Questo è un guest post scritto insieme a Moulham Zahabi di Matarat.
Probabilmente tutti hanno controllato i propri bagagli durante il volo e hanno atteso con ansia che i loro bagagli apparissero alla giostra. La consegna corretta e tempestiva dei tuoi bagagli dipende da un'enorme infrastruttura chiamata sistema di smistamento bagagli (BHS). Questa infrastruttura è una delle funzioni chiave delle operazioni aeroportuali di successo. Gestire con successo bagagli e merci per i voli in partenza e in arrivo è fondamentale per garantire la soddisfazione del cliente e fornire l'eccellenza operativa dell'aeroporto. Questa funzione dipende fortemente dal funzionamento continuo del BHS e dall'efficacia delle operazioni di manutenzione. In quanto ancora di salvezza degli aeroporti, un BHS è un asset lineare che può superare i 34,000 metri di lunghezza (per un singolo aeroporto) movimentando oltre 70 milioni di bagagli all'anno, rendendolo uno dei sistemi automatizzati più complessi e una componente vitale delle operazioni aeroportuali.
I tempi di inattività imprevisti di un sistema di smistamento bagagli, sia esso un nastro trasportatore, un carosello o un'unità di smistamento, possono interrompere le operazioni aeroportuali. Tale interruzione è destinata a creare un'esperienza spiacevole per i passeggeri e possibilmente imporre sanzioni ai fornitori di servizi aeroportuali.
La sfida prevalente con la manutenzione di un sistema di smistamento bagagli è come gestire continuamente un sistema integrato di oltre 7,000 risorse e oltre un milione di setpoint. Questi sistemi gestiscono anche milioni di sacchi di diverse forme e dimensioni. È lecito ritenere che i sistemi di gestione dei bagagli siano soggetti a errori. Poiché gli elementi funzionano in un ciclo chiuso, se un elemento si rompe, si ripercuote sull'intera linea. Le attività di manutenzione tradizionali si basano su una forza lavoro considerevole distribuita in posizioni chiave lungo il BHS inviato dagli operatori in caso di guasto operativo. I team di manutenzione fanno molto affidamento anche sulle raccomandazioni dei fornitori per programmare i tempi di inattività per la manutenzione preventiva. Determinare se le attività di manutenzione preventiva sono implementate correttamente o monitorare le prestazioni di questo tipo di asset può essere inaffidabile e non riduce il rischio di tempi di inattività imprevisti.
La gestione delle parti di ricambio è un'ulteriore sfida poiché i tempi di consegna aumentano a causa delle interruzioni della catena di fornitura globale, ma le decisioni relative al rifornimento delle scorte si basano su tendenze storiche. Inoltre, queste tendenze non incorporano l'ambiente dinamico volatile delle attività operative di BHS man mano che invecchiano. Per affrontare queste sfide, è necessario un cambiamento radicale nelle strategie di manutenzione, passando da una mentalità reattiva a una mentalità proattiva. Questo cambiamento richiede agli operatori di utilizzare la tecnologia più recente per semplificare le attività di manutenzione, ottimizzare le operazioni e ridurre al minimo le spese operative.
In questo post, descriviamo come sono state utilizzate le soluzioni AWS Partner Airis Amazon Lookout per le attrezzature, servizi AWS Internet of Things (IoT) e CloudRail tecnologie dei sensori per fornire una soluzione all'avanguardia per affrontare queste sfide.
Panoramica del sistema di gestione dei bagagli
Il diagramma e la tabella seguenti illustrano le misurazioni effettuate su un tipico carosello nell'aeroporto internazionale King Khalid di Riyadh.
I dati vengono raccolti nelle diverse posizioni illustrate nel diagramma.
Tipo di sensore | Valore aziendale | Dataset | Dove |
Sensori di velocità del collegamento IO | Velocità del carosello omogeneo | PDV1 (1 al minuto) | C |
Sensore di vibrazione con integrato Termometro |
Vite allentata, Albero disallineato, Danni ai cuscinetti, Danni all'avvolgimento del motore |
Fatica (v-RMS) (m/s) Impatto (a-picco) (m/s^2) Attrito (a-RMS) (m/s^2) Temperatura (C) cresta |
A e B |
Sensore di distanza PEC | Portata bagagli | Distanza (cm) | D |
Le seguenti immagini mostrano l'ambiente e le apparecchiature di monitoraggio per le varie misurazioni.
Panoramica della soluzione
Il sistema di manutenzione predittiva (PdMS) per i sistemi di smistamento bagagli è un'architettura di riferimento che aiuta gli operatori di manutenzione aeroportuale nel loro viaggio per avere dati come fattore abilitante per migliorare i tempi di inattività non pianificati. Contiene elementi costitutivi per accelerare lo sviluppo e l'implementazione di sensori e servizi connessi. Il PdMS include i servizi AWS per gestire in modo sicuro il ciclo di vita dei dispositivi di edge computing e delle risorse BHS, l'acquisizione di dati nel cloud, l'archiviazione, i modelli di inferenza di machine learning (ML) e la logica aziendale per alimentare la manutenzione proattiva delle apparecchiature nel cloud.
Questa architettura è stata costruita sulla base delle lezioni apprese durante il lavoro con le operazioni aeroportuali per diversi anni. La soluzione proposta è stata sviluppata con il supporto di Northbay Solutions, un AWS Premier Partner, e può essere implementata in aeroporti di tutte le dimensioni e scale su migliaia di dispositivi connessi entro 90 giorni.
Il seguente diagramma dell'architettura espone i componenti sottostanti utilizzati per creare la soluzione di manutenzione predittiva:
Utilizziamo i seguenti servizi per assemblare la nostra architettura:
- CloudRail.DMC è una soluzione Software as a Service (SaaS) dell'esperto IoT tedesco CloudRail GmbH. Questa organizzazione gestisce flotte di gateway edge distribuiti a livello globale. Con questo servizio, i sensori industriali, i contatori intelligenti e i server OPC UA possono essere collegati a un data lake AWS con pochi clic.
- AWS IoT Core ti consente di connettere miliardi di dispositivi IoT e instradare trilioni di messaggi ai servizi AWS senza gestire l'infrastruttura. Trasmette in modo sicuro i messaggi da e verso tutti i dispositivi e le applicazioni IoT con bassa latenza e throughput elevato. Utilizziamo AWS IoT Core per connetterci ai sensori CloudRail e inoltrare le loro misurazioni al cloud AWS.
- Analisi AWS IoT è un servizio completamente gestito che semplifica l'esecuzione e l'operatività di analisi sofisticate su enormi volumi di dati IoT senza doversi preoccupare del costo e della complessità tipicamente richiesti per creare una piattaforma di analisi IoT. È un modo semplice per eseguire analisi sui dati IoT per ottenere insight accurati.
- Amazon Lookout per le attrezzature analizza i dati dai sensori delle apparecchiature per creare automaticamente un modello ML per le tue apparecchiature sulla base di dati specifici delle risorse, senza che siano necessarie competenze di data science. Lookout for Equipment analizza i dati dei sensori in arrivo in tempo reale e identifica con precisione i segnali di allerta precoce che potrebbero portare a tempi di inattività imprevisti.
- Amazon QuickSight consente a tutti i membri dell'organizzazione di comprendere i dati ponendo domande in linguaggio naturale, visualizzando le informazioni tramite dashboard interattivi e cercando automaticamente modelli e valori anomali alimentati da ML.
Come illustrato nel diagramma seguente, questa architettura consente ai dati dei sensori di fluire verso approfondimenti operativi.
I punti dati vengono raccolti utilizzando i sensori IO-Link: IO-Link è un'interfaccia standardizzata per consentire una comunicazione continua dal livello di controllo di un asset industriale (nel nostro caso, il sistema di smistamento bagagli) al livello del sensore. Questo protocollo viene utilizzato per inserire i dati del sensore in un gateway edge CloudRail e caricati in AWS IoT Core. Quest'ultimo fornisce quindi i dati delle apparecchiature ai modelli ML per identificare i problemi operativi e delle apparecchiature che possono essere utilizzati per determinare i tempi ottimali per la manutenzione o la sostituzione delle risorse senza incorrere in costi inutili.
Raccolta dei dati
Il retrofit delle risorse esistenti e dei relativi sistemi di controllo nel cloud rimane un approccio impegnativo per gli operatori delle apparecchiature. L'aggiunta di sensori secondari fornisce un modo rapido e sicuro per acquisire i dati necessari senza interferire con i sistemi esistenti. Pertanto, è più semplice, veloce e non invasivo rispetto al collegamento diretto dei PLC di una macchina. Inoltre, è possibile selezionare sensori adattati per misurare con precisione i punti dati richiesti per specifiche modalità di guasto.
Con CloudRail, ogni sensore IO-Link industriale può essere connesso a servizi AWS come AWS IoT Core, AWS IoT SiteWise, o AWS IoT Greengrass entro pochi secondi attraverso un portale di gestione dei dispositivi basato su cloud (CloudRail.DMC). Ciò consente agli esperti IoT di lavorare da postazioni centralizzate e sistemi fisici a bordo distribuiti a livello globale. La soluzione risolve le sfide della connettività dei dati per i sistemi di manutenzione predittiva attraverso un semplice meccanismo plug-and-play.
Il gateway funge da zona demilitarizzata industriale (IDMZ) tra l'apparecchiatura (OT) e il servizio cloud (IT). Attraverso un'applicazione integrata per la gestione della flotta, CloudRail assicura che le patch di sicurezza più recenti vengano distribuite automaticamente a migliaia di installazioni.
L'immagine seguente mostra un sensore IO-Link e il gateway edge CloudRail (in arancione):
Addestramento di un modello di rilevamento delle anomalie
Le organizzazioni della maggior parte dei segmenti industriali vedono le moderne strategie di manutenzione allontanarsi dagli approcci run-to-failure e reattivi e progredire verso metodi più predittivi. Tuttavia, il passaggio a un approccio di manutenzione basato sulle condizioni o predittivo richiede dati raccolti dai sensori installati in tutte le strutture. L'utilizzo dei dati storici acquisiti da questi sensori in combinazione con l'analisi aiuta a identificare i precursori dei guasti delle apparecchiature, il che consente al personale di manutenzione di agire di conseguenza prima del guasto.
I sistemi di manutenzione predittiva si basano sulla capacità di identificare quando potrebbero verificarsi guasti. Gli OEM delle apparecchiature di solito forniscono schede tecniche per le loro apparecchiature e raccomandano di monitorare determinate metriche operative in base a condizioni quasi perfette. Tuttavia, queste condizioni sono raramente realistiche a causa dell'usura naturale dell'asset, delle condizioni ambientali in cui opera, della sua storia di manutenzione passata o semplicemente del modo in cui è necessario gestirlo per raggiungere i risultati aziendali. Ad esempio, due motori identici (marca, modello, data di produzione) sono stati installati nello stesso carosello per questa prova di concetto. Questi motori funzionavano a diversi intervalli di temperatura a causa della diversa esposizione agli agenti atmosferici (una parte del nastro trasportatore all'interno e l'altra all'esterno del terminal dell'aeroporto).
Il motore 1 ha funzionato a una temperatura compresa tra 32 e 35 °C. La velocità di vibrazione RMS può variare a causa dell'affaticamento del motore (ad esempio, errori di allineamento o problemi di squilibrio). Come mostrato nella figura seguente, questo motore mostra livelli di fatica compresi tra 2 e 6, con alcuni picchi a 9.
Il motore 2 funzionava in un ambiente più fresco, dove la temperatura era compresa tra 20 e 25°C. In questo contesto, il motore 2 mostra livelli di affaticamento compresi tra 4 e 8, con alcuni picchi a 10:
La maggior parte degli approcci ML prevede conoscenze e informazioni di dominio molto specifiche (spesso difficili da ottenere) che devono essere estratte dal modo in cui gestisci e mantieni ogni risorsa (ad esempio, modelli di degradazione dei guasti). Questo lavoro deve essere eseguito ogni volta che si desidera monitorare un nuovo asset o se le condizioni dell'asset cambiano in modo significativo (ad esempio quando si sostituisce una parte). Ciò significa che un ottimo modello consegnato nella fase di prototipazione subirà probabilmente un calo delle prestazioni quando verrà implementato su altre risorse, riducendo drasticamente la precisione del sistema e, alla fine, perdendo la fiducia degli utenti finali. Ciò potrebbe anche causare molti falsi positivi e avresti bisogno delle competenze necessarie per trovare i tuoi segnali validi in tutto il rumore.
Lookout for Equipment analizza solo i dati delle tue serie temporali per apprendere le normali relazioni tra i tuoi segnali. Quindi, quando queste relazioni iniziano a deviare dalle normali condizioni operative (acquisite allo stato di addestramento), il servizio segnalerà l'anomalia. Abbiamo scoperto che l'utilizzo rigoroso di dati storici per ogni risorsa consente di concentrarsi su tecnologie in grado di apprendere le condizioni operative che saranno uniche per una determinata risorsa nell'ambiente stesso in cui opera. Ciò consente di fornire previsioni che supportano l'analisi della causa principale e le pratiche di manutenzione predittiva a livello granulare, per asset e macro (assemblando la dashboard appropriata per ottenere una panoramica di più asset contemporaneamente). Questo è l'approccio che abbiamo adottato e il motivo per cui abbiamo deciso di utilizzare Lookout for Equipment.
Strategia di allenamento: affrontare la sfida dell'avviamento a freddo
Il BHS che abbiamo preso di mira all'inizio non era equipaggiato. Abbiamo installato i sensori CloudRail per iniziare a raccogliere nuove misurazioni dal nostro sistema, ma ciò significava che avevamo solo una profondità storica limitata per addestrare il nostro modello ML. In questo caso abbiamo affrontato la sfida dell'avvio a freddo riconoscendo che stiamo costruendo un sistema in continuo miglioramento. Dopo l'installazione dei sensori, abbiamo raccolto un'ora di dati e duplicato queste informazioni per iniziare a utilizzare Lookout for Equipment il prima possibile e testare la nostra pipeline complessiva.
Come previsto, i primi risultati sono stati piuttosto instabili perché il modello ML è stato esposto a un periodo di operatività molto ridotto. Ciò significava che qualsiasi nuovo comportamento non visto durante la prima ora sarebbe stato contrassegnato. Osservando i sensori di livello superiore, la temperatura su uno dei motori sembrava essere il principale sospettato (T2_MUC_ES_MTRL_TMP
arancione nella figura seguente). Poiché l'acquisizione iniziale dei dati era molto ristretta (1 ora), nel corso della giornata, il cambiamento principale proveniva dai valori di temperatura (che è coerente con le condizioni ambientali in quel momento).
Confrontando questo con le condizioni ambientali attorno a questo nastro trasportatore specifico, abbiamo confermato che la temperatura esterna è aumentata notevolmente, il che, a sua volta, ha aumentato la temperatura misurata da questo sensore. In questo caso, dopo che i nuovi dati (che tengono conto dell'aumento della temperatura esterna) sono stati incorporati nel set di dati di addestramento, faranno parte del normale comportamento acquisito da Lookout for Equipment e un comportamento simile in futuro avrà meno probabilità di aumentare qualsiasi eventi.
Dopo 5 giorni, il modello è stato riaddestrato e i tassi di falsi positivi sono immediatamente diminuiti drasticamente:
Sebbene questo problema di avvio a freddo fosse una sfida iniziale per ottenere informazioni utili, abbiamo sfruttato questa opportunità per creare un meccanismo di riqualificazione che l'utente finale può attivare facilmente. A un mese dall'inizio della sperimentazione, abbiamo addestrato un nuovo modello duplicando i dati dei sensori di un mese in 3 mesi. Ciò ha continuato a ridurre i tassi di falsi positivi poiché il modello è stato esposto a una serie più ampia di condizioni. Un simile calo del tasso di falsi positivi si è verificato dopo questa riqualificazione: la condizione modellata dal sistema era più vicina a quella che gli utenti stanno vivendo nella vita reale. Dopo 3 mesi, finalmente avevamo un set di dati che potevamo usare senza usare questo trucco di duplicazione.
D'ora in poi, lanceremo una riqualificazione ogni 3 mesi e, appena possibile, utilizzeremo fino a 1 anno di dati per tenere conto della stagionalità delle condizioni ambientali. Quando implementeremo questo sistema su altre risorse, saremo in grado di riutilizzare questo processo automatizzato e utilizzare la formazione iniziale per convalidare la nostra pipeline di dati dei sensori.
Dopo che il modello è stato addestrato, abbiamo distribuito il modello e iniziato a inviare dati in tempo reale a Lookout for Equipment. Lookout for Equipment consente di configurare uno scheduler che si attiva regolarmente (ad esempio, ogni ora) per inviare nuovi dati al modello addestrato e raccogliere i risultati.
Ora che sappiamo come addestrare, migliorare e distribuire un modello, esaminiamo i dashboard operativi implementati per gli utenti finali.
Visualizzazione dei dati e approfondimenti
Gli utenti finali hanno bisogno di un modo per estrarre più valore dai loro dati operativi per migliorare l'utilizzo delle loro risorse. Con QuickSight, abbiamo collegato il dashboard ai dati di misurazione grezzi forniti dal nostro sistema IoT, consentendo agli utenti di confrontare e contrastare i componenti chiave delle apparecchiature su un determinato BHS.
Nella seguente dashboard, gli utenti possono controllare i sensori chiave utilizzati per monitorare le condizioni del BHS e ottenere le modifiche delle metriche periodo per periodo.
Nel grafico precedente, gli utenti possono visualizzare qualsiasi squilibrio imprevisto della misurazione per ciascun motore (grafici sinistro e destro per temperatura, fatica, vibrazione, attrito e impatto). Nella parte inferiore sono riassunti gli indicatori chiave di prestazione, con le previsioni e le tendenze periodiche.
Gli utenti finali possono accedere alle informazioni per i seguenti scopi:
- Visualizza i dati storici in intervalli di 2 ore fino a 24 ore.
- Estrai i dati grezzi tramite il formato CSV per l'integrazione esterna.
- Visualizza le prestazioni degli asset in un determinato periodo di tempo.
- Produrre approfondimenti per la pianificazione operativa e migliorare l'utilizzo delle risorse.
- Eseguire l'analisi di correlazione. Nel grafico seguente, l'utente può visualizzare diverse misurazioni (come l'affaticamento del motore rispetto alla temperatura o il flusso dei bagagli rispetto alla velocità del carosello) e utilizzare questo pannello di controllo per indicare meglio la successiva migliore azione di manutenzione.
Eliminazione del rumore dai dati
Dopo alcune settimane, abbiamo notato che Lookout for Equipment stava emettendo alcuni eventi ritenuti falsi positivi.
Analizzando questi eventi, abbiamo scoperto cali irregolari nella velocità del motore del carosello.
Ci siamo incontrati con il team di manutenzione e ci hanno informato che questi arresti erano arresti di emergenza o attività di manutenzione pianificate per tempi di inattività. Con queste informazioni, abbiamo etichettato le fermate di emergenza come anomalie e le abbiamo fornite a Lookout for Equipment, mentre i tempi di inattività pianificati erano considerati un comportamento normale per questo carosello.
Comprendere tali scenari in cui i dati anomali possono essere influenzati da azioni esterne controllate è fondamentale per migliorare la precisione del modello di rilevamento delle anomalie nel tempo.
Test del fumo
Dopo alcune ore dal riaddestramento del modello e dal raggiungimento di anomalie relativamente nulle, il nostro team ha stressato fisicamente gli asset, che sono stati immediatamente rilevati dal sistema. Questa è una richiesta comune da parte degli utenti perché hanno bisogno di familiarizzare con il sistema e come reagisce.
Abbiamo creato la nostra dashboard per consentire agli utenti finali di visualizzare le anomalie storiche con un periodo illimitato. L'utilizzo di un servizio di business intelligence consente loro di organizzare i propri dati a piacimento e abbiamo scoperto che i grafici a barre su un periodo di 24 ore o i grafici a torta sono il modo migliore per avere una buona visione delle condizioni del BHS. Oltre alle dashboard che gli utenti possono visualizzare ogni volta che ne hanno bisogno, impostiamo avvisi automatici inviati a un indirizzo e-mail designato e tramite SMS.
Estrazione di informazioni più approfondite dai modelli di rilevamento delle anomalie
In futuro, intendiamo estrarre informazioni più approfondite dai modelli di rilevamento delle anomalie addestrati con Lookout for Equipment. Continueremo a utilizzare QuickSight per creare un set ampliato di widget. Ad esempio, abbiamo scoperto che i widget di visualizzazione dei dati esposti nel file Esempi GitHub per Lookout for Equipment ci consentono di estrarre ancora più informazioni dagli output grezzi dei nostri modelli.
Risultati
La manutenzione reattiva nei sistemi di smistamento bagagli si traduce in quanto segue:
- Minore soddisfazione dei passeggeri a causa di lunghi tempi di attesa o bagaglio danneggiato
- Minore disponibilità delle risorse a causa di guasti imprevisti e carenza di scorte di parti di ricambio critiche
- Costi operativi più elevati a causa dell'aumento dei livelli di inventario oltre ai maggiori costi di manutenzione
L'evoluzione della strategia di manutenzione per incorporare analisi affidabili e predittive nel ciclo del processo decisionale mira a migliorare il funzionamento delle risorse e contribuire a evitare arresti forzati.
L'apparecchiatura di monitoraggio è stata installata localmente in 1 giorno e configurata completamente da remoto da esperti IoT. L'architettura cloud descritta nella panoramica della soluzione è stata quindi distribuita con successo entro 90 giorni. Un rapido tempo di implementazione dimostra i vantaggi proposti all'utente finale, portando rapidamente a un cambiamento nella strategia di manutenzione da reattiva basata sull'uomo (riparazione dei guasti) a proattiva basata sui dati e basata sulla macchina (prevenzione dei tempi di inattività).
Conclusione
La collaborazione tra Airis, CloudRail, Northbay Solutions e AWS ha portato a nuovi traguardi presso l'aeroporto internazionale King Khalid (vedi il comunicato stampa per ulteriori dettagli). Come parte della loro strategia di trasformazione digitale, l'aeroporto di Riyad prevede ulteriori implementazioni per coprire altri sistemi elettromeccanici come ponti di imbarco passeggeri e sistemi HVAC.
Se hai commenti su questo post, inviali nella sezione commenti. Se hai domande su questa soluzione o sulla sua implementazione, apri una nuova discussione su re:Posta, dove gli esperti AWS e la community più ampia possono supportarti.
Circa gli autori
Moulham Zahabi è uno specialista dell'aviazione con oltre 11 anni di esperienza nella progettazione e gestione di progetti aeronautici e nella gestione di asset aeroportuali critici nella regione GCC. È anche uno dei co-fondatori di Airis-Solutions.ai, che mira a guidare la trasformazione digitale del settore dell'aviazione attraverso innovative soluzioni AI/ML per aeroporti e centri logistici. Oggi, Moulham è a capo della Direzione Asset Management della Saudi Civil Aviation Holding Company (Matarat).
Fauzan Khan è un Senior Solutions Architect che lavora con i clienti del settore pubblico, fornendo indicazioni per progettare, distribuire e gestire i loro carichi di lavoro e architetture AWS. Fauzan è appassionato di aiutare i clienti ad adottare tecnologie cloud innovative nell'area di HPC e AI/ML per affrontare le sfide aziendali. Al di fuori del lavoro, Fauzan ama passare il tempo nella natura.
Michael Hoarau è un AI/ML Specialist Solutions Architect presso AWS che si alterna tra data scientist e machine learning architect, a seconda del momento. È appassionato di portare la potenza dell'IA/ML nelle officine dei suoi clienti industriali e ha lavorato su un'ampia gamma di casi d'uso di ML, che vanno dal rilevamento delle anomalie alla qualità predittiva del prodotto o all'ottimizzazione della produzione. Ha pubblicato un libro sull'analisi delle serie temporali nel 2022 e scrive regolarmente su questo argomento su LinkedIn ed Medio. Quando non aiuta i clienti a sviluppare le prossime migliori esperienze di machine learning, gli piace osservare le stelle, viaggiare o suonare il pianoforte.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :È
- $ SU
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- capace
- WRI
- accelerare
- accesso
- di conseguenza
- Il mio account
- Contabilità
- precisione
- preciso
- con precisione
- Raggiungere
- realizzazione
- il raggiungimento
- acquisire
- operanti in
- Legge
- Action
- azioni
- attività
- atti
- aggiunta
- aggiuntivo
- Inoltre
- indirizzo
- indirizzamento
- adottare
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- AI / ML
- AIDS
- mira
- aeroporto
- aeroporti
- Avvisi
- allineamento
- Tutti
- Consentire
- consente
- Amazon
- Amazon Lookout per le attrezzature
- .
- analitica
- analisi
- l'analisi
- ed
- Annualmente
- rilevamento anomalie
- apparire
- Applicazioni
- applicazioni
- approccio
- approcci
- opportuno
- architettura
- SONO
- RISERVATA
- in giro
- in arrivo
- AS
- attività
- gestione delle risorse
- Attività
- At
- Automatizzata
- automaticamente
- disponibilità
- aviazione
- AWS
- borse
- bar
- basato
- BE
- perché
- prima
- vantaggi
- MIGLIORE
- Meglio
- fra
- miliardi
- Blocchi
- imbarco
- libro
- Parte inferiore
- Bound
- Guasto
- pause
- ponti
- Portare
- più ampia
- costruire
- Costruzione
- costruito
- affari
- business intelligence
- by
- detto
- Materiale
- catturare
- carosello
- Custodie
- casi
- Causare
- centri
- centralizzata
- certo
- catena
- Challenge
- sfide
- impegnativo
- il cambiamento
- Modifiche
- Grafici
- dai un'occhiata
- chiuso
- più vicino
- Cloud
- co-fondatori
- raccogliere
- Raccolta
- arrivo
- Commenti
- Uncommon
- Comunicazione
- comunità
- azienda
- confrontare
- rispetto
- completamente
- complesso
- complessità
- componente
- componenti
- Calcolare
- concetto
- condizione
- condizioni
- fiducia
- CONFERMATO
- Connettiti
- collegato
- veloce
- Connettività
- considerato
- coerente
- contiene
- contesto
- continua
- continua
- continuo
- continuamente
- contrasto
- di controllo
- controllata
- controlli
- cooperazione
- Nucleo
- Correlazione
- Costo
- Costi
- potuto
- contatore
- Portata
- coprire
- creare
- critico
- cliente
- Soddisfazione del cliente
- Clienti
- ciclo
- cruscotto
- dati
- Lago di dati
- punti dati
- scienza dei dati
- scienziato di dati
- visualizzazione dati
- data-driven
- Data
- giorno
- Giorni
- deciso
- Decision Making
- decisioni
- più profondo
- consegnare
- consegnato
- consegna
- dipendente
- Dipendente
- dipende
- schierare
- schierato
- distribuzione
- deployment
- implementazioni
- profondità
- descrivere
- descritta
- Design
- designato
- progettazione
- dettagli
- rilevato
- rivelazione
- Determinare
- determinazione
- sviluppare
- sviluppato
- Mercato
- dispositivo
- dispositivi
- diverso
- difficile
- digitale
- DIGITAL TRANSFORMATION
- dirette
- scoperto
- disturbare
- Rottura
- interruzioni
- distanza
- distribuito
- non
- dominio
- Dont
- giù
- i tempi di inattività
- drasticamente
- Cadere
- Gocce
- durante
- dinamico
- ogni
- Presto
- più facile
- facilmente
- bordo
- efficacia
- o
- elemento
- elementi
- emergenza
- enable
- Abilita
- garantire
- assicura
- Intero
- Ambiente
- ambientale
- usate
- errore
- errori
- Anche
- Evento
- eventi
- Ogni
- tutti
- esempio
- Esempi
- superare
- Eccellenza
- esistente
- ampliato
- attenderti
- previsto
- spese
- esperienza
- Esperienze
- sperimentare
- esperto
- esperti
- esposto
- Esposizione
- esterno
- estratto
- Fallimento
- familiarizzare
- FAST
- più veloce
- fatica
- Federale
- pochi
- figura
- Infine
- Trovate
- Nome
- contrassegnato
- FLOTTA
- Voli
- flusso
- volante
- Focus
- i seguenti
- Nel
- Previsione
- formato
- Avanti
- essere trovato
- fresco
- attrito
- da
- completamente
- function
- funzioni
- ulteriormente
- futuro
- Guadagno
- porta
- GCC
- regione del GCC
- Tedesco
- ottenere
- dato
- globali
- Globalmente
- GmbH
- buono
- grande
- GUEST
- Ospite Messaggio
- guida
- maniglia
- Manovrabilità
- accadere
- successo
- Avere
- avendo
- Titolo
- pesantemente
- Aiuto
- aiutare
- aiuta
- Alta
- superiore
- storico
- storia
- Colpire
- possesso
- ORE
- Come
- Tutorial
- Tuttavia
- hpc
- HTTPS
- identico
- identifica
- identificare
- Immagine
- immagini
- squilibrio
- subito
- Impact
- implementazione
- implementato
- imporre
- competenze
- miglioramento
- in
- inclusi
- In arrivo
- incorporare
- Incorporated
- Aumento
- è aumentato
- crescente
- industriale
- dell'industria
- influenzato
- far sapere
- informazioni
- informati
- Infrastruttura
- inizialmente
- creativi e originali
- intuizioni
- installato
- esempio
- integrato
- integrazione
- Intelligence
- intendono
- interattivo
- Interfaccia
- interferire
- Internazionale
- Internet
- Internet delle cose
- inventario
- IoT
- dispositivi iot
- sicurezza
- IT
- SUO
- viaggio
- jpg
- Le
- King
- Sapere
- conoscenze
- lago
- Lingua
- Latenza
- con i più recenti
- lanciare
- portare
- principale
- IMPARARE
- imparato
- apprendimento
- Guidato
- Lunghezza
- Lezioni
- Lezioni apprese
- Consente di
- Livello
- livelli
- Vita
- ciclo di vita
- piace
- probabile
- Limitato
- linea
- LINK
- vivere
- dati in tempo reale
- a livello locale
- posizioni
- Guarda
- cerca
- a
- Basso
- macchina
- machine learning
- Macro
- Principale
- mantenere
- Mantenere
- manutenzione
- make
- FA
- Fare
- gestire
- gestito
- gestione
- gestisce
- gestione
- consigliato per la
- molti
- massiccio
- corrispondenza
- Maggio..
- si intende
- misurare
- misurazioni
- di misura
- meccanismo
- medie
- messaggio
- messaggi
- metodi
- Metrica
- milione
- milioni
- Mindset
- ML
- modello
- modelli
- moderno
- modalità di
- momento
- Monitorare
- monitoraggio
- Mese
- mese
- Scopri di più
- maggior parte
- Il motore
- motori
- in movimento
- multiplo
- Naturale
- Natura
- necessaria
- Bisogno
- esigenze
- New
- GENERAZIONE
- Rumore
- normale
- ottenere
- of
- on
- Onboard
- ONE
- operare
- operato
- opera
- operativo
- operazione
- operativa
- Operazioni
- Operatori
- Opportunità
- ottimale
- ottimizzazione
- OTTIMIZZA
- Arancio
- organizzazione
- Altro
- al di fuori
- complessivo
- panoramica
- parte
- partner
- Ricambi
- appassionato
- passato
- Patch
- modelli
- performance
- periodo
- Personale
- fase
- Fisico
- Fisicamente
- pezzi
- conduttura
- previsto
- pianificazione
- piani
- piattaforma
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- per favore
- punti
- Portale
- positivo
- possibile
- Post
- energia
- alimentato
- pratiche
- precisamente
- Previsioni
- Predictive Analytics
- premier
- stampa
- atleta
- prevenzione
- Proactive
- sonda
- Problema
- problemi
- processi
- Prodotto
- Qualità del prodotto
- Produzione
- progredendo
- progetti
- prova
- prova del concetto
- propriamente
- proposto
- protocollo
- prototipazione
- dimostra
- fornire
- purché
- fornitori
- fornisce
- fornitura
- la percezione
- pubblicato
- fini
- qualità
- Domande
- rapidamente
- aumentare
- gamma
- che vanno
- tasso
- Crudo
- reagisce
- di rose
- vita reale
- tempo reale
- realistico
- ragione
- raccomandare
- raccomandazioni
- ridurre
- riducendo
- regione
- regolarmente
- Relazioni
- relativamente
- affidabile
- resti
- sostituire
- richiesta
- necessario
- richiede
- Risultati
- riutilizzare
- crescita
- Rischio
- Arrotolato
- radice
- strada
- Correre
- SaaS
- sicura
- stesso
- soddisfazione
- Arabia
- bilancia
- Scenari
- programma
- Scienze
- Scienziato
- senza soluzione di continuità
- secondario
- secondo
- Sezione
- settore
- sicuro
- in modo sicuro
- problemi di
- sembrava
- segmenti
- selezionato
- invio
- anziano
- sensore
- Serie
- Server
- servizio
- fornitori di servizi
- Servizi
- set
- alcuni
- forme
- spostamento
- Shop
- carenza
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- arresti
- Vista
- Segnali
- significativamente
- simile
- singolo
- considerevole
- Dimensioni
- abilità
- piccole
- smart
- Fumo
- Software
- software come un servizio
- soluzione
- Soluzioni
- risolve
- alcuni
- sofisticato
- specialista
- specifico
- velocità
- Spendere
- Stelle
- inizia a
- iniziato
- Regione / Stato
- state-of-the-art
- Interrompe
- conservazione
- strategie
- Strategia
- snellire
- inviare
- di successo
- Con successo
- tale
- fornire
- supply chain
- supporto
- Supporto
- sistema
- SISTEMI DI TRATTAMENTO
- tavolo
- mirata
- team
- le squadre
- Tecnologie
- Tecnologia
- terminal
- test
- Testing
- che
- Il
- L'area
- Il futuro
- loro
- Li
- si
- perciò
- termico
- Strumenti Bowman per analizzare le seguenti finiture:
- cose
- pensiero
- migliaia
- Attraverso
- per tutto
- portata
- tempo
- Serie storiche
- volte
- sincronizzazione
- a
- oggi
- argomento
- verso
- tradizionale
- Treni
- allenato
- Training
- Trasformazione
- Strategia di trasformazione
- Di viaggio
- tendenze
- innescare
- triliardi
- TURNO
- tipico
- tipicamente
- sottostante
- capire
- Inaspettato
- unico
- unità
- illimitato
- us
- uso
- Utente
- utenti
- generalmente
- utilizzare
- CONVALIDARE
- APPREZZIAMO
- Valori
- vario
- Velocità
- via
- Visualizza
- visualizzazione
- importantissima
- volatile
- volumi
- vs
- aspettare
- identificazione dei warning
- Modo..
- Tempo
- Settimane
- Che
- se
- quale
- while
- OMS
- largo
- Vasta gamma
- volere
- con
- entro
- senza
- Lavora
- lavorato
- Forza lavoro
- lavoro
- valore
- sarebbe
- anno
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro