עם שימוש במחשוב ענן, כלים ביג דאטה ולמידת מכונה (ML) כמו אמזונה אתנה or אמזון SageMaker הפכו לזמינים ושמישים על ידי כל אחד ללא מאמץ רב ביצירה ותחזוקה. חברות תעשייתיות מסתכלות יותר ויותר על ניתוח נתונים וקבלת החלטות מונעות נתונים כדי להגביר את יעילות המשאבים בכל הפורטפוליו שלהן, מתפעול ועד ביצוע תחזוקה חזויה או תכנון.
בשל מהירות השינוי ב-IT, לקוחות בתעשיות מסורתיות מתמודדים עם דילמה של מערך מיומנויות. מצד אחד, לאנליסטים ומומחי תחום יש ידע עמוק מאוד בנתונים המדוברים ובפרשנותם, אך לעיתים קרובות חסרים להם חשיפה לכלי מדעי נתונים ולשפות תכנות ברמה גבוהה כמו Python. מצד שני, מומחי מדעי הנתונים חסרים לעתים קרובות את הניסיון לפרש את תוכן נתוני המכונה ולסנן אותו לפי מה שרלוונטי. דילמה זו פוגעת ביצירת מודלים יעילים המשתמשים בנתונים כדי ליצור תובנות רלוונטיות לעסק.
אמזון SageMaker Canvas מטפל בדילמה זו על ידי מתן ממשק ללא קוד למומחי תחום ליצירת מודלים אנליטיים ו-ML רבי עוצמה, כגון תחזיות, סיווג או מודלים של רגרסיה. זה גם מאפשר לך לפרוס ולשתף מודלים אלה עם מומחי ML ו-MLOps לאחר היצירה.
בפוסט זה, אנו מראים לך כיצד להשתמש ב- SageMaker Canvas כדי לאצור ולבחור את התכונות הנכונות בנתונים שלך, ולאחר מכן לאמן מודל חיזוי לזיהוי חריגות, תוך שימוש בפונקציונליות ללא קוד של SageMaker Canvas עבור כוונון מודל.
איתור חריגות לתעשיית הייצור
בזמן הכתיבה, SageMaker Canvas מתמקדת במקרים טיפוסיים של שימוש עסקי, כגון חיזוי, רגרסיה וסיווג. עבור פוסט זה, אנו מדגימים כיצד יכולות אלו יכולות גם לסייע בזיהוי נקודות נתונים חריגות מורכבות. מקרה שימוש זה רלוונטי, למשל, לאיתור תקלות או פעולות חריגות של מכונות תעשייתיות.
זיהוי חריגות חשוב בתחום התעשייה, מכיוון שמכונות (מרכבות ועד טורבינות) הן בדרך כלל אמינות מאוד, עם זמני בין תקלות שנמשכים שנים. רוב הנתונים ממכונות אלה, כגון קריאות חיישני טמפרטורה או הודעות מצב, מתארים את הפעולה הרגילה ויש להם ערך מוגבל לקבלת החלטות. מהנדסים מחפשים נתונים חריגים בעת חקירת סיבות שורש לתקלה או כאינדיקטורים לאזהרה לתקלות עתידיות, ומנהלי ביצועים בוחנים נתונים חריגים כדי לזהות שיפורים פוטנציאליים. לכן, הצעד הראשון האופייני במעבר לקראת קבלת החלטות מונעת נתונים מסתמך על מציאת הנתונים הרלוונטיים (החריגים).
בפוסט זה, אנו משתמשים ב- SageMaker Canvas כדי לאצור ולבחור את התכונות הנכונות בנתונים, ולאחר מכן להכשיר מודל חיזוי לזיהוי חריגות, תוך שימוש בפונקציונליות של SageMaker Canvas ללא קוד לכוונון מודל. לאחר מכן אנו פורסים את המודל כנקודת קצה של SageMaker.
סקירת פתרונות
במקרה השימוש שלנו בזיהוי חריגות, אנו מאמנים מודל חיזוי לחזות תכונה אופיינית לפעולה רגילה של מכונה, כגון טמפרטורת המנוע המצוינת במכונית, מתוך השפעה על תכונות, כגון המהירות והמומנט שהופעל לאחרונה במכונית . לזיהוי חריגות במדגם חדש של מדידות, אנו משווים את תחזיות המודל עבור התכונה האופיינית עם התצפיות שסופקו.
לדוגמה של מנוע המכונית, מומחה בתחום משיג מדידות של טמפרטורת המנוע הרגילה, מומנט המנוע האחרון, טמפרטורת הסביבה וגורמים פוטנציאליים משפיעים אחרים. אלה מאפשרים לך לאמן מודל לחזות את הטמפרטורה משאר התכונות. אז נוכל להשתמש במודל כדי לחזות את טמפרטורת המנוע על בסיס קבוע. כאשר הטמפרטורה החזויה עבור נתונים אלה דומה לטמפרטורה הנצפית בנתונים אלה, המנוע פועל כרגיל; אי התאמה יצביע על חריגה, כגון כשל במערכת הקירור או פגם במנוע.
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
הפתרון מורכב מארבעה שלבים מרכזיים:
- מומחה התחום יוצר את המודל הראשוני, כולל ניתוח נתונים ואצירת תכונות באמצעות SageMaker Canvas.
- מומחה התחום משתף את המודל דרך ה רישום הדגמים של אמזון SageMaker או פורס אותו ישירות כנקודת קצה בזמן אמת.
- מומחה MLOps יוצר את תשתית ההסקה והקוד ומתרגם את פלט המודל מחיזוי לאינדיקטור אנומליה. קוד זה פועל בדרך כלל בתוך an AWS למבדה פונקציה.
- כאשר אפליקציה דורשת זיהוי אנומליה, היא קוראת לפונקציית Lambda, המשתמשת במודל להסקת מסקנות ומספקת את התגובה (בין אם זו חריגה ובין אם לאו).
תנאים מוקדמים
כדי לעקוב אחרי פוסט זה, עליך לעמוד בדרישות הקדם הבאות:
צור את המודל באמצעות SageMaker
תהליך יצירת המודל עוקב אחר השלבים הסטנדרטיים ליצירת מודל רגרסיה ב- SageMaker Canvas. למידע נוסף, עיין ב התחלת השימוש ב- Amazon SageMaker Canvas.
ראשית, מומחה התחום טוען נתונים רלוונטיים לתוך SageMaker Canvas, כגון סדרת זמן של מדידות. עבור פוסט זה, אנו משתמשים בקובץ CSV המכיל את המדידות (הנוצרות באופן סינתטי) של מנוע חשמלי. לפרטים, עיין ב ייבא נתונים לתוך Canvas. הנתונים לדוגמה שבהם נעשה שימוש זמינים להורדה בתור א CSV.
אצור את הנתונים עם SageMaker Canvas
לאחר טעינת הנתונים, מומחה התחום יכול להשתמש ב- SageMaker Canvas כדי לאצור את הנתונים המשמשים במודל הסופי. לשם כך, המומחה בוחר את אותן עמודות המכילות מדידות אופייניות לבעיה המדוברת. ליתר דיוק, המומחה בוחר עמודות הקשורות זו לזו, למשל, על ידי קשר פיזי כגון עקומת לחץ-טמפרטורה, וכאשר שינוי ביחס זה הוא אנומליה רלוונטית למקרה השימוש בהן. מודל זיהוי החריגות ילמד את הקשר הרגיל בין העמודות שנבחרו ויציין מתי הנתונים אינם תואמים לו, כגון טמפרטורת מנוע גבוהה באופן חריג בהתחשב בעומס הנוכחי על המנוע.
בפועל, מומחה התחום צריך לבחור קבוצה של עמודות קלט מתאימות ועמודת יעד. התשומות הן בדרך כלל אוסף הכמויות (מספריות או קטגוריות) הקובעות את התנהגות המכונה, החל מהגדרות ביקוש, ועד לטעינה, מהירות או טמפרטורת הסביבה. הפלט הוא בדרך כלל כמות מספרית המציינת את ביצועי פעולת המכונה, כגון טמפרטורה המודדת פיזור אנרגיה או מדד ביצועים אחר המשתנה כאשר המכונה פועלת בתנאים לא אופטימליים.
כדי להמחיש את הרעיון של אילו כמויות לבחור עבור קלט ופלט, הבה נבחן כמה דוגמאות:
- עבור ציוד מסתובב, כמו הדגם שאנו בונים בפוסט זה, תשומות אופייניות הן מהירות הסיבוב, המומנט (זרם והיסטוריה) וטמפרטורת הסביבה, והמטרות הן המיסבים או טמפרטורות המנוע המצביעות על תנאי תפעול טובים של הסיבובים.
- עבור טורבינת רוח, תשומות אופייניות הן ההיסטוריה הנוכחית והעדכנית של מהירות הרוח והגדרות להב הרוטור, וכמות היעד היא ההספק המופק או מהירות הסיבוב
- עבור תהליך כימי, תשומות אופייניות הן אחוז המרכיבים השונים וטמפרטורת הסביבה, והמטרות הן החום המופק או הצמיגות של המוצר הסופי
- עבור ציוד הנעה כגון דלתות הזזה, תשומות אופייניות הן כניסת הכוח למנועים, וערך היעד הוא המהירות או זמן ההשלמה של התנועה
- עבור מערכת HVAC, תשומות טיפוסיות הן הפרש הטמפרטורה והעומס שהושגו, וכמות היעד היא צריכת האנרגיה הנמדדת
בסופו של דבר, הקלט והיעדים הנכונים עבור ציוד נתון יהיו תלויים במקרה השימוש והתנהגות חריגה לזיהוי, והם מוכרים בעיקר למומחה תחום שמכיר את המורכבויות של מערך הנתונים הספציפי.
ברוב המקרים, בחירת כמויות קלט ויעד מתאימות פירושה בחירת העמודות הימניות בלבד וסימון עמודת היעד (לדוגמה זו, bearing_temperature
). עם זאת, מומחה תחום יכול גם להשתמש בתכונות ללא קוד של SageMaker Canvas כדי לשנות עמודות ולצמצם או לצבור את הנתונים. לדוגמה, אתה יכול לחלץ או לסנן תאריכים או חותמות זמן ספציפיים מהנתונים שאינם רלוונטיים. SageMaker Canvas תומך בתהליך זה, מציג נתונים סטטיסטיים על הכמויות שנבחרו, ומאפשר לך להבין אם לכמות יש חריגים והתפשטות שעשויים להשפיע על תוצאות המודל.
אימון, כוונון והערכת המודל
לאחר שמומחה התחום בחר עמודות מתאימות במערך הנתונים, הוא יכול לאמן את המודל ללמוד את הקשר בין הקלט והפלטים. ליתר דיוק, המודל ילמד לחזות את ערך היעד שנבחר מתוך התשומות.
בדרך כלל, אתה יכול להשתמש ב- SageMaker Canvas תצוגה מקדימה של דגם אוֹפְּצִיָה. זה מספק אינדיקציה מהירה של איכות הדגם המצופה, ומאפשר לך לחקור את ההשפעה שיש לתשומות שונות על מדד הפלט. לדוגמה, בצילום המסך הבא, המודל מושפע ביותר מה- motor_speed
ו ambient_temperature
מדדים בעת חיזוי bearing_temperature
. זה הגיוני, כי הטמפרטורות הללו קשורות קשר הדוק. יחד עם זאת, חיכוך נוסף או אמצעים אחרים לאובדן אנרגיה עשויים להשפיע על כך.
עבור איכות המודל, ה-RMSE של המודל הוא אינדיקטור עד כמה המודל הצליח ללמוד את ההתנהגות הרגילה בנתוני האימון ולשחזר את הקשרים בין מדדי הקלט והפלט. לדוגמה, במודל הבא, המודל אמור להיות מסוגל לחזות את הנכון motor_bearing
טמפרטורה בטווח של 3.67 מעלות צלזיוס, כך שנוכל להתייחס לסטייה של הטמפרטורה האמיתית מחיזוי מודל שגדול מ, למשל, 7.4 מעלות כאנומליה. עם זאת, הסף האמיתי שבו תשתמש יהיה תלוי ברגישות הנדרשת בתרחיש הפריסה.
לבסוף, לאחר סיום הערכת המודל והכוונון, אתה יכול להתחיל את אימון המודל המלא שייצור את המודל לשימוש להסקת מסקנות.
פרוס את הדגם
למרות ש- SageMaker Canvas יכול להשתמש במודל להסקת מסקנות, פריסה פרודוקטיבית לזיהוי חריגות מחייבת אותך לפרוס את המודל מחוץ ל- SageMaker Canvas. ליתר דיוק, עלינו לפרוס את המודל כנקודת קצה.
בפוסט זה ולמען הפשטות, אנו פורסים את המודל כנקודת קצה מ- SageMaker Canvas ישירות. להנחיות, עיין ב פרוס את הדגמים שלך לנקודת קצה. הקפד לשים לב לשם הפריסה ולשקול את התמחור של סוג המופע אליו אתה פורס (עבור פוסט זה, אנו משתמשים ב-ml.m5.large). לאחר מכן, SageMaker Canvas תיצור נקודת קצה מודל שניתן לקרוא לה כדי לקבל תחזיות.
במסגרות תעשייתיות, דגם צריך לעבור בדיקה יסודית לפני שניתן יהיה לפרוס אותו. לשם כך, מומחה הדומיין לא יפרוס אותו, אלא ישתף את המודל עם רישום המודלים של SageMaker. כאן, מומחה תפעול של MLOps יכול להשתלט. בדרך כלל, אותו מומחה יבדוק את נקודת הקצה של המודל, יעריך את גודל ציוד המחשוב הנדרש עבור יישום היעד, ויקבע את הפריסה היעילה ביותר, כגון פריסה להסקה ללא שרת או הסקת אצווה. שלבים אלה הם בדרך כלל אוטומטיים (לדוגמה, באמצעות אמזון Sagemaker Pipelines או SDK של אמזון).
השתמש במודל לזיהוי אנומליות
בשלב הקודם, יצרנו פריסת מודל ב- SageMaker Canvas, הנקראת canvas-sample-anomaly-model
. אנו יכולים להשתמש בו כדי לקבל תחזיות של א bearing_temperature
ערך המבוסס על העמודות האחרות במערך הנתונים. כעת, אנו רוצים להשתמש בנקודת הקצה הזו כדי לזהות חריגות.
כדי לזהות נתונים חריגים, המודל שלנו ישתמש בנקודת הסיום של מודל החיזוי כדי לקבל את הערך הצפוי של מדד היעד ולאחר מכן ישווה את הערך החזוי מול הערך בפועל בנתונים. הערך החזוי מציין את הערך הצפוי עבור מדד היעד שלנו בהתבסס על נתוני ההדרכה. לכן ההבדל של ערך זה הוא מדד לאנורמליות של הנתונים בפועל שנצפו. נוכל להשתמש בקוד הבא:
הקוד הקודם מבצע את הפעולות הבאות:
- נתוני הקלט מסוננים עד לתכונות הנכונות (פונקציה "
input_transformer
"). - נקודת הקצה של מודל SageMaker מופעלת עם הנתונים המסוננים (פונקציה "
do_inference
"), שבו אנו מטפלים בעיצוב קלט ופלט בהתאם לקוד לדוגמה שסופק בעת פתיחת דף הפרטים של הפריסה שלנו ב- SageMaker Canvas. - תוצאת הפנייה מצטרפת לנתוני הקלט המקוריים וההבדל נשמר בעמודת השגיאה (פונקציה "
output_transform
").
מצא חריגות והעריך אירועים חריגים
בהגדרה טיפוסית, הקוד להשגת חריגות מופעל בפונקציית Lambda. ניתן לקרוא לפונקציית Lambda מאפליקציה או שער API של אמזון. הפונקציה הראשית מחזירה ציון אנומליה עבור כל שורה של נתוני הקלט - במקרה זה, סדרת זמן של ציון אנומליה.
לצורך בדיקה, נוכל להריץ את הקוד גם במחברת SageMaker. הגרפים הבאים מציגים את הקלט והפלט של המודל שלנו בעת שימוש בנתונים לדוגמה. שיאים בסטייה בין הערכים החזויים והממשיים (ציון אנומליה, המוצג בגרף התחתון) מצביעים על חריגות. לדוגמה, בגרף, אנו יכולים לראות שלוש פסגות ברורות שבהן ציון האנומליה (ההבדל בין הטמפרטורה הצפויה לטמפרטורה האמיתית) עולה על 7 מעלות צלזיוס: הראשון לאחר זמן סרק ארוך, השני בירידה תלולה של bearing_temperature
, והאחרון איפה bearing_temperature
גבוה בהשוואה ל motor_speed
.
במקרים רבים, ידיעת סדרת הזמן של ציון האנומליה כבר מספיקה; אתה יכול להגדיר סף מתי להתריע על חריגה משמעותית בהתבסס על הצורך ברגישות לדגם. הציון הנוכחי מצביע על כך שלמכונה יש מצב לא תקין הדורש בדיקה. לדוגמה, עבור המודל שלנו, הערך המוחלט של ציון האנומליה מתחלק כפי שמוצג בגרף הבא. זה מאשר שרוב ציוני האנומליה הם מתחת ל-(2xRMS=)8 מעלות שנמצאו במהלך האימון עבור המודל בתור השגיאה האופיינית. הגרף יכול לעזור לך לבחור סף באופן ידני, כך שהאחוז הנכון של הדגימות המוערכות יסומן כחריגות.
אם התפוקה הרצויה היא אירועים של חריגות, אזי ציוני החריגות שמספק המודל דורשים חידוד כדי להיות רלוונטיים לשימוש עסקי. לשם כך, מומחה ה-ML יוסיף בדרך כלל עיבוד לאחר כדי להסיר רעש או פסגות גדולות בציון האנומליה, כגון הוספת ממוצע מתגלגל. בנוסף, המומחה יעריך בדרך כלל את ציון האנומליה לפי היגיון הדומה להעלאת אמזון CloudWatch אזעקה, כגון מעקב אחר פריצת סף לאורך זמן מסוים. למידע נוסף על הגדרת אזעקות, עיין ב שימוש באזעקות Amazon CloudWatch. הפעלת הערכות אלו בפונקציית Lambda מאפשרת לשלוח אזהרות, למשל, על ידי פרסום אזהרה ל- שירות התראה פשוט של אמזון (אמזון SNS) נושא.
לנקות את
לאחר שתסיים להשתמש בפתרון זה, עליך לנקות כדי למנוע עלויות מיותרות:
- ב- SageMaker Canvas, מצא את פריסת נקודת הקצה המודל שלך ומחק אותה.
- התנתק מ- SageMaker Canvas כדי למנוע חיובים על כך שהוא פועל בחוסר מעש.
<br> סיכום
בפוסט זה, הראינו כיצד מומחה תחום יכול להעריך נתוני קלט וליצור מודל ML באמצעות SageMaker Canvas ללא צורך בכתיבת קוד. לאחר מכן הראינו כיצד להשתמש במודל זה כדי לבצע זיהוי אנומליות בזמן אמת באמצעות SageMaker ולמבדה באמצעות זרימת עבודה פשוטה. שילוב זה מעניק למומחי תחום להשתמש בידע שלהם כדי ליצור מודלים רבי עוצמה של ML ללא הכשרה נוספת במדעי הנתונים, ומאפשר למומחי MLOps להשתמש במודלים אלה ולהפוך אותם לזמינים להסקת מסקנות בגמישות וביעילות.
שכבת חינם למשך חודשיים זמינה עבור SageMaker Canvas, ולאחר מכן אתה משלם רק על מה שאתה משתמש. התחל להתנסות עוד היום והוסף ML כדי להפיק את המרב מהנתונים שלך.
על הסופר
Helge Aufderheide הוא חובב הפיכת נתונים לשמישים בעולם האמיתי עם התמקדות חזקה באוטומציה, אנליטיקה ולמידת מכונה ביישומים תעשייתיים, כגון ייצור וניידות.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/detect-anomalies-in-manufacturing-data-using-amazon-sagemaker-canvas/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 100
- 25
- 67
- 7
- a
- יכול
- לֹא נוֹרמָלִי
- חריג
- אודות
- מוּחלָט
- לְקַבֵּל
- נצפה
- פי
- הושג
- לרוחב
- פעולות
- ממשי
- להוסיף
- מוסיף
- תוספת
- נוסף
- כתובות
- להשפיע על
- מושפע
- לאחר
- לאחר מכן
- נגד
- לְקַבֵּץ
- אזעקה
- להתיר
- מאפשר
- מאפשר
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון SageMaker Canvas
- אמזון שירותי אינטרנט
- אמביינט
- an
- אנליזה
- אנליסטים
- ניתוח
- ו
- חריגויות
- גילוי חריגות
- אחר
- כל אחד
- API
- בקשה
- יישומים
- יישומית
- ארכיטקטורה
- ARE
- AS
- At
- אוטומטי
- אוטומציה
- זמין
- לְהִמָנַע
- AWS
- AWS למבדה
- צִיר
- מבוסס
- בסיס
- BE
- כי
- להיות
- לפני
- התנהגות
- להלן
- בנצ 'מרק
- הטוב ביותר
- בֵּין
- גָדוֹל
- נתונים גדולים
- להב
- גוּף
- הפרה
- לִבנוֹת
- עסקים
- אבל
- לַחְצָן
- by
- נקרא
- שיחות
- CAN
- בד
- יכולות
- מכונית
- מקרה
- מקרים
- גורמים
- צֶלסִיוּס
- שינוי
- משתנה
- מאפיין
- חיובים
- כימי
- בחרו
- מיון
- לְנַקוֹת
- מקרוב
- ענן
- ענן מחשוב
- קוד
- אוסף
- טור
- עמודות
- שילוב
- חברות
- לְהַשְׁווֹת
- לעומת
- להשלים
- השלמה
- מורכב
- מחשוב
- מושג
- תנאים
- תְצוּרָה
- לשקול
- מורכב
- צְרִיכָה
- להכיל
- תוכן
- מערכת קירור
- לתקן
- עלות
- לִיצוֹר
- נוצר
- יוצר
- יצירה
- אוצר
- אוצרות
- נוֹכְחִי
- זונה
- לקוחות
- נתונים
- ניתוח נתונים
- ניתוח נתונים
- נקודות מידע
- מדע נתונים
- נתונים מונחים
- תאריכים
- קבלת החלטות
- ירידות
- עמוק
- דרישה
- להפגין
- לסמוך
- לפרוס
- פרס
- פריסה
- פורס
- מתאר
- רצוי
- פרטים
- לאתר
- איתור
- לקבוע
- סטייה
- תרשים
- הבדל
- אחר
- ישירות
- אי התאמה
- מובהק
- מופץ
- לא
- תחום
- דלתות
- מטה
- להורדה
- ירידה
- משך
- בְּמַהֲלָך
- כל אחד
- השפעה
- יְעִילוּת
- יעיל
- יעילות
- מאמץ
- מעצים
- מאפשר
- סוף
- נקודת קצה
- אנרגיה
- צריכת אנרגיה
- מהנדסים
- נלהב
- שלם
- ציוד
- שגיאה
- להעריך
- העריך
- הערכה
- הערכות
- אירועים
- לִבחוֹן
- דוגמה
- דוגמאות
- לצפות
- צפוי
- ניסיון
- ניסויים
- מומחה
- מומחים
- חשיפה
- תמצית
- מול
- גורמים
- אי
- כישלונות
- מוכר
- תקלות
- מאפיין
- תכונות
- מעטים
- שלח
- לסנן
- סופי
- מציאת
- ראשון
- בגמישות
- להתמקד
- מתמקד
- לעקוב
- הבא
- כדלקמן
- בעד
- תחזיות
- מצא
- ארבע
- חופשי
- חיכוך
- החל מ-
- פונקציה
- פונקציונלי
- עתיד
- ליצור
- נוצר
- לקבל
- נתן
- טוב
- גרף
- גרפים
- יד
- לטפל
- טיפול
- יש
- לעזור
- כאן
- גָבוֹהַ
- ברמה גבוהה
- היסטוריה
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- לזהות
- להתבטל
- if
- להמחיש
- מדגים
- תמונה
- לייבא
- חשוב
- שיפורים
- in
- כולל
- להגדיל
- יותר ויותר
- מדד
- להצביע
- הצביע
- מצביע על
- המציין
- סִימָן
- אינדיקטור
- אינדיקטורים
- התעשייה
- תעשיות
- תעשייה
- משפיע
- מידע
- תשתית
- בתחילה
- קלט
- תשומות
- בתוך
- תובנות
- למשל
- במקום
- הוראות
- מִמְשָׁק
- פענוח
- אל תוך
- מורכבויות
- לחקור
- חקירה
- חקירה
- הופעל
- IT
- שֶׁלָה
- הצטרף
- jpg
- ג'סון
- מפתח
- יודע
- ידע
- ידוע
- חוסר
- שפות
- גָדוֹל
- גדול יותר
- אחרון
- לִלמוֹד
- למידה
- כמו
- סביר
- מוגבל
- קווים
- קווים
- לִטעוֹן
- המון
- הגיון
- ארוך
- נראה
- את
- להוריד
- מכונה
- למידת מכונה
- מכונה
- ראשי
- תחזוקה
- לעשות
- עשייה
- מנהלים
- באופן ידני
- ייצור
- רב
- מסומן
- סימון
- מאי..
- אומר
- אומר
- מידות
- אמצעים
- מדידת
- לִפְגוֹשׁ
- הודעות
- מטרי
- מדדים
- ML
- MLOps
- ניידות
- מודל
- מודלים
- ניטור
- יותר
- רוב
- מָנוֹעַ
- מוטורס
- נע
- הרבה
- צריך
- my
- שם
- צורך
- צרכי
- חדש
- רעש
- נוֹרמָלִי
- בדרך כלל
- הערות
- מחברה
- הודעה
- עַכשָׁיו
- להשיג
- משיג
- הִתרַחֲשׁוּת
- of
- לעתים קרובות
- on
- ONE
- רק
- פתיחה
- מבצע
- מבצעי
- תפעול
- אפשרות
- or
- מְקוֹרִי
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- פלטים
- בחוץ
- יותר
- סקירה
- עמוד
- דובי פנדה
- תשלום
- אחוזים
- לְבַצֵעַ
- ביצועים
- ביצוע
- מבצע
- גופני
- תמונה
- תכנון
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- נקודות
- תיק עבודות
- הודעה
- פוטנציאל
- כּוֹחַ
- חזק
- תרגול
- קודם
- בדיוק
- לחזות
- חזה
- ניבוי
- נבואה
- התחזיות
- להכין
- תנאים מוקדמים
- קודם
- תמחור
- בעיה
- תהליך
- מיוצר
- פּרוּדוּקטִיבִי
- תכנות
- שפות תכנות
- לספק
- ובלבד
- מספק
- מתן
- הוצאה לאור
- פיתון
- איכות
- כמות
- שאלה
- מָהִיר
- העלאה
- חומר עיוני
- ממשי
- עולם אמיתי
- זמן אמת
- לאחרונה
- להתייחס
- לחדד
- רישום
- רגיל
- קָשׁוּר
- קשר
- מערכות יחסים
- רלוונטי
- אָמִין
- להסיר
- לדרוש
- נדרש
- דורש
- משאב
- תגובה
- תוצאה
- וכתוצאה מכך
- תוצאות
- לַחֲזוֹר
- החזרות
- תקין
- גִלגוּל
- שורש
- שׁוּרָה
- הפעלה
- ריצה
- פועל
- בעל חכמים
- אותו
- לִטעוֹם
- תרחיש
- מדע
- ציון
- שְׁנִיָה
- לִרְאוֹת
- בחר
- נבחר
- בחירה
- לשלוח
- רְגִישׁוּת
- סדרה
- ללא שרת
- שירותים
- סט
- הצבה
- הגדרות
- התקנה
- שיתוף
- שיתופים
- צריך
- לְהַצִיג
- הראה
- הצגה
- הראה
- הופעות
- משמעותי
- דומה
- פָּשׁוּט
- פשטות
- מידה
- אוסף כישורים
- החלקה
- So
- פִּתָרוֹן
- כמה
- מתח
- מומחים
- ספציפי
- מְהִירוּת
- מהירויות
- התפשטות
- תֶקֶן
- התחלה
- החל
- מדינה
- סטטיסטיקה
- מצב
- שלב
- צעדים
- מאוחסן
- חזק
- לא אופטימלי
- כזה
- מספיק
- מַתְאִים
- תומך
- בטוח
- עולה
- באופן סינתטי
- מערכת
- לקחת
- יעד
- מטרות
- מבחן
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- הגרף
- שֶׁלָהֶם
- אותם
- אז
- לכן
- אלה
- הֵם
- זֶה
- יְסוֹדִי
- אלה
- שְׁלוֹשָׁה
- סף
- דרך
- נִדבָּך
- זמן
- סדרת זמן
- פִּי
- ל
- היום
- כלים
- חלק עליון
- נושא
- לקראת
- מסורתי
- רכבת
- הדרכה
- רכבות
- לשנות
- מנגינה
- כונון
- שתיים
- סוג
- טיפוסי
- בדרך כלל
- תחת
- לַעֲבוֹר
- להבין
- מְיוּתָר
- שָׁמִישׁ
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- שימושים
- באמצעות
- ערך
- ערכים
- מְהִירוּת
- מאוד
- באמצעות
- רוצה
- אזהרה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- מה
- מה
- מתי
- אם
- אשר
- מי
- יצטרך
- רוח
- חלון
- עם
- בתוך
- לְלֹא
- זרימת עבודה
- עובד
- עוֹלָם
- היה
- לכתוב
- לכתוב קוד
- כתיבה
- שנים
- עוד
- אתה
- זפירנט