmazást a SageMaker konzolról, és importálja az adatkészletet Amazon SageMaker Data Wrangler és használja az Egyenleg adatátalakítást, majd vigye vissza a kiegyensúlyozott adatkészletet a Canvasba, és folytassa a következő lépéseket. Folytatjuk a kiegyensúlyozatlan adatkészletet ebben a bejegyzésben, hogy megmutassuk, a Canvas képes kezelni a kiegyensúlyozatlan adatkészleteket is.
Az oldal alsó felében megtekintheti az adatkészlet egyes statisztikáit, beleértve a hiányzó és nem egyező értékeket, az egyedi értékeket, valamint az átlag- és mediánértékeket. Néhány oszlopot el is dobhat, ha nem szeretné használni őket az előrejelzéshez, egyszerűen megszüntetheti a kijelölésüket.
Miután felfedezte ezt a részt, itt az ideje, hogy betanítsa a modellt! A teljes modell felépítése előtt célszerű általános képet alkotni a modell teljesítményéről egy gyorsmodell betanításával. A gyorsmodell kevesebb modell- és hiperparaméter-kombinációt tanít meg annak érdekében, hogy a sebességet részesítse előnyben a pontossággal szemben, különösen olyan esetekben, amikor bizonyítani szeretné egy ML-modell betanításának értékét az Ön használati esetére. Vegye figyelembe, hogy a gyorsépítési lehetőség nem érhető el 50,000 XNUMX sorosnál nagyobb modelleknél. - 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 Gyors felépítés.
Most 2-15 percet várjon. Ha elkészült, a Canvas automatikusan átkerül a Elemez fület, hogy megmutassa a gyors edzés eredményeit. A gyorsépítéssel végzett elemzés becslése szerint az Ön modellje az esetek 99.2%-ában képes megjósolni a megfelelő hibatípust (eredményt). Kissé eltérő értékeket tapasztalhat. Ez várható.
Koncentráljunk az első lapra, Áttekintés. Ez az a lap, amely megmutatja a Oszlop hatás, vagy az egyes oszlopok becsült fontossága a céloszlop előrejelzésében. Ebben a példában a Nyomaték [Nm] és a Forgási sebesség [rpm] oszlopoknak van a legjelentősebb hatása a meghibásodás típusának előrejelzésére.
A modell teljesítményének értékelése
Amikor költözik a Pontozása elemzésének egy részét, láthat egy diagramot, amely a becsült értékeink eloszlását mutatja a tényleges értékekhez képest. Vegye figyelembe, hogy a legtöbb hiba a No Failure kategóriába tartozik. Ha többet szeretne megtudni arról, hogy a Canvas hogyan használja az SHAP-alapvonalakat az ML magyarázhatóságához, tekintse meg a következőt: Modellje teljesítményének értékelése az Amazon SageMaker Canvasban<p></p>
A SHAP alapjai a megmagyarázhatósághoz.
A Canvas a betanítás előtt felosztja az eredeti adatkészletet betanítási és érvényesítési készletekre. A pontozás annak eredménye, hogy a Canvas a modellhez képest futtatta az érvényesítési készletet. Ez egy interaktív felület, ahol kiválaszthatja a hiba típusát. Ha úgy dönt Túlfeszítési hiba az ábrán látható, hogy a modell az esetek 84%-ában ezeket azonosítja. Ez elég jó ahhoz, hogy intézkedjen – esetleg kérjen meg egy kezelőt vagy mérnököt, hogy ellenőrizze tovább. Választhatsz Áramkimaradás a grafikon a megfelelő pontozás megtekintéséhez a további értelmezéshez és műveletekhez.
Érdekelhetik a meghibásodások típusai, és hogy a modell mennyire jósolja meg a hibatípusokat a bemenetek sorozata alapján. Az eredmények közelebbi megtekintéséhez válassza a lehetőséget Speciális mutatók. Ez egy mátrixot jelenít meg, amely lehetővé teszi az eredmények alaposabb vizsgálatát. Az ML-ben ezt a zavart mátrix.
Ez a mátrix alapértelmezés szerint a domináns osztály, a No Failure. A Osztály menüben megtekintheti a másik két hibatípus, a túlfeszítési hiba és az áramkimaradás speciális mérőszámait.
Az ML-ben a modell pontosságát a helyes előrejelzések száma osztva az összes előrejelzés számával. A kék négyzetek helyes előrejelzéseket jelölnek, amelyeket a modell a tesztadatok egy olyan részhalmazával szemben készített, ahol ismert volt az eredmény. Itt arra vagyunk kíváncsiak, hogy a modell az esetek hány százalékában jelezte előre egy adott géphibatípust (mondjuk Nincs kudarc) amikor valójában ez a hibatípus (Nincs kudarc). ML-ben ennek mérésére használt arány a TP / (TP + FN). Ezt úgy nevezik visszahívás. Az alapértelmezett esetben, No Failure, 1,923 helyes előrejelzés volt az 1,926 összesített rekordból, ami 99%-ot eredményezett. visszahívás. Alternatív megoldásként a túlfeszítési hiba osztályában 32 volt a 38-ból, ami 84%-ot eredményez. visszahívás. Végül az áramkimaradások osztályában 16-ből 19 volt, ami 84%-ot eredményez. visszahívás.
Most két lehetőség közül választhat:
- Ezt a modellt használhatja bizonyos előrejelzések futtatására, ha kiválasztja Tippelje.
- Létrehozhat egy új verziót ennek a modellnek az edzéshez Szabványos felépítés választási lehetőség. Ez sokkal tovább tart – körülbelül 1–2 órát –, de robusztusabb modellt biztosít, mivel átesik az adatok, az algoritmusok és a hangolási iterációk teljes AutoML áttekintésén.
Mivel Ön megpróbálja megjósolni a hibákat, és a modell az esetek 84%-ában helyesen jelzi előre a hibákat, magabiztosan használhatja a modellt a lehetséges hibák azonosítására. Tehát továbbléphet az 1. lehetőséghez. Ha nem volt magabiztos, kérhet egy adattudóst, hogy tekintse át a Canvas modellezését, és javasoljon lehetséges fejlesztéseket a 2. lehetőség segítségével.
Előrejelzések generálása
Most, hogy a modell betanított, elkezdheti az előrejelzések generálását.
- 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 Tippelje a Elemez oldalt, vagy válassza ki a Tippelje Tab.
- 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 Válassza ki az adatkészletet, és válassza a
maintenance_dataset.csv
fájlt. - 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 Előrejelzések generálása.
A Canvas ezt az adatkészletet használja előrejelzéseink generálásához. Bár általában célszerű nem ugyanazt az adatkészletet használni a képzéshez és a teszteléshez, az egyszerűség kedvéért ebben az esetben ugyanazt az adatkészletet használhatja. Alternatív megoldásként eltávolíthat néhány rekordot az eredeti adatkészletből, amelyet a betanításhoz használ, és ezeket a rekordokat egy CSV-fájlban használhatja, és itt továbbíthatja a kötegelőrejelzésbe, hogy ne használja ugyanazt az adatkészletet a betanítás utáni teszteléshez.
Néhány másodperc múlva a jóslat teljes. A Canvas minden adatsorhoz egy előrejelzést ad vissza, valamint az előrejelzés helyességének valószínűségét. Választhatsz Preview az előrejelzések megtekintéséhez, vagy válassza a lehetőséget Letöltés a teljes kimenetet tartalmazó CSV-fájl letöltéséhez.
Választhatja azt is, hogy az értékeket egyesével előre jelezze Egyetlen jóslat helyett Kötegelt előrejelzés. A Canvas egy nézetet jelenít meg, ahol manuálisan megadhatja az egyes funkciók értékeit, és előrejelzést generálhat. Ez ideális olyan helyzetekben, mint a mi lenne, ha forgatókönyvek, például: Hogyan befolyásolja a szerszám kopása a hiba típusát? Mi van, ha a folyamat hőmérséklete nő vagy csökken? Mi van, ha a forgási sebesség megváltozik?
Szabványos felépítés
A Szabványos felépítés opció a pontosságot választja a sebesség helyett. Ha meg szeretné osztani a modell műtermékeit az adattudósaival és az ML mérnökeivel, ezután létrehozhat egy szabványos összeállítást.
- 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 Verzió hozzáadása
- Válasszon egy új verziót, és válasszon Szabványos felépítés.
- A szabványos build létrehozása után megoszthatja a modellt adattudósokkal és ML mérnökökkel további kiértékelés és iteráció céljából.
Tisztítsuk meg
Hogy elkerüljük a jövőbeli eseményeket munkamenet díjak, jelentkezzen ki a Canvasból.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan hozhat létre egy üzleti elemző géphiba típusú előrejelzési modellt a Canvas segítségével karbantartási adatok felhasználásával. A Canvas lehetővé teszi az üzleti elemzők, például a megbízhatósági mérnökök számára, hogy pontos ML-modelleket hozzanak létre, és előrejelzéseket generáljanak kód nélküli, vizuális, rámutatással és kattintással. Az elemzők ezt a következő szintre emelhetik, ha megosztják modelljeiket adattudós kollégákkal. Az adattudósok megtekinthetik a Canvas-modellt a Studio alkalmazásban, ahol felfedezhetik a Canvas által hozott döntéseket, ellenőrizhetik a modelleredményeket, és néhány kattintással akár gyártásba is vihetik a modellt. Ez felgyorsíthatja az ML-alapú értékteremtést, és gyorsabban skálázhatja a jobb eredményeket.
Ha többet szeretne megtudni a Canvas használatáról, lásd: Építés, megosztás, üzembe helyezés: hogyan érhetik el az üzleti elemzők és adattudósok gyorsabb piacra jutási időt a kód nélküli ML és az Amazon SageMaker Canvas használatával. Az ML-modellek kód nélküli megoldással történő létrehozásával kapcsolatos további információkért lásd: Bejelentik az Amazon SageMaker Canvast – egy vizuális, kód nélküli gépi tanulási képesség üzleti elemzők számára.
A szerzőkről
Rajakumar Sampathkumar az AWS fő műszaki ügyfélmenedzsere, aki útmutatást nyújt az ügyfeleknek az üzleti technológia összehangolásához, és támogatja felhőalapú működési modelljeik és folyamataik újrafeltalálását. Szenvedélye a felhő és a gépi tanulás. Raj egyben gépi tanulási specialista is, és az AWS-ügyfelekkel együttműködve tervezi, telepíti és kezeli az AWS-munkaterheléseket és architektúrákat.
Twann Atkins az Amazon Web Services vezető megoldástervezője. Feladata a mezőgazdasági, kiskereskedelmi és gyártási ügyfelekkel való együttműködés az üzleti problémák azonosítása érdekében, és visszafelé dolgozik az életképes és méretezhető műszaki megoldások azonosításán. A Twann több mint 10 éve segít ügyfeleinek a kritikus munkaterhelések megtervezésében és áttelepítésében, a közelmúltban az analitika, a mesterséges intelligencia és a gépi tanulás demokratizálására összpontosítva a jövő ügyfelei és építői számára.
Omkar Mukadam az Amazon Web Services Edge Specialist Solution Architecture szakértője. Jelenleg azokra a megoldásokra összpontosít, amelyek lehetővé teszik a kereskedelmi ügyfelek számára, hogy hatékonyan tervezzenek, építsenek és méretezhessenek az AWS Edge szolgáltatásaival, amely magában foglalja, de nem kizárólagosan az AWS Snow Family-t.
- Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
- CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
- Forrás: 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
- képesség
- Rólunk
- gyorsul
- hozzáférés
- Fiók
- pontos
- Elérése
- Akció
- cselekvések
- További
- admin
- adminisztrátorok
- fejlett
- ellen
- mezőgazdaság
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- Bár
- amazon
- Az Amazon Web Services
- elemzés
- elemzés
- elemző
- analitika
- bárhol
- app
- Alkalmazás
- megfelelő
- körülbelül
- építészet
- körül
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia és gépi tanulás
- kijelölt
- társult
- attribútumok
- automatikusan
- elérhető
- AWS
- Tengely
- mert
- előtt
- hogy
- nagyobb
- határ
- hoz
- épít
- Épület
- üzleti
- vállalkozások
- vászon
- képességek
- eset
- esetek
- Kategória
- bizonyos
- változik
- választás
- 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
- osztály
- közelebb
- felhő
- kód
- munkatársai
- Oszlop
- kombinációk
- kereskedelmi
- Közös
- teljes
- magabiztos
- Konzol
- tartalmaz
- folytatódik
- tudott
- teremt
- létrehozása
- teremtés
- kritikai
- Jelenleg
- Ügyfelek
- dátum
- adattudós
- késleltetés
- attól
- telepíteni
- Design
- észlelt
- Fejleszt
- DID
- különböző
- kijelzők
- terjesztés
- domain
- letöltés
- Csepp
- minden
- él
- hatékonyan
- lehetővé teszi
- mérnök
- Mérnökök
- különösen
- becsült
- becslések
- értékelni
- értékelés
- példa
- létező
- várható
- tapasztalat
- kísérlet
- szakértők
- feltárása
- kifejezve
- Kudarc
- család
- gyorsabb
- Funkció
- vezetéknév
- Összpontosít
- koncentrál
- következik
- következő
- ból ből
- Tele
- további
- jövő
- általános
- általában
- generál
- generáló
- jó
- fogantyú
- tekintettel
- segít
- segít
- itt
- nagyon
- történeti
- Hogyan
- HTTPS
- ötlet
- ideális
- azonosítani
- Hatás
- fontosság
- javított
- javulás
- tartalmaz
- magában foglalja a
- Beleértve
- iparágak
- információ
- tájékoztatták
- meglátások
- Intelligencia
- interaktív
- érdekelt
- Felület
- értelmezés
- IT
- ismert
- nagy
- indít
- TANUL
- tanulás
- szint
- Korlátozott
- vonal
- LINK
- Listázott
- helyi
- néz
- gép
- gépi tanulás
- gép
- készült
- karbantartás
- csinál
- kezelése
- vezetés
- menedzser
- kezelése
- kézzel
- gyártási
- Mátrix
- intézkedés
- közepes
- Metrics
- ML
- modell
- modellek
- több
- a legtöbb
- mozog
- következő
- neves
- szám
- ajánlat
- Ajánlat
- működés
- operátor
- opció
- Opciók
- érdekében
- szervezet
- eredeti
- Más
- átfogó
- saját
- különös
- szenvedélyes
- százalék
- teljesítmény
- előadások
- fázis
- Politikák
- lehetséges
- potenciális
- hatalom
- gyakorlat
- előre
- előrejelzés
- Tippek
- Fő
- Probléma
- problémák
- folyamat
- Folyamatok
- Termékek
- Termékminőség
- Termelés
- ad
- feltéve,
- biztosít
- amely
- világítás
- Quick
- kezdve
- új
- nyilvántartások
- képvisel
- képviselő
- kötelező
- forrás
- felelős
- Eredmények
- kiskereskedelem
- Visszatér
- Kritika
- futás
- futás
- azonos
- skálázható
- Skála
- Tudós
- tudósok
- pontozás
- másodperc
- sorozatszám
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- Megosztás
- megosztott
- megosztás
- előadás
- jelentős
- egyetlen
- Méret
- hó
- So
- szilárd
- megoldások
- Megoldások
- néhány
- szakember
- sebesség
- szakadások
- standard
- kezdet
- kezdődött
- statisztika
- Állapot
- stúdió
- Támogató
- cél
- csapat
- Műszaki
- teszt
- Tesztelés
- A
- Keresztül
- Bekötött
- idő
- holnap
- szerszám
- felé
- Képzések
- vonatok
- Átalakítás
- típusok
- jellemzően
- egyedi
- használ
- Felhasználók
- érvényesítés
- érték
- változat
- Megnézem
- várjon
- háló
- webes szolgáltatások
- Mit
- belül
- dolgozó
- művek
- lenne
- év
- A te