תחזוקה חזויה היא אסטרטגיית תחזוקה מונעת נתונים לניטור נכסים תעשייתיים על מנת לזהות חריגות בתפעול ובתקינות הציוד שעלולות להוביל לכשלים בציוד. באמצעות ניטור יזום של מצב הנכס, ניתן להתריע בפני צוות התחזוקה לפני שבעיות מתרחשות, ובכך למנוע זמן השבתה לא מתוכנן יקר, אשר בתורו מוביל לעלייה ביעילות הציוד הכוללת (OEE).
עם זאת, בניית המודלים הדרושים של למידת מכונה (ML) לתחזוקה חזויה היא מורכבת וגוזלת זמן. זה דורש מספר שלבים, כולל עיבוד מקדים של הנתונים, בנייה, הדרכה, הערכה ולאחר מכן כוונון עדין של מודלים ML מרובים שיכולים לחזות באופן אמין חריגות בנתוני הנכס שלך. לאחר מכן יש לפרוס את דגמי ה-ML המוגמרים ולספק להם נתונים חיים עבור תחזיות מקוונות (הסקת מסקנות). קנה המידה של תהליך זה למספר רב של נכסים מסוגים שונים ופרופילים תפעוליים הוא לעתים קרובות עתיר משאבים מכדי להפוך את האימוץ הרחב יותר של תחזוקה חזויה לכדאית.
עם מצפור אמזון לציוד, אתה יכול לנתח בצורה חלקה נתוני חיישנים עבור הציוד התעשייתי שלך כדי לזהות התנהגות חריגה של המכונה - ללא צורך בניסיון ב-ML.
כאשר לקוחות מיישמים מקרי שימוש חזוי בתחזוקה עם Lookout for Equipment, הם בדרך כלל בוחרים בין שלוש אפשרויות לספק את הפרויקט: לבנות אותו בעצמם, לעבוד עם שותף AWS או להשתמש בשירותים מקצועיים של AWS. לפני שהם מתחייבים לפרויקטים כאלה, מקבלי החלטות כמו מנהלי מפעלים, מנהלי אמינות או תחזוקה ומנהיגי קווים רוצים לראות עדויות לערך הפוטנציאלי שתחזוקה חזויה יכולה לחשוף בקווי העסקים שלהם. הערכה כזו מבוצעת לרוב כחלק מהוכחת קונספט (POC) ומהווה בסיס לקייס עסקי.
פוסט זה מופנה למשתמשים טכניים ולא טכניים כאחד: הוא מספק גישה יעילה להערכת Lookout for Equipment עם הנתונים שלך, ומאפשר לך לאמוד את הערך העסקי שהוא מספק את פעילויות התחזוקה החזויות שלך.
סקירת פתרונות
בפוסט זה, אנו מנחים אותך לאורך השלבים להטמעת מערך נתונים ב- Lookout for Equipment, סקור את איכות נתוני החיישן, אימון מודל והערכת המודל. השלמת שלבים אלה תעזור להפיק תובנות לגבי תקינות הציוד שלך.
תנאים מוקדמים
כל מה שאתה צריך כדי להתחיל הוא חשבון AWS והיסטוריה של נתוני חיישנים עבור נכסים שיכולים להפיק תועלת מגישת תחזוקה חזויה. יש לאחסן את נתוני החיישן כקובצי CSV בקובץ שירות אחסון פשוט של אמזון (Amazon S3) דלי מהחשבון שלך. צוות ה-IT שלך אמור להיות מסוגל לעמוד בדרישות הקדם הללו על ידי התייחסות עיצוב הנתונים שלך. כדי לשמור על דברים פשוטים, עדיף לאחסן את כל נתוני החיישנים בקובץ CSV אחד שבו השורות הן חותמות זמן והעמודות הן חיישנים בודדים (עד 300).
לאחר שתהיה לך את מערך הנתונים שלך זמין באמזון S3, תוכל לעקוב אחר שאר הפוסט הזה.
הוסף מערך נתונים
Lookout for Equipment משתמשת בפרויקטים כדי לארגן את המשאבים להערכת חלקי ציוד תעשייתי. כדי ליצור פרויקט חדש, בצע את השלבים הבאים:
- בקונסולת Lookout for Equipment, בחר צור פרוייקט.
- הזן שם פרויקט ובחר צור פרוייקט.
לאחר יצירת הפרויקט, תוכל להטמיע מערך נתונים שישמש לאימון והערכת מודל לזיהוי חריגות.
- בדף הפרויקט, בחר הוסף מערך נתונים.
- בעד מיקום S3, הזן את מיקום S3 (לא כולל שם הקובץ) של הנתונים שלך.
- בעד שיטת זיהוי סכימה, בחר לפי שם הקובץ, אשר מניח שכל נתוני החיישנים עבור נכס כלולים בקובץ CSV בודד במיקום S3 שצוין.
- שמור את ההגדרות האחרות כברירת מחדל ובחר התחל בליעה כדי להתחיל את תהליך הבליעה.
הבליעה עשויה להימשך כ-10-20 דקות. ברקע, Lookout for Equipment מבצעת את המשימות הבאות:
- הוא מזהה את מבנה הנתונים, כגון שמות חיישנים וסוגי נתונים.
- חותמות הזמן בין חיישנים מיושרות והערכים החסרים מתמלאים (באמצעות הערך האחרון הידוע).
- חותמות זמן כפולות מוסרות (רק הערך האחרון עבור כל חותמת זמן נשמר).
- Lookout for Equipment משתמש במספר סוגים של אלגוריתמים לבניית מודל גילוי אנומליות ML. במהלך שלב הבליעה, הוא מכין את הנתונים כך שניתן יהיה להשתמש בהם לאימון אלגוריתמים שונים.
- הוא מנתח את ערכי המדידה ומדרג כל חיישן כאיכות גבוהה, בינונית או נמוכה.
- כאשר הטמעת מערך הנתונים הושלמה, בדוק אותו על ידי בחירה הצג את מערך הנתונים תחת שלב 2 של דף הפרויקט.
בעת יצירת מודל זיהוי חריגות, בחירת החיישנים הטובים ביותר (אלה המכילים את איכות הנתונים הגבוהה ביותר) היא לעתים קרובות קריטית לאימון מודלים המספקים תובנות ניתנות לפעולה. ה פרטי מערך הנתונים החלק מציג את התפלגות דירוג החיישנים (בין גבוה, בינוני ונמוך), בעוד הטבלה מציגה מידע על כל חיישן בנפרד (כולל שם החיישן, טווח התאריכים והדירוג עבור נתוני החיישן). עם דוח מפורט זה, אתה יכול לקבל החלטה מושכלת לגבי אילו חיישנים תשתמש כדי לאמן את הדגמים שלך. אם חלק גדול מהחיישנים במערך הנתונים שלך מדורגים כבינוני או נמוך, ייתכן שיש בעיית נתונים הדורשת בדיקה. במידת הצורך, תוכל להעלות מחדש את קובץ הנתונים לאמזון S3 ולהטמיע את הנתונים שוב על ידי בחירה החלף מערך נתונים.
על ידי בחירת הזנת ציון החיישן בטבלת הפרטים, תוכל לעיין בפרטים על שגיאות האימות שהובילו לציון נתון. הצגה והתייחסות לפרטים אלה יסייעו להבטיח שהמידע המסופק לדגם הוא באיכות גבוהה. לדוגמה, ייתכן שתראה שלאות יש נתחים גדולים בלתי צפויים של ערכים חסרים. האם זו בעיה בהעברת נתונים, או שהחיישן לא תקין? הגיע הזמן לצלול עמוק יותר בנתונים שלך!
למידע נוסף על סוגים שונים של בעיות חיישנים הערכת ציוני חיישנים. מפתחים יכולים גם לחלץ את התובנות הללו באמצעות ה ListSensorStatistics API.
כאשר אתה מרוצה ממערך הנתונים שלך, אתה יכול לעבור לשלב הבא של אימון מודל לחיזוי חריגות.
לאמן מודל
Lookout for Equipment מאפשר הדרכה של דגמים לחיישנים ספציפיים. זה נותן לך את הגמישות להתנסות בשילובי חיישנים שונים או לא לכלול חיישנים עם דירוג נמוך. השלם את השלבים הבאים:
- ב פרטים לפי חיישן בדף מערך הנתונים, בחר את החיישנים לכלול בדגם שלך ובחר צור מודל.
- בעד שם דגם, הזן שם דגם ולאחר מכן בחר הַבָּא.
- ב הגדרות הדרכה והערכה הגדר את נתוני הקלט של הדגם.
כדי לאמן מודלים ביעילות, יש לפצל את הנתונים לקבוצות הדרכה והערכה נפרדות. ניתן להגדיר טווחי תאריכים לפיצול זה בסעיף זה, יחד עם קצב דגימה עבור החיישנים. איך בוחרים את הפיצול הזה? שקול את הדברים הבאים:
- Lookout for Equipment מצפה לפחות 3 חודשים של נתונים בטווח האימונים, אבל כמות הנתונים האופטימלית מונעת על ידי מקרה השימוש שלך. ייתכן שיהיה צורך בנתונים נוספים כדי להתייחס לכל סוג של עונתיות או מחזורי תפעול שהייצור שלך עובר.
- אין מגבלות על טווח ההערכה. עם זאת, אנו ממליצים להגדיר טווח הערכה הכולל חריגות ידועות. בדרך זו, אתה יכול לבדוק אם Lookout for Equipment מסוגל ללכוד אירועים מעניינים המובילים לחריגות אלה.
על ידי ציון קצב הדגימה, Lookout for Equipment מוריד את הדגימה ביעילות של נתוני החיישן, מה שיכול להפחית משמעותית את זמן האימון. קצב הדגימה האידיאלי תלוי בסוגי החריגות שאתה חושד בנתונים שלך: עבור חריגות איטיות, בחירת קצב דגימה בין 1-10 דקות היא בדרך כלל נקודת התחלה טובה. בחירה בערכים נמוכים יותר (הגדלת קצב הדגימה) גורמת לזמני אימון ארוכים יותר, בעוד שערכים גבוהים יותר (קצב דגימה נמוך) מקצרים את זמן האימון תוך סיכון של ניתוק אינדיקטורים מובילים מהנתונים שלך הרלוונטיים לחיזוי החריגות.
לאימון רק על חלקים רלוונטיים של הנתונים שלך שבהם הציוד התעשייתי היה בפעולה, אתה יכול לבצע זיהוי מחוץ לזמן על ידי בחירת חיישן והגדרת סף המציין אם הציוד היה במצב מופעל או כבוי. זה קריטי מכיוון שהוא מאפשר ל- Lookout for Equipment לסנן תקופות זמן לאימון כשהמכונה כבויה. המשמעות היא שהדגם לומד רק מצבי פעולה רלוונטיים ולא רק כשהמכונה כבויה.
- ציין את זיהוי הזמן הלא-זמן שלך ולאחר מכן בחר הַבָּא.
לחלופין, תוכל לספק תוויות נתונים, המציינות תקופות תחזוקה או זמני תקלות ידועים בציוד. אם יש לך נתונים כאלה זמינים, תוכל ליצור קובץ CSV עם הנתונים ב-a פורמט מתועד, העלה אותו לאמזון S3, והשתמש בו לאימון מודלים. אספקת תוויות יכולה לשפר את הדיוק של הדגם המאומן על ידי הודעה ל- Lookout for Equipment היכן היא אמורה לצפות למצוא חריגות ידועות.
- ציין תוויות נתונים כלשהן, ולאחר מכן בחר הַבָּא.
- בדוק את ההגדרות שלך בשלב האחרון. אם הכל נראה בסדר, אתה יכול להתחיל את האימון.
בהתאם לגודל מערך הנתונים שלך, למספר החיישנים ולקצב הדגימה, אימון המודל עשוי להימשך מספר רגעים או עד כמה שעות. לדוגמה, אם אתה משתמש בנתונים של שנה אחת בקצב דגימה של 1 דקות עם 5 חיישנים וללא תוויות, אימון דגם ייקח פחות מ-100 דקות. מצד שני, אם הנתונים שלך מכילים מספר רב של תוויות, זמן האימון עשוי לעלות באופן משמעותי. במצב כזה, אתה יכול להפחית את זמן האימון על ידי מיזוג תקופות תווית סמוכות כדי להקטין את מספרן.
זה עתה אימנת את המודל הראשון שלך לזיהוי אנומליות ללא כל ידע ב-ML! עכשיו בואו נסתכל על התובנות שתוכלו לקבל מדוגמן מאומן.
להעריך מודל מאומן
עם סיום הכשרת הדוגמניות, תוכל לראות את פרטי הדגם על ידי בחירה צפו בדגמים בדף הפרויקט, ולאחר מכן בחירת שם הדגם.
בנוסף למידע כללי כמו שם, סטטוס וזמן אימון, דף הדגם מסכם נתוני ביצועי מודל כמו מספר האירועים שסומנו (בהנחה שסיפקת תוויות), זמן האזהרה הממוצע ומספר אירועי הציוד החריגים שזוהו מחוץ ל- טווחי התווית. צילום המסך הבא מציג דוגמה. לקבלת נראות טובה יותר, האירועים שזוהו מוצגים (הפסים האדומים בחלק העליון של הסרט) יחד עם האירועים המסומנים (הפסים הכחולים בתחתית הסרט).
תוכל לבחור אירועים שזוהו על ידי בחירת האזורים האדומים המייצגים חריגות בתצוגת ציר הזמן כדי לקבל מידע נוסף. זה כולל:
- זמני ההתחלה והסיום של האירוע יחד עם משכו.
- תרשים עמודות עם החיישנים שלדעת המודל הם הרלוונטיים ביותר לסיבה שהתרחשה חריגה. הציונים באחוזים מייצגים את התרומה הכוללת המחושבת.
תובנות אלו מאפשרות לך לעבוד עם מהנדסי התהליך או המהימנות שלך כדי לבצע הערכת שורש נוספת של אירועים ובסופו של דבר לייעל את פעילויות התחזוקה, להפחית זמני השבתה לא מתוכננים ולזהות תנאי הפעלה לא אופטימליים.
כדי לתמוך בתחזוקה חזויה עם תובנות בזמן אמת (מסק), Lookout for Equipment תומך בהערכה חיה של נתונים מקוונים באמצעות לוחות זמנים להסקת מסקנות. זה מחייב להעלות נתוני חיישנים לאמזון S3 מעת לעת, ואז Lookout for Equipment מבצע הסקה על הנתונים עם המודל המאומן, ומספק ציון אנומליות בזמן אמת. את תוצאות ההסקה, כולל היסטוריה של אירועים חריגים שזוהו, ניתן לצפות בקונסולת Lookout for Equipment.
התוצאות נכתבות גם לקבצים באמזון S3, מה שמאפשר אינטגרציה עם מערכות אחרות, למשל מערכת ניהול תחזוקה ממוחשבת (CMMS), או להודיע לאנשי התפעול והתחזוקה בזמן אמת.
ככל שתגדיל את האימוץ של Lookout for Equipment, תצטרך לנהל מספר גדול יותר של דגמים ולוחות זמנים להסקת מסקנות. כדי להקל על תהליך זה, ה לוחות זמנים להסקת מסקנות הדף מפרט את כל המתזמנים המוגדרים כעת עבור פרויקט בתצוגה אחת.
לנקות את
כשתסיים להעריך את Lookout for Equipment, אנו ממליצים לנקות משאבים כלשהם. אתה יכול למחוק את פרויקט Lookout for Equipment יחד עם מערך הנתונים וכל המודל שנוצר על ידי בחירת הפרויקט, בחירה מחק, ומאשר את הפעולה.
<br> סיכום
בפוסט זה, עברנו על השלבים של הטמעת מערך נתונים ב- Lookout for Equipment, הכשרת מודל עליו והערכת הביצועים שלו כדי להבין את הערך שהוא יכול לחשוף עבור נכסים בודדים. באופן ספציפי, בדקנו כיצד Lookout for Equipment יכולה לספק מידע על תהליכי תחזוקה חזויים שגורמים להפחתת זמן השבתה לא מתוכנן ול-OEE גבוה יותר.
אם עקבת אחר הנתונים שלך ואתה מתלהב מהסיכויים של שימוש ב- Lookout for Equipment, השלב הבא הוא להתחיל פרויקט פיילוט, בתמיכה של ארגון ה-IT שלך, השותפים המרכזיים שלך או צוותי השירותים המקצועיים של AWS. פיילוט זה צריך למקד למספר מוגבל של ציוד תעשייתי ולאחר מכן להגדיל את כל הנכסים בטווח תחזוקה חזוי.
על המחברים
יוהאן פוכסל הוא אדריכל פתרונות עם שירותי האינטרנט של אמזון. הוא מדריך לקוחות ארגוניים בתעשיית הייצור ביישום מקרי שימוש ב-AI/ML, עיצוב ארכיטקטורות נתונים מודרניות ובניית פתרונות מקוריים בענן המספקים ערך עסקי מוחשי. ליוהן יש רקע במתמטיקה ובמודלים כמותיים, אותם הוא משלב עם ניסיון של 10 שנים ב-IT. מחוץ לעבודה, הוא נהנה לבלות עם משפחתו ולבלות בטבע.
מיכאל הוראו הוא ארכיטקט פתרונות AI/ML תעשייתי ב-AWS המחליף בין מדען נתונים וארכיטקט למידת מכונה, בהתאם לרגע. הוא נלהב להביא את הכוח של AI/ML לרצפות החנויות של לקוחותיו התעשייתיים ועבד על מגוון רחב של מקרי שימוש ב-ML, החל מזיהוי חריגות ועד איכות מוצר חזויה או אופטימיזציה של ייצור. כשהוא לא עוזר ללקוחות לפתח את חוויות למידת המכונה הטובות הבאות, הוא נהנה להתבונן בכוכבים, לטייל או לנגן בפסנתר.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/
- :הוא
- $ למעלה
- 1
- 10
- 100
- 7
- a
- יכול
- אודות
- חֶשְׁבּוֹן
- דיוק
- פעולה
- פעילויות
- תוספת
- נוסף
- מידע נוסף
- כתובות
- פְּנִיָה
- אימוץ
- AI / ML
- אלגוריתמים
- מיושר
- תעשיות
- מאפשר
- מאפשר
- אמזון בעברית
- מצפור אמזון לציוד
- אמזון שירותי אינטרנט
- כמות
- לנתח
- ניתוחים
- ו
- גילוי חריגות
- גישה
- ARE
- אזורים
- סביב
- AS
- נכס
- נכסים
- At
- זמין
- מְמוּצָע
- הימנעות
- AWS
- שירותים מקצועיים של AWS
- רקע
- בָּר
- סורגים
- בסיס
- BE
- כי
- לפני
- להיות
- מאמין
- תועלת
- הטוב ביותר
- מוטב
- בֵּין
- גָדוֹל
- כָּחוֹל
- תַחתִית
- מביאים
- רחב
- לִבנוֹת
- בִּניָן
- עסקים
- לַחְצָן
- by
- מחושב
- CAN
- יכול לקבל
- ללכוד
- מקרה
- מקרים
- לגרום
- תרשים
- תרשימים
- בחרו
- בחירה
- ניקוי
- קליק
- לקוחות
- עמודות
- שילובים
- משלב
- מתחייב
- להשלים
- מַשׁלִים
- מורכב
- מושג
- מצב
- תנאים
- לשקול
- קונסול
- אילוצים
- מכיל
- תרומה
- יכול
- לִיצוֹר
- נוצר
- יוצרים
- קריטי
- כיום
- לקוחות
- גזירה
- מחזורי
- לוח מחוונים
- נתונים
- מדען נתונים
- נתונים מונחים
- תַאֲרִיך
- החלטה
- מקבלי החלטות
- להקטין
- עמוק יותר
- בְּרִירַת מֶחדָל
- הגדרה
- למסור
- תלוי
- תלוי
- פרס
- תכנון
- מְפוֹרָט
- פרטים
- זוהה
- איתור
- לפתח
- מפתחים
- אחר
- מציג
- מציג
- הפצה
- זמן השבתה
- מונע
- בְּמַהֲלָך
- כל אחד
- קל יותר
- אפקטיבי
- יעילות
- יְעִילוּת
- לאפשר
- מהנדסים
- לְהַבטִיחַ
- זן
- מִפְעָל
- כניסה
- ציוד
- שגיאות
- להעריך
- הערכה
- הערכה
- אירוע
- אירועים
- בסופו של דבר
- הכל
- עדות
- דוגמה
- נרגש
- לְמַעֵט
- לצפות
- מצפה
- ניסיון
- חוויות
- לְנַסוֹת
- חקר
- תמצית
- כשלון
- משפחה
- מעטים
- שלח
- קבצים
- ממולא
- לסנן
- סופי
- סוף
- ראשון
- גמישות
- לעקוב
- בעקבות
- הבא
- בעד
- החל מ-
- נוסף
- כללי
- לקבל
- לתת
- נתן
- נותן
- Goes
- טוב
- ציון
- מדריך
- מדריך
- יד
- שמח
- יש
- בְּרִיאוּת
- לעזור
- עזרה
- גָבוֹהַ
- גבוה יותר
- הגבוה ביותר
- היסטוריה
- עמוד הבית
- שעות
- איך
- אולם
- HTML
- http
- HTTPS
- אידאל
- לזהות
- ליישם
- יישום
- לשפר
- in
- לכלול
- כולל
- כולל
- להגדיל
- גדל
- להצביע
- אינדיקטורים
- בנפרד
- התעשייה
- תעשייה
- לְהוֹדִיעַ
- מידע
- הודעה
- קלט
- תובנות
- השתלבות
- אינטרס
- חקירה
- סוגיה
- בעיות
- IT
- שֶׁלָה
- jpg
- שמור
- מפתח
- ידוע
- תווית
- תוויות
- גָדוֹל
- גדול יותר
- אחרון
- האחרון
- עוֹפֶרֶת
- מנהיגים
- מוביל
- מוביל
- לִלמוֹד
- למידה
- כמו
- מוגבל
- קו
- קווים
- רשימה
- רשימות
- לחיות
- נתונים חיים
- מיקום
- עוד
- נראה
- נראה
- נמוך
- מכונה
- למידת מכונה
- תחזוקה
- לעשות
- לנהל
- ניהול
- מנהלים
- ייצור
- תעשיית ייצור
- מתימטיקה
- אומר
- בינוני
- לִפְגוֹשׁ
- מיזוג
- יכול
- דקות
- חסר
- ML
- מודל
- מודלים
- מודרני
- רֶגַע
- רגעים
- ניטור
- חודשים
- יותר
- רוב
- המהלך
- מספר
- שם
- שמות
- טבע
- הכרחי
- צורך
- צורך
- צרכי
- חדש
- הבא
- לא טכני
- מספר
- התרחשה
- of
- on
- ONE
- באינטרנט
- פועל
- מבצע
- מבצעי
- תפעול
- אופטימלי
- אופטימיזציה
- מטב
- אפשרויות
- להזמין
- ארגון
- אחר
- בחוץ
- מקיף
- סקירה
- שֶׁלוֹ
- עמוד
- חלק
- שותף
- שותפים
- לוהט
- אחוזים
- לְבַצֵעַ
- ביצועים
- מבצע
- תקופות
- כוח אדם
- שלב
- חתיכות
- טַיָס
- פרויקט פיילוט
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- PoC
- נקודה
- הודעה
- פוטנציאל
- כּוֹחַ
- לחזות
- ניבוי
- התחזיות
- מכין
- תנאים מוקדמים
- פרואקטיבי
- תהליך
- תהליכים
- המוצר
- איכות המוצר
- הפקה
- מקצועי
- פרופילים
- פּרוֹיֶקט
- פרויקטים
- הוכחה
- הוכחה של רעיון או תאוריה
- לקוחות פוטנציאליים
- לספק
- ובלבד
- מספק
- מתן
- איכות
- כמותי
- רכס
- טִוּוּחַ
- ציון
- ממשי
- זמן אמת
- להמליץ
- Red
- להפחית
- מופחת
- רלוונטי
- אמינות
- הוסר
- לדווח
- לייצג
- המייצג
- נדרש
- דורש
- משאב
- משאבים
- REST
- תוצאה
- וכתוצאה מכך
- תוצאות
- סקירה
- רצועת כלים
- הסיכון
- שורש
- סולם
- דרוג
- מַדְעָן
- היקף
- מניה
- בצורה חלקה
- סעיף
- נבחר
- בחירה
- חיישנים
- נפרד
- שרות
- שירותים
- סטים
- הצבה
- הגדרות
- כמה
- חנות
- צריך
- הופעות
- לאותת
- באופן משמעותי
- פָּשׁוּט
- יחיד
- מצב
- מידה
- So
- פִּתָרוֹן
- פתרונות
- מָקוֹר
- מומחה
- ספציפי
- במיוחד
- מפורט
- הוצאה
- לפצל
- כוכבים
- התחלה
- החל
- החל
- מדינה
- הברית
- מצב
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- אִסטרָטֶגִיָה
- מִבְנֶה
- כזה
- תמיכה
- תומך
- מערכת
- מערכות
- שולחן
- לקחת
- יעד
- משימות
- נבחרת
- צוותי
- טכני
- מבחן
- זֶה
- השמיים
- שֶׁלָהֶם
- עצמם
- בכך
- אלה
- דברים
- שְׁלוֹשָׁה
- סף
- דרך
- זמן
- ציר זמן
- פִּי
- חותם
- ל
- גַם
- חלק עליון
- רכבת
- מְאוּמָן
- הדרכה
- להעביר
- נסיעה
- תור
- סוגים
- בדרך כלל
- בסופו של דבר
- לגלות
- תחת
- להבין
- לא צפוי
- נטען
- להשתמש
- במקרה להשתמש
- משתמשים
- בְּדֶרֶך כְּלַל
- אימות
- ערך
- ערכים
- שונים
- באמצעות
- בַּר חַיִים
- לצפיה
- ראות
- הלך
- דֶרֶך..
- אינטרנט
- שירותי אינטרנט
- אם
- אשר
- בזמן
- מי
- רָחָב
- טווח רחב
- יצטרך
- עם
- לְלֹא
- תיק עבודות
- עבד
- כתוב
- שנה
- שנים
- אתה
- זפירנט