Postingan ini ditulis bekerja sama dengan Brad Duncan, Rachel Johnson dan Richard Alcock dari MathWorks.
MATLABโฏ adalah alat pemrograman populer untuk berbagai aplikasi, seperti pemrosesan data, komputasi paralel, otomatisasi, simulasi, pembelajaran mesin, dan kecerdasan buatan. Ini banyak digunakan di banyak industri seperti otomotif, dirgantara, komunikasi, dan manufaktur. Dalam beberapa tahun terakhir, MathWorks telah menghadirkan banyak penawaran produk ke cloud, terutama di cloud Layanan Web Amazon (AWS). Untuk detail selengkapnya tentang produk cloud MathWorks, lihat MATLAB dan Simulink di Cloud or email Pekerjaan Matematika.
Dalam postingan ini, kami menghadirkan kemampuan pembelajaran mesin MATLAB Amazon SageMaker, yang memiliki beberapa manfaat signifikan:
- Hitung sumber daya: Menggunakan lingkungan komputasi berkinerja tinggi yang ditawarkan SageMaker dapat mempercepat pelatihan pembelajaran mesin.
- Kolaborasi: MATLAB dan SageMaker bersama-sama menyediakan platform tangguh yang dapat digunakan oleh tim untuk berkolaborasi secara efektif dalam membangun, menguji, dan menerapkan model pembelajaran mesin.
- Penerapan dan aksesibilitas: Model dapat diterapkan sebagai titik akhir real-time SageMaker, sehingga mudah diakses oleh aplikasi lain untuk memproses data streaming langsung.
Kami menunjukkan kepada Anda cara melatih model pembelajaran mesin MATLAB sebagai tugas pelatihan SageMaker dan kemudian menerapkan model tersebut sebagai titik akhir real-time SageMaker sehingga dapat memproses data streaming langsung.
Untuk melakukan hal ini, kami akan menggunakan contoh pemeliharaan prediktif di mana kami mengklasifikasikan kesalahan pada pompa operasional yang mengalirkan data sensor langsung. Kami memiliki akses ke gudang besar data berlabel yang dihasilkan dari a Tautan Simu simulasi yang memiliki tiga kemungkinan jenis kesalahan dalam berbagai kemungkinan kombinasi (misalnya, satu kondisi sehat dan tujuh kondisi rusak). Karena kami memiliki model sistem dan kesalahan jarang terjadi dalam pengoperasiannya, kami dapat memanfaatkan data simulasi untuk melatih algoritme kami. Model ini dapat disesuaikan dengan data operasional dari pompa sebenarnya menggunakan teknik estimasi parameter di MATLAB dan Simulink.
Tujuan kami adalah untuk menunjukkan kekuatan gabungan MATLAB dan Amazon SageMaker menggunakan contoh klasifikasi kesalahan ini.
Kami mulai dengan melatih model pengklasifikasi di desktop kami dengan MATLAB. Pertama, kami mengekstrak fitur dari sebagian kumpulan data lengkap menggunakan Perancang Fitur Diagnostik aplikasi, lalu jalankan pelatihan model secara lokal dengan model pohon keputusan MATLAB. Setelah kami puas dengan pengaturan parameter, kami dapat membuat fungsi MATLAB dan mengirimkan tugas beserta kumpulan datanya ke SageMaker. Hal ini memungkinkan kami meningkatkan proses pelatihan untuk mengakomodasi kumpulan data yang jauh lebih besar. Setelah melatih model kami, kami menerapkannya sebagai titik akhir langsung yang dapat diintegrasikan ke dalam aplikasi hilir atau dasbor, seperti Aplikasi Web MATLAB.
Contoh ini akan merangkum setiap langkah, memberikan pemahaman praktis tentang cara memanfaatkan MATLAB dan Amazon SageMaker untuk tugas pembelajaran mesin. Kode lengkap dan deskripsi contoh tersedia di sini gudang.
Prasyarat
- Lingkungan kerja MATLAB 2023a atau lebih baru dengan MATLAB Compiler dan Statistics and Machine Learning Toolbox di Linux. Ini sebuah panduan cepat tentang cara menjalankan MATLAB di AWS.
- Docker diatur dalam sebuah Amazon Elastic Compute Cloud (Amazon EC2) contoh di mana MATLAB sedang berjalan. Salah satu Ubuntu or Linux.
- Pemasangan Antarmuka Baris Perintah AWS (AWS CLI), Konfigurasi AWS, dan Python3.
- AWS CLI, seharusnya sudah terinstal jika Anda mengikuti panduan instalasi dari langkah 1.
- Siapkan Konfigurasi AWS untuk berinteraksi dengan sumber daya AWS.
- Verifikasi instalasi python3 Anda dengan menjalankan
python -V
orpython --version
perintah di terminal Anda. Instal Python jika perlu.
- Salin repo ini ke folder di mesin Linux Anda dengan menjalankan:
- Periksa izin pada folder repo. Jika tidak memiliki izin menulis, jalankan perintah shell berikut:
- Bangun wadah pelatihan MATLAB dan dorong ke Registri Kontainer Amazon Elastic (Amazon ECR).
- Arahkan ke map
docker
- Buat repo Amazon ECR menggunakan AWS CLI (ganti REGION dengan wilayah AWS pilihan Anda)
- Jalankan perintah buruh pelabuhan berikut:
- Arahkan ke map
- Buka MATLAB dan buka skrip langsung yang disebut
PumpFaultClassificationMATLABSageMaker.mlx
dalam folderexamples/PumpFaultClassification
. Jadikan folder ini sebagai folder kerja Anda saat ini di MATLAB.
Bagian 1: Persiapan data & ekstraksi fitur
Langkah pertama dalam setiap proyek pembelajaran mesin adalah menyiapkan data Anda. MATLAB menyediakan berbagai alat untuk mengimpor, membersihkan, dan mengekstrak fitur dari data Anda.:
Grafik SensorData.mat
kumpulan data berisi 240 catatan. Setiap catatan memiliki dua jadwal: flow
dan pressure
. Kolom targetnya adalah faultcode
, yang merupakan representasi biner dari tiga kemungkinan kombinasi gangguan pada pompa. Untuk tabel deret waktu tersebut, setiap tabel memiliki 1,201 baris yang meniru aliran pompa dan pengukuran tekanan selama 1.2 detik dengan kenaikan 0.001 detik.
Selanjutnya, aplikasi Perancang Fitur Diagnostik memungkinkan Anda mengekstrak, memvisualisasikan, dan memberi peringkat berbagai fitur dari data. Di sini, Anda menggunakan Fitur Otomatis, yang dengan cepat mengekstrak serangkaian fitur domain waktu dan frekuensi dari kumpulan data dan memberi peringkat pada kandidat teratas untuk pelatihan model. Anda kemudian dapat mengekspor fungsi MATLAB yang akan menghitung ulang 15 fitur peringkat teratas dari data masukan baru. Sebut saja fungsi ini extractFeaturesTraining
. Fungsi ini dapat dikonfigurasi untuk mengambil semua data dalam satu batch atau sebagai data streaming.
Fungsi ini menghasilkan tabel fitur dengan kode kesalahan terkait, seperti yang ditunjukkan pada gambar berikut:
Bagian 2: Mengatur data untuk SageMaker
Selanjutnya, Anda perlu mengatur data sedemikian rupa sehingga SageMaker dapat digunakan untuk pelatihan pembelajaran mesin. Biasanya, hal ini melibatkan pemisahan data menjadi set pelatihan dan validasi serta pemisahan data prediktor dari respons target.
Pada tahap ini, operasi pembersihan dan pemfilteran data lain yang lebih kompleks mungkin diperlukan. Dalam contoh ini, datanya sudah bersih. Kemungkinan besar, jika pemrosesan data sangat kompleks dan memakan waktu, tugas pemrosesan SageMaker dapat digunakan untuk menjalankan tugas tersebut selain dari pelatihan SageMaker sehingga tugas tersebut dapat dipisahkan menjadi dua langkah.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
Bagian 3: Melatih dan menguji model pembelajaran mesin di MATLAB
Sebelum beralih ke SageMaker, ada baiknya Anda membuat dan menguji model pembelajaran mesin secara lokal di MATLAB. Hal ini memungkinkan Anda melakukan iterasi dan debug model dengan cepat. Anda dapat menyiapkan dan melatih pengklasifikasi pohon keputusan sederhana secara lokal.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Pekerjaan pelatihan di sini akan memakan waktu kurang dari satu menit untuk diselesaikan dan menghasilkan beberapa grafik untuk menunjukkan kemajuan pelatihan. Setelah pelatihan selesai, dihasilkan model pembelajaran mesin MATLAB. Itu Pembelajar Klasifikasi aplikasi dapat digunakan untuk mencoba berbagai jenis model klasifikasi dan menyempurnakannya untuk mendapatkan performa terbaik, lalu menghasilkan kode yang diperlukan untuk menggantikan kode pelatihan model di atas.
Setelah memeriksa metrik akurasi untuk model yang dilatih secara lokal, kita dapat memindahkan pelatihan ke Amazon SageMaker.
Bagian 4: Latih model di Amazon SageMaker
Setelah Anda puas dengan modelnya, Anda dapat melatihnya dalam skala besar menggunakan SageMaker. Untuk mulai memanggil SDK SageMaker, Anda perlu memulai sesi SageMaker.
session = sagemaker.Session();
Tentukan eksekusi SageMaker Peran IAM yang akan digunakan oleh pekerjaan pelatihan dan hosting titik akhir.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Dari MATLAB, simpan data pelatihan sebagai file .csv ke Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Buat Penaksir SageMaker
Selanjutnya, Anda perlu membuat estimator SageMaker dan meneruskan semua parameter yang diperlukan ke dalamnya, seperti gambar buruh pelabuhan pelatihan, fungsi pelatihan, variabel lingkungan, ukuran instans pelatihan, dan sebagainya. URI gambar pelatihan harus berupa URI Amazon ECR yang Anda buat pada langkah prasyarat dengan format ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Fungsi pelatihan harus disediakan di bagian bawah skrip langsung MATLAB.
Kirimkan pekerjaan pelatihan SageMaker
Memanggil metode kecocokan dari estimator akan mengirimkan tugas pelatihan ke SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Anda juga dapat memeriksa status tugas pelatihan dari konsol SageMaker:
Setelah tugas pelatihan selesai, memilih tautan tugas akan membawa Anda ke halaman deskripsi tugas tempat Anda dapat melihat model MATLAB yang disimpan dalam bucket S3 khusus:
Bagian 5: Terapkan model sebagai titik akhir SageMaker waktu nyata
Setelah pelatihan, Anda dapat menerapkan model sebagai titik akhir SageMaker real-time, yang dapat Anda gunakan untuk membuat prediksi secara real-time. Untuk melakukan hal ini, panggil metode penerapan dari estimator. Di sinilah Anda dapat mengatur ukuran instans yang diinginkan untuk hosting tergantung pada beban kerja.
Di balik layar, langkah ini membangun citra buruh pelabuhan inferensi dan mendorongnya ke repositori Amazon ECR, pengguna tidak perlu melakukan apa pun untuk membangun kontainer inferensi. Gambar berisi semua informasi yang diperlukan untuk melayani permintaan inferensi, seperti lokasi model, informasi otentikasi MATLAB, dan algoritma. Setelah itu, Amazon SageMaker membuat konfigurasi titik akhir SageMaker dan akhirnya menerapkan titik akhir real-time. Titik akhir dapat dipantau di konsol SageMaker dan dapat dihentikan kapan saja jika tidak digunakan lagi.
Bagian 6: Uji titik akhir
Sekarang setelah titik akhir aktif dan berjalan, Anda dapat menguji titik akhir dengan memberikan beberapa catatan untuk diprediksi. Gunakan kode berikut untuk memilih 10 rekaman dari data pelatihan dan mengirimkannya ke titik akhir untuk prediksi. Hasil prediksi dikirim kembali dari titik akhir dan ditampilkan pada gambar berikut.
Bagian 7: Integrasi dasbor
Titik akhir SageMaker dapat dipanggil oleh banyak layanan AWS asli. Ini juga dapat digunakan sebagai REST API standar jika diterapkan bersama dengan AWS Lambda fungsi dan gateway API, yang dapat diintegrasikan dengan aplikasi web apa pun. Untuk kasus penggunaan khusus ini, Anda dapat menggunakan penyerapan streaming dengan Amazon SageMaker Feature Store dan Amazon Managed Streaming untuk Apache Kafka, MSK, untuk membuat keputusan yang didukung pembelajaran mesin hampir secara real-time. Integrasi lain yang mungkin dilakukan adalah menggunakan kombinasi Amazon Kinesis, SageMaker, dan Apache Flink untuk membangun aplikasi yang terkelola, andal, skalabel, dan memiliki ketersediaan tinggi yang mampu melakukan inferensi real-time pada aliran data.
Setelah algoritme diterapkan ke titik akhir SageMaker, Anda mungkin ingin memvisualisasikannya menggunakan dasbor yang menampilkan prediksi streaming secara real-time. Di aplikasi web MATLAB kustom berikut, Anda dapat melihat data tekanan dan aliran berdasarkan pompa, dan prediksi kesalahan langsung dari model yang diterapkan.
Dasbor ini menyertakan model sisa masa manfaat (RUL) untuk memprediksi waktu kegagalan setiap pompa yang bersangkutan. Untuk mempelajari cara melatih algoritma RUL, lihat Kotak Peralatan Pemeliharaan Prediktif.
Membersihkan
Setelah Anda menjalankan solusi ini, pastikan Anda membersihkan sumber daya AWS yang tidak diperlukan untuk menghindari biaya tak terduga. Anda dapat membersihkan sumber daya ini menggunakan SDK Python SageMaker atau AWS Management Console untuk layanan spesifik yang digunakan di sini (SageMaker, Amazon ECR, dan Amazon S3). Dengan menghapus sumber daya ini, Anda mencegah biaya lebih lanjut untuk sumber daya yang tidak lagi Anda gunakan.
Kesimpulan
Kami telah mendemonstrasikan bagaimana Anda dapat menghadirkan MATLAB ke SageMaker untuk kasus penggunaan pemeliharaan prediktif pompa dengan seluruh siklus hidup pembelajaran mesin. SageMaker menyediakan lingkungan yang terkelola sepenuhnya untuk menjalankan beban kerja pembelajaran mesin dan menerapkan model dengan banyak pilihan instans komputasi yang melayani berbagai kebutuhan.
Penolakan tanggung jawab: Kode yang digunakan dalam postingan ini dimiliki dan dikelola oleh MathWorks. Lihat persyaratan lisensi di repo GitHub. Untuk masalah apa pun dengan kode atau permintaan fitur, silakan buka masalah GitHub di repositori
Referensi
Tentang Penulis
Brad Duncan adalah manajer produk untuk kemampuan pembelajaran mesin di Kotak Alat Statistik dan Pembelajaran Mesin di MathWorks. Dia bekerja dengan pelanggan untuk menerapkan AI di bidang teknik baru seperti menggabungkan sensor virtual dalam sistem rekayasa, membangun model pembelajaran mesin yang dapat dijelaskan, dan menstandardisasi alur kerja AI menggunakan MATLAB dan Simulink. Sebelum bergabung dengan MathWorks, dia memimpin tim untuk simulasi 3D dan optimalisasi aerodinamika kendaraan, pengalaman pengguna untuk simulasi 3D, dan manajemen produk untuk perangkat lunak simulasi. Brad juga merupakan dosen tamu di Tufts University di bidang aerodinamika kendaraan.
Richard Alcock adalah manajer pengembangan senior untuk Integrasi Cloud Platform di MathWorks. Dalam peran ini, dia berperan penting dalam mengintegrasikan produk MathWorks ke dalam platform cloud dan container. Dia menciptakan solusi yang memungkinkan para insinyur dan ilmuwan memanfaatkan potensi penuh MATLAB dan Simulink di lingkungan berbasis cloud. Dia sebelumnya adalah seorang rekayasa perangkat lunak di MathWorks, mengembangkan solusi untuk mendukung alur kerja komputasi paralel dan terdistribusi.
Rachel Johnson adalah manajer produk untuk pemeliharaan prediktif di MathWorks, dan bertanggung jawab atas keseluruhan strategi produk dan pemasaran. Dia sebelumnya adalah seorang insinyur aplikasi yang secara langsung mendukung industri dirgantara dalam proyek pemeliharaan prediktif. Sebelum bekerja di MathWorks, Rachel adalah insinyur simulasi aerodinamika dan propulsi untuk Angkatan Laut AS. Dia juga menghabiskan beberapa tahun mengajar matematika, fisika, dan teknik.
Shun Mao adalah Arsitek Solusi Mitra AI/ML Senior di tim Emerging Technologies di Amazon Web Services. Dia bersemangat bekerja dengan pelanggan dan mitra perusahaan untuk merancang, menerapkan, dan menskalakan aplikasi AI/ML guna memperoleh nilai bisnis mereka. Di luar pekerjaan, dia menikmati memancing, jalan-jalan, dan bermain Ping-Pong.
Ramesh Jatiya adalah Arsitek Solusi di tim Vendor Perangkat Lunak Independen (ISV) di Amazon Web Services. Dia bersemangat bekerja dengan pelanggan ISV untuk merancang, menerapkan, dan menskalakan aplikasi mereka di cloud guna memperoleh nilai bisnis mereka. Ia juga sedang mengejar gelar MBA di bidang Pembelajaran Mesin dan Analisis Bisnis dari Babson College, Boston. Di luar pekerjaan, dia menikmati berlari, bermain tenis, dan memasak.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- Tentang Kami
- atas
- mengakses
- dapat diakses
- menampung
- Akun
- ketepatan
- Keuntungan
- Aerospace
- Setelah
- AI
- AI / ML
- algoritma
- algoritma
- Semua
- memungkinkan
- sepanjang
- sudah
- juga
- Amazon
- Amazon EC2
- Amazon SageMaker
- Amazon Web Services
- an
- analisis
- dan
- Lain
- Apa pun
- Apache
- selain
- api
- aplikasi
- aplikasi memungkinkan
- Aplikasi
- aplikasi
- Mendaftar
- ADALAH
- DAERAH
- daerah
- buatan
- kecerdasan buatan
- AS
- terkait
- At
- Otentikasi
- mobil
- Otomatisasi
- otomotif
- tersedia
- menghindari
- AWS
- Konsol Manajemen AWS
- babson
- kembali
- BE
- karena
- sebelum
- mulai
- Manfaat
- TERBAIK
- boston
- Bawah
- brad
- membawa
- luas
- Terbawa
- membangun
- Bangunan
- membangun
- bisnis
- by
- panggilan
- bernama
- panggilan
- CAN
- calon
- kemampuan
- mampu
- kasus
- beban
- memeriksa
- memeriksa
- klasifikasi
- Klasifikasi
- membersihkan
- Pembersihan
- awan
- Platform Cloud
- kode
- Kode
- Berkolaborasi
- kolaborasi
- Perguruan tinggi
- Kolom
- COM
- kombinasi
- kombinasi
- bergabung
- kedatangan
- Komunikasi
- kompleks
- menghitung
- komputasi
- konfigurasi
- dikonfigurasi
- konsul
- memakan
- Wadah
- mengandung
- Biaya
- membuat
- dibuat
- menciptakan
- terbaru
- adat
- pelanggan
- dasbor
- data
- Persiapan data
- pengolahan data
- kumpulan data
- keputusan
- keputusan
- dedicated
- mendemonstrasikan
- menunjukkan
- Tergantung
- menyebarkan
- dikerahkan
- penggelaran
- menyebarkan
- memperoleh
- deskripsi
- Mendesain
- perancang
- diinginkan
- Desktop
- rincian
- berkembang
- Pengembangan
- diagnostik
- langsung
- menampilkan
- didistribusikan
- komputasi terdistribusi
- do
- Buruh pelabuhan
- tidak
- domain
- duncan
- setiap
- efektif
- antara
- muncul
- teknologi yang muncul
- aktif
- akhir
- Titik akhir
- insinyur
- direkayasa
- Teknik
- Insinyur
- Enterprise
- Seluruh
- Lingkungan Hidup
- lingkungan
- terutama
- contoh
- eksekusi
- pengalaman
- ekspor
- ekstrak
- Ekstrak
- Kegagalan
- kesalahan
- salah
- Fitur
- Fitur
- beberapa
- Angka
- File
- penyaringan
- Akhirnya
- menyelesaikan
- Pertama
- Penangkapan Ikan
- cocok
- aliran
- diikuti
- berikut
- berikut
- Untuk
- format
- Frekuensi
- dari
- penuh
- sepenuhnya
- fungsi
- lebih lanjut
- pintu gerbang
- menghasilkan
- dihasilkan
- menghasilkan
- GitHub
- Pemberian
- baik
- grafik
- besar
- Tamu
- membimbing
- memanfaatkan
- Memiliki
- he
- Kesehatan
- sehat
- berat
- di sini
- kinerja tinggi
- sangat
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- ide
- if
- gambar
- pengimporan
- in
- termasuk
- menggabungkan
- kenaikan
- independen
- menunjukkan
- industri
- industri
- informasi
- memulai
- memasukkan
- install
- instalasi
- diinstal
- contoh
- instrumental
- terpadu
- Mengintegrasikan
- integrasi
- integrasi
- Intelijen
- berinteraksi
- Antarmuka
- ke
- isu
- masalah
- isv
- IT
- Pekerjaan
- Jobs
- Johnson
- jpg
- besar
- lebih besar
- kemudian
- Terbaru
- BELAJAR
- pengetahuan
- Dipimpin
- kurang
- Leverage
- Lisensi
- Hidup
- siklus hidup
- LINK
- linux
- hidup
- lokal
- tempat
- masuk
- lagi
- mesin
- Mesin belajar
- pemeliharaan
- membuat
- Membuat
- berhasil
- pengelolaan
- manajer
- pabrik
- banyak
- Marketing
- Cocok
- matematika
- pengukuran
- metode
- Metrik
- mungkin
- menit
- ML
- model
- model
- Memantau
- dipantau
- lebih
- pindah
- bergerak
- banyak
- Bernama
- asli
- Dekat
- perlu
- Perlu
- dibutuhkan
- kebutuhan
- New
- tidak
- tidak ada
- tujuan
- of
- ditawarkan
- Penawaran
- on
- sekali
- ONE
- Buka
- operasi
- operasional
- Operasi
- optimasi
- or
- Lainnya
- kami
- keluaran
- di luar
- secara keseluruhan
- dimiliki
- halaman
- Paralel
- parameter
- parameter
- tertentu
- pasangan
- rekan
- lulus
- bergairah
- prestasi
- izin
- Fisika
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- silahkan
- Populer
- mungkin
- Pos
- potensi
- berpotensi
- kekuasaan
- Praktis
- meramalkan
- ramalan
- Prediksi
- Predictor
- disukai
- persiapan
- Mempersiapkan
- tekanan
- mencegah
- sebelumnya
- Sebelumnya
- proses
- pengolahan
- menghasilkan
- Diproduksi
- menghasilkan
- Produk
- manajemen Produk
- manajer produk
- Produk
- Pemrograman
- Kemajuan
- proyek
- memprojeksikan
- tenaga penggerak
- memberikan
- disediakan
- menyediakan
- menyediakan
- pompa
- Dorong
- mendorong
- Ular sanca
- pertanyaan
- segera
- jarak
- peringkat
- peringkat
- jajaran
- LANGKA
- segera
- nyata
- real-time
- baru
- catatan
- arsip
- lihat
- wilayah
- pendaftaran
- dapat diandalkan
- yang tersisa
- menggantikan
- gudang
- perwakilan
- permintaan
- permintaan
- wajib
- Sumber
- tanggapan
- tanggung jawab
- ISTIRAHAT
- mengakibatkan
- Richard
- kuat
- Peran
- Run
- berjalan
- pembuat bijak
- puas
- puas dengan
- Save
- disimpan
- terukur
- Skala
- adegan
- ilmuwan
- naskah
- SDK
- mulus
- detik
- melihat
- memilih
- seleksi
- mengirim
- senior
- sensor
- mengirim
- Seri
- melayani
- layanan
- Layanan
- porsi
- Sidang
- set
- set
- pengaturan
- tujuh
- beberapa
- dia
- Kulit
- harus
- Menunjukkan
- ditunjukkan
- penting
- Sederhana
- simulasi
- Ukuran
- So
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- beberapa
- tertentu
- kecepatan
- menghabiskan
- Tahap
- standar
- standardisasi
- awal
- Negara
- statistika
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- Penyelarasan
- aliran
- Streaming
- seperti itu
- meringkaskan
- mendukung
- pendukung
- yakin
- sistem
- sistem
- tabel
- MENANDAI
- Mengambil
- Dibutuhkan
- target
- tugas
- Pengajaran
- tim
- tim
- teknik
- Teknologi
- terminal
- istilah
- uji
- pengujian
- dari
- bahwa
- Grafik
- Daerah
- mereka
- Mereka
- kemudian
- Ini
- mereka
- ini
- itu
- tiga
- waktu
- Seri waktu
- untuk
- bersama
- alat
- Toolbox
- alat
- puncak
- Pelatihan VE
- Pelatihan
- Perjalanan
- pohon
- mencoba
- lagu
- disetel
- dua
- jenis
- khas
- pemahaman
- Tiba-tiba
- universitas
- us
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna Pengalaman
- menggunakan
- pengesahan
- Nilai - Nilai
- variasi
- berbagai
- kendaraan
- penjaja
- sangat
- maya
- membayangkan
- ingin
- adalah
- Cara..
- we
- jaringan
- aplikasi web
- layanan web
- yang
- lebar
- Rentang luas
- akan
- dengan
- Kerja
- Alur kerja
- kerja
- bekerja
- menulis
- tertulis
- tahun
- Kamu
- Anda
- zephyrnet.dll