הפוסט הזה נכתב בשיתוף פעולה עם בראד דאנקן, רייצ'ל ג'ונסון וריצ'רד אלקוק מ- MathWorks.
MATLAB הוא כלי תכנות פופולרי עבור מגוון רחב של יישומים, כגון עיבוד נתונים, מחשוב מקביל, אוטומציה, סימולציה, למידת מכונה ובינה מלאכותית. הוא נמצא בשימוש רב בתעשיות רבות כמו רכב, תעופה וחלל, תקשורת וייצור. בשנים האחרונות, MathWorks הביאה הצעות מוצרים רבים לענן, במיוחד בנושא אמזון שירותי אינטרנט (AWS). לפרטים נוספים על מוצרי הענן של MathWorks, ראה MATLAB ו- Simulink בענן or דוא"ל ל- Mathworks.
בפוסט זה אנו מביאים את יכולות למידת המכונה של MATLAB אמזון SageMaker, שיש לו כמה יתרונות משמעותיים:
- משאבי חישוב: שימוש בסביבת המחשוב בעלת הביצועים הגבוהים שמציעה SageMaker יכול להאיץ אימון למידת מכונה.
- שיתוף פעולה: MATLAB ו-SageMaker מספקים יחד פלטפורמה חזקה שבה צוותים יכולים להשתמש כדי לשתף פעולה ביעילות בבנייה, בדיקה ופריסה של מודלים של למידת מכונה.
- פריסה ונגישות: ניתן לפרוס מודלים כנקודות קצה של SageMaker בזמן אמת, מה שהופך אותם לנגישים עבור יישומים אחרים לעיבוד נתוני סטרימינג בשידור חי.
אנו מראים לך כיצד להכשיר מודל למידת מכונה של MATLAB כעבודת אימון של SageMaker ולאחר מכן לפרוס את המודל כנקודת קצה של SageMaker בזמן אמת כדי שיוכל לעבד נתונים בשידור חי.
לשם כך, נשתמש בדוגמה תחזוקה חזויה שבה אנו מסווגים תקלות במשאבה תפעולית שמזרימה נתוני חיישן חיים. יש לנו גישה למאגר גדול של נתונים מסומנים שנוצרו מ-a סימולינק סימולציה שיש לה שלושה סוגי תקלות אפשריים בשילובים אפשריים שונים (לדוגמה, מצב אחד בריא ושבעה מצבים פגומים). מכיוון שיש לנו מודל של המערכת ותקלות נדירות בפעולה, אנו יכולים לנצל את הנתונים המדומים כדי לאמן את האלגוריתם שלנו. ניתן לכוונן את המודל כך שיתאים לנתונים תפעוליים מהמשאבה האמיתית שלנו באמצעות טכניקות הערכת פרמטרים ב- MATLAB ו- Simulink.
המטרה שלנו היא להדגים את הכוח המשולב של MATLAB ואמזון SageMaker באמצעות דוגמה זו לסיווג תקלות.
אנו מתחילים בהכשרת מודל מסווג על שולחן העבודה שלנו עם MATLAB. ראשית, אנו מחלצים תכונות מתת-קבוצה של מערך הנתונים המלא באמצעות ה- מעצב תכונות אבחון אפליקציה, ולאחר מכן הפעל את אימון המודל באופן מקומי עם מודל עץ החלטות MATLAB. לאחר שנהיה מרוצים מהגדרות הפרמטרים, נוכל ליצור פונקציית MATLAB ולשלוח את העבודה יחד עם מערך הנתונים ל- SageMaker. זה מאפשר לנו להגדיל את תהליך ההכשרה כדי להכיל מערכי נתונים גדולים בהרבה. לאחר הכשרה של המודל שלנו, אנו פורסים אותו כנקודת קצה חיה שיכולה להשתלב באפליקציה או לוח מחוונים במורד הזרם, כגון MATLAB Web App.
דוגמה זו תסכם כל שלב, ותספק הבנה מעשית כיצד למנף את MATLAB ו- Amazon SageMaker למשימות למידת מכונה. הקוד והתיאור המלאים של הדוגמה זמינים כאן מאגר.
תנאים מוקדמים
- סביבת עבודה של MATLAB 2023a ואילך עם MATLAB Compiler וארגז הכלים של סטטיסטיקה ולמידת מכונה בלינוקס. הנה א מדריך מהיר כיצד להפעיל MATLAB ב-AWS.
- Docker שהוקם ב-an ענן מחשוב אלסטי של אמזון (אמזון EC2) מופע שבו MATLAB פועל. אוֹ אובונטו or לינוקס.
- התקנה של ממשק שורת פקודה של AWS (AWS CLI), תצורת AWS, ו Python3.
- AWS CLI, אמור להיות מותקן כבר אם עקבת אחר מדריך ההתקנה מ צעד 1.
- הגדר את AWS Configure לקיים אינטראקציה עם משאבי AWS.
- אמת את התקנת python3 שלך על ידי הפעלה
python -V
orpython --version
פקודה בטרמינל שלך. התקן Python במידת הצורך.
- העתק את המאגר הזה לתיקיה במחשב הלינוקס שלך על ידי הפעלת:
- בדוק את ההרשאה בתיקיית הריפו. אם אין לו הרשאת כתיבה, הפעל את פקודת המעטפת הבאה:
- בנו את מיכל ההדרכה של MATLAB ודחוף אותו ל- Amazon Elastic Container Registry (Amazon ECR).
- נווט לתיקיה
docker
- צור מאגר ECR של אמזון באמצעות AWS CLI (החלף את REGION באזור ה-AWS המועדף עליך)
- הפעל את פקודת docker הבאה:
- נווט לתיקיה
- פתח את MATLAB ופתח את הסקריפט החי שנקרא
PumpFaultClassificationMATLABSageMaker.mlx
בתיקיהexamples/PumpFaultClassification
. הפוך את התיקיה הזו לתיקיית העבודה הנוכחית שלך ב- MATLAB.
חלק 1: הכנת נתונים וחילוץ תכונות
הצעד הראשון בכל פרויקט למידת מכונה הוא הכנת הנתונים שלך. MATLAB מספקת מגוון רחב של כלים לייבוא, ניקוי וחילוץ תכונות מהנתונים שלך.
השמיים SensorData.mat
מערך הנתונים מכיל 240 רשומות. לכל שיא שני לוחות זמנים: flow
ו pressure
. עמודת היעד היא faultcode
, שהוא ייצוג בינארי של שלושה צירופי תקלות אפשריים במשאבה. עבור טבלאות סדרות זמן אלו, לכל טבלה יש 1,201 שורות המדמות 1.2 שניות של מדידת זרימת משאבה ולחץ עם תוספת של 0.001 שניות.
לאחר מכן, האפליקציה Diagnostic Feature Designer מאפשרת לך לחלץ, להמחיש ולדרג מגוון תכונות מהנתונים. הנה, אתה משתמש תכונות אוטומטיות, המחלץ במהירות קבוצה רחבה של מאפייני תחום זמן ותדירות ממערך הנתונים ומדרג את המועמדים המובילים להכשרת מודלים. לאחר מכן תוכל לייצא פונקציית MATLAB שתחשב מחדש את 15 התכונות המובילות בדירוג מנתוני קלט חדשים. בואו נקרא לפונקציה הזו extractFeaturesTraining
. ניתן להגדיר פונקציה זו לקלוט נתונים באצווה אחת או כנתונים זורמים.
פונקציה זו מפיקה טבלת תכונות עם קודי תקלות משויכים, כפי שמוצג באיור הבא:
חלק 2: ארגן נתונים עבור SageMaker
לאחר מכן, עליך לארגן את הנתונים באופן שבו SageMaker יכול להשתמש עבור אימון למידת מכונה. בדרך כלל, זה כרוך בפיצול הנתונים לקבוצות אימון ואימות ופיצול נתוני המנבאים מתגובת היעד.
בשלב זה, ייתכן שיידרשו פעולות ניקוי וסינון נתונים מורכבות יותר. בדוגמה זו, הנתונים כבר נקיים. פוטנציאלית, אם עיבוד הנתונים מורכב מאוד וגוזל זמן, ניתן להשתמש בעבודות עיבוד של SageMaker כדי להפעיל את העבודות הללו מלבד הכשרה של SageMaker כך שניתן להפריד אותן לשני שלבים.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
חלק 3: אימון ובדיקה של מודל למידת מכונה ב-MATLAB
לפני המעבר ל- SageMaker, מומלץ לבנות ולבדוק את מודל למידת המכונה באופן מקומי ב- MATLAB. זה מאפשר לך לבצע איטרציה מהירה ולנקות באגים במודל. אתה יכול להגדיר ולאמן סיווג עץ החלטות פשוט באופן מקומי.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
עבודת האימון כאן אמורה להימשך פחות מדקה ומייצרת כמה גרפים כדי לציין את התקדמות האימון. לאחר סיום ההדרכה, מיוצר מודל למידת מכונה MATLAB. ה לומד סיווג ניתן להשתמש באפליקציה כדי לנסות סוגים רבים של דגמי סיווג ולכוון אותם לביצועים הטובים ביותר, ולאחר מכן לייצר את הקוד הדרוש כדי להחליף את קוד ההדרכה של המודל שלמעלה.
לאחר בדיקת מדדי הדיוק עבור המודל שהוכשר מקומית, נוכל להעביר את ההדרכה לאמזון SageMaker.
חלק 4: אימון הדגם באמזון SageMaker
לאחר שתהיה מרוצה מהדגם, תוכל לאמן אותו בקנה מידה באמצעות SageMaker. כדי להתחיל לקרוא ל-SageMaker SDK, עליך ליזום הפעלה של SageMaker.
session = sagemaker.Session();
ציין ביצוע של SageMaker תפקיד IAM שישתמשו בעבודות הדרכה ואירוח נקודות קצה.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
מ-MATLAB, שמור את נתוני האימון כקובץ .csv ב-an שירות אחסון פשוט של אמזון (Amazon S3) דְלִי.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
צור מעריך SageMaker
לאחר מכן, עליך ליצור אומדן SageMaker ולהעביר אליו את כל הפרמטרים הנחוצים, כגון תמונת Docker אימון, פונקציית אימון, משתני סביבה, גודל מופעי אימון וכן הלאה. ה-URI של תמונת האימון צריך להיות ה-Amazon ECR URI שיצרת בשלב הקדם עם הפורמט ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. יש לספק את פונקציית ההדרכה בתחתית התסריט החי של MATLAB.
שלח משרת הדרכה של SageMaker
קריאה לשיטת ההתאמה מאומדן מגישה את עבודת ההדרכה לתוך SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
אתה יכול גם לבדוק את מצב עבודת ההדרכה ממסוף SageMaker:
לאחר סיום עבודות ההכשרה, בחירה בקישור התפקיד מובילה אותך לדף תיאור התפקיד שבו תוכל לראות את דגם MATLAB השמור בדלי הייעודי של S3:
חלק 5: פרוס את המודל כנקודת קצה של SageMaker בזמן אמת
לאחר האימון, תוכל לפרוס את המודל כנקודת קצה של SageMaker בזמן אמת, שבה תוכל להשתמש כדי לבצע תחזיות בזמן אמת. לשם כך, קרא לשיטת הפריסה מאומד. זה המקום שבו אתה יכול להגדיר את גודל המופע הרצוי לאירוח בהתאם לעומס העבודה.
מאחורי הקלעים, שלב זה בונה תמונת מסקנות מסקנות ודוחף אותה למאגר אמזון ECR, שום דבר לא נדרש מהמשתמש כדי לבנות את מיכל ההסקה. התמונה מכילה את כל המידע הדרוש לשרת את בקשת ההסקה, כגון מיקום הדגם, מידע אימות MATLAB ואלגוריתמים. לאחר מכן, Amazon SageMaker יוצר תצורת נקודת קצה של SageMaker ולבסוף פורס את נקודת הקצה בזמן אמת. ניתן לנטר את נקודת הקצה בקונסולת SageMaker וניתן לסיים אותה בכל עת אם היא אינה בשימוש עוד.
חלק 6: בדוק את נקודת הסיום
כעת, כאשר נקודת הקצה פועלת, אתה יכול לבדוק את נקודת הקצה על ידי מתן מספר רשומות לניבוי. השתמש בקוד הבא כדי לבחור 10 רשומות מנתוני האימון ולשלוח אותן לנקודת הקצה לצורך חיזוי. תוצאת החיזוי נשלחת חזרה מנקודת הקצה ומוצגת בתמונה הבאה.
חלק 7: שילוב לוח המחוונים
ניתן לקרוא לנקודת הקצה של SageMaker על ידי שירותי AWS רבים. זה יכול לשמש גם כ-REST API סטנדרטי אם הוא פרוס יחד עם AWS למבדה פונקציה ושער API, שניתן לשלב עם כל יישומי אינטרנט. במקרה השימוש הספציפי הזה, אתה יכול להשתמש בהטמעת סטרימינג עם Amazon SageMaker Feature Store ו-Amazon Managed Streaming עבור Apache Kafka, MSK, כדי לקבל החלטות מגובות למידת מכונה כמעט בזמן אמת. שילוב אפשרי נוסף הוא שימוש בשילוב של אמזון קינסי, SageMaker ו-Apache Flink לבניית אפליקציה מנוהלת, אמינה, ניתנת להרחבה וזמינה ביותר, המסוגלת להסיק בזמן אמת על זרם נתונים.
לאחר פריסת אלגוריתמים לנקודת קצה של SageMaker, ייתכן שתרצה לדמיין אותם באמצעות לוח מחוונים המציג תחזיות סטרימינג בזמן אמת. באפליקציית האינטרנט המותאמת אישית של MATLAB הבאה, תוכל לראות נתוני לחץ וזרימה לפי משאבה, וחיזוי תקלות בזמן אמת מהמודל שנפרס.
בלוח המחוונים הזה כולל מודל חיים שימושיים שנותרו (RUL) כדי לחזות את הזמן עד לכשל עבור כל משאבה המדוברת. כדי ללמוד כיצד לאמן אלגוריתמי RUL, ראה ארגז כלים לתחזוקה חזוי.
ניקוי
לאחר הפעלת פתרון זה, הקפד לנקות משאבי AWS מיותרים כדי למנוע עלויות בלתי צפויות. אתה יכול לנקות משאבים אלה באמצעות ה SageMaker Python SDK או קונסולת הניהול של AWS עבור השירותים הספציפיים המשמשים כאן (SageMaker, Amazon ECR ו-Amazon S3). על ידי מחיקת משאבים אלה, אתה מונע חיובים נוספים עבור משאבים שאינך משתמש בהם יותר.
סיכום
הדגמנו כיצד ניתן להביא את MATLAB ל-SageMaker למקרה שימוש חזוי בתחזוקה של משאבה עם כל מחזור החיים של למידת מכונה. SageMaker מספקת סביבה מנוהלת במלואה להפעלת עומסי עבודה של למידת מכונה ופריסה של מודלים עם מבחר גדול של מופעי מחשוב המשרתים צרכים שונים.
כתב ויתור: הקוד המשמש בפוסט זה הוא בבעלות ומתוחזק על ידי MathWorks. עיין בתנאי הרישיון ב-Repo GitHub. לכל בעיה עם הקוד או בקשות התכונה, אנא פתח בעיה של GitHub במאגר
הפניות
על הכותבים
בראד דאנקן הוא מנהל המוצר ליכולות למידת מכונה בארגז הכלים של סטטיסטיקה ולמידת מכונה ב- MathWorks. הוא עובד עם לקוחות כדי ליישם בינה מלאכותית בתחומי הנדסה חדשים כמו שילוב חיישנים וירטואליים במערכות מהונדסות, בניית מודלים של למידת מכונה הניתנים להסבר וסטנדרטיזציה של זרימות עבודה של בינה מלאכותית באמצעות MATLAB ו-Simulink. לפני שהגיע ל- MathWorks הוא הוביל צוותים להדמיית תלת מימד ואופטימיזציה של אווירודינמיקה של הרכב, חווית משתמש להדמיית תלת מימד וניהול מוצר לתוכנת סימולציה. בראד הוא גם מרצה אורח באוניברסיטת טאפטס בתחום האווירודינמיקה של כלי רכב.
ריצ'רד אלקוק הוא מנהל הפיתוח הבכיר לאינטגרציות Cloud Platform ב- MathWorks. בתפקיד זה, הוא מסייע בשילוב חלק של מוצרי MathWorks בפלטפורמות ענן ומכולות. הוא יוצר פתרונות המאפשרים למהנדסים ולמדענים לרתום את מלוא הפוטנציאל של MATLAB ו-Simulink בסביבות מבוססות ענן. הוא היה בעבר מהנדס תוכנה ב- MathWorks, ופיתח פתרונות לתמיכה בזרימות עבודה מקבילות ומבוזרות של מחשוב.
רייצ'ל ג'ונסון הוא מנהל המוצר לתחזוקה חזויה ב- MathWorks, ואחראי על אסטרטגיית המוצר והשיווק הכוללת. בעבר היא הייתה מהנדסת יישומים שתומכת ישירות בתעשיית התעופה והחלל בפרויקטי תחזוקה חזויים. לפני MathWorks, רייצ'ל הייתה מהנדסת אווירודינמיקה וסימולציית הנעה בצי האמריקני. היא גם בילתה מספר שנים בהוראת מתמטיקה, פיזיקה והנדסה.
שון מאו הוא ארכיטקט פתרונות AI/ML בכיר בצוות Emerging Technologies בשירותי האינטרנט של אמזון. הוא נלהב לעבוד עם לקוחות ארגוניים ושותפים לתכנון, פריסה והרחבה של יישומי AI/ML כדי להפיק את הערכים העסקיים שלהם. מחוץ לעבודה, הוא נהנה לדוג, לטייל ולשחק פינג-פונג.
ראמש ג'תיה הוא ארכיטקט פתרונות בצוות ספקי תוכנה עצמאיים (ISV) בשירותי האינטרנט של אמזון. הוא נלהב לעבוד עם לקוחות ISV כדי לעצב, לפרוס ולהרחיב את היישומים שלהם בענן כדי להפיק את הערכים העסקיים שלהם. הוא גם לומד לתואר שני במנהל עסקים בלמידת מכונה וניתוח עסקים ממכללת Babson, בוסטון. מחוץ לעבודה, הוא נהנה לרוץ, לשחק טניס ולבשל.
- 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/machine-learning-with-matlab-and-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- אודות
- מֵעַל
- גישה
- נגיש
- להתאים
- חֶשְׁבּוֹן
- דיוק
- יתרון
- אווירי
- לאחר
- AI
- AI / ML
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- מאפשר
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון
- אמזון SageMaker
- אמזון שירותי אינטרנט
- an
- ניתוח
- ו
- אחר
- כל
- אַפָּשׁ
- בנפרד
- API
- האפליקציה
- האפליקציה מאפשרת
- בקשה
- יישומים
- החל
- ARE
- AREA
- אזורים
- מלאכותי
- בינה מלאכותית
- AS
- המשויך
- At
- אימות
- המכונית
- אוטומציה
- רכב
- זמין
- לְהִמָנַע
- AWS
- קונסולת הניהול של AWS
- באבסון
- בחזרה
- BE
- כי
- לפני
- להתחיל
- הטבות
- הטוב ביותר
- בוסטון
- תַחתִית
- בראד
- להביא
- רחב
- מובא
- לִבנוֹת
- בִּניָן
- בונה
- עסקים
- by
- שיחה
- נקרא
- קוראים
- CAN
- מועמדים
- יכולות
- מסוגל
- מקרה
- חיובים
- לבדוק
- בדיקה
- מיון
- לסווג
- לְנַקוֹת
- ניקוי
- ענן
- פלטפורמת ענן
- קוד
- קודים
- לשתף פעולה
- שיתוף פעולה
- מִכלָלָה
- טור
- COM
- שילוב
- שילובים
- משולב
- מגיע
- תקשורת
- מורכב
- לחשב
- מחשוב
- תְצוּרָה
- מוגדר
- קונסול
- רב
- מכולה
- מכיל
- עלויות
- לִיצוֹר
- נוצר
- יוצר
- נוֹכְחִי
- מנהג
- לקוחות
- לוח מחוונים
- נתונים
- הכנת נתונים
- עיבוד נתונים
- מערכי נתונים
- החלטה
- החלטות
- מוקדש
- להפגין
- מופגן
- תלוי
- לפרוס
- פרס
- פריסה
- פורס
- לגזור
- תיאור
- עיצוב
- מְעַצֵב
- רצוי
- שולחן העבודה
- פרטים
- מתפתח
- צעצועי התפתחות
- אבחון
- ישירות
- מציג
- מופץ
- מחשוב מבוזר
- do
- סַוָר
- עושה
- תחום
- דאנקן
- כל אחד
- יעילות
- או
- מתעורר
- טכנולוגיות מתפתחות
- לאפשר
- סוף
- נקודת קצה
- מהנדס
- מהונדס
- הנדסה
- מהנדסים
- מִפְעָל
- שלם
- סביבה
- סביבות
- במיוחד
- דוגמה
- הוצאת להורג
- ניסיון
- יצוא
- תמצית
- תמציות
- כשלון
- תקלות
- פגום
- מאפיין
- תכונות
- מעטים
- תרשים
- שלח
- סינון
- בסופו של דבר
- גימור
- ראשון
- דיג
- מתאים
- תזרים
- בעקבות
- הבא
- כדלקמן
- בעד
- פוּרמָט
- תדר
- החל מ-
- מלא
- לגמרי
- פונקציה
- נוסף
- שער כניסה
- ליצור
- נוצר
- מייצר
- GitHub
- נתינה
- טוב
- גרפים
- גדול
- אוֹרֵחַ
- מדריך
- רתמת
- יש
- he
- בְּרִיאוּת
- בריא
- בִּכְבֵדוּת
- כאן
- ביצועים גבוהים
- מאוד
- אירוח
- איך
- איך
- HTML
- HTTPS
- רעיון
- if
- תמונה
- יבוא
- in
- כולל
- שילוב
- תוֹסֶפֶת
- עצמאי
- להצביע
- תעשיות
- תעשייה
- מידע
- ליזום
- קלט
- להתקין
- התקנה
- מותקן
- למשל
- אינסטרומנטלי
- משולב
- שילוב
- השתלבות
- ואינטגרציות
- מוֹדִיעִין
- אינטראקציה
- מִמְשָׁק
- אל תוך
- סוגיה
- בעיות
- ISV
- IT
- עבודה
- מקומות תעסוקה
- ג'ונסון
- jpg
- גָדוֹל
- גדול יותר
- מאוחר יותר
- האחרון
- לִלמוֹד
- למידה
- הוביל
- פחות
- תנופה
- רישיון
- החיים
- מעגל החיים
- קשר
- לינוקס
- לחיות
- באופן מקומי
- מיקום
- התחבר
- עוד
- מכונה
- למידת מכונה
- תחזוקה
- לעשות
- עשייה
- הצליח
- ניהול
- מנהל
- ייצור
- רב
- שיווק
- להתאים
- מתמטיקה
- מדידה
- שיטה
- מדדים
- יכול
- דקה
- ML
- מודל
- מודלים
- צג
- פיקוח
- יותר
- המהלך
- נע
- הרבה
- שם
- יליד
- ליד
- הכרחי
- צורך
- נחוץ
- צרכי
- חדש
- לא
- שום דבר
- מטרה
- of
- מוצע
- הצעות
- on
- פעם
- ONE
- לפתוח
- מבצע
- מבצעי
- תפעול
- אופטימיזציה
- or
- אחר
- שלנו
- תפוקה
- בחוץ
- מקיף
- בבעלות
- עמוד
- מקביל
- פרמטר
- פרמטרים
- מסוים
- שותף
- שותפים
- לעבור
- לוהט
- ביצועים
- רשות
- פיסיקה
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- אנא
- פופולרי
- אפשרי
- הודעה
- פוטנציאל
- פוטנציאל
- כּוֹחַ
- מעשי
- לחזות
- נבואה
- התחזיות
- חיזוי
- מועדף
- הכנה
- להכין
- לחץ
- למנוע
- קוֹדֶם
- קודם
- תהליך
- תהליך
- לייצר
- מיוצר
- ייצור
- המוצר
- ניהול מוצר
- מנהל מוצר
- מוצרים
- תכנות
- התקדמות
- פּרוֹיֶקט
- פרויקטים
- הֲנָעָה
- לספק
- ובלבד
- מספק
- מתן
- לִשְׁאוֹב
- דחוף
- דוחף
- פיתון
- שאלה
- מהירות
- רכס
- לדרג
- מדורג
- דרגות
- נדיר
- לְלֹא קוֹשִׁי
- ממשי
- זמן אמת
- לאחרונה
- שיא
- רשום
- להתייחס
- באזור
- רישום
- אָמִין
- נותר
- להחליף
- מאגר
- נציגות
- לבקש
- בקשות
- נדרש
- משאבים
- תגובה
- אחראי
- REST
- תוצאה
- ריצ'רד
- חָסוֹן
- תפקיד
- הפעלה
- ריצה
- בעל חכמים
- מרוצה
- מרוצה מ
- שמור
- הציל
- להרחבה
- סולם
- סצנות
- מדענים
- תסריט
- sdks
- בצורה חלקה
- שניות
- לִרְאוֹת
- בחירה
- מבחר
- לשלוח
- לחצני מצוקה לפנסיונרים
- חיישנים
- נשלח
- סדרה
- לשרת
- שרות
- שירותים
- הגשה
- מושב
- סט
- סטים
- הגדרות
- שבע
- כמה
- היא
- פָּגָז
- צריך
- לְהַצִיג
- הראה
- משמעותי
- פָּשׁוּט
- הדמיה
- מידה
- So
- תוכנה
- הנדסת תוכנה
- פִּתָרוֹן
- פתרונות
- כמה
- ספציפי
- מְהִירוּת
- בילה
- התמחות
- תֶקֶן
- תקינה
- התחלה
- הברית
- סטטיסטיקה
- מצב
- שלב
- צעדים
- אחסון
- חנות
- אִסטרָטֶגִיָה
- זרם
- נהירה
- כזה
- לסכם
- תמיכה
- מסייע
- בטוח
- מערכת
- מערכות
- שולחן
- תָג
- לקחת
- לוקח
- יעד
- משימות
- הוראה
- נבחרת
- צוותי
- טכניקות
- טכנולוגיות
- מסוף
- מונחים
- מבחן
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- האזור
- שֶׁלָהֶם
- אותם
- אז
- אלה
- הֵם
- זֶה
- אלה
- שְׁלוֹשָׁה
- זמן
- סדרת זמן
- ל
- יַחַד
- כלי
- ארגז כלים
- כלים
- חלק עליון
- רכבת
- הדרכה
- נסיעה
- עץ
- לנסות
- מנגינה
- מכוון
- שתיים
- סוגים
- בדרך כלל
- הבנה
- לא צפוי
- אוניברסיטה
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- באמצעות
- אימות
- ערכים
- מגוון
- שונים
- רכב
- מוכר
- מאוד
- וירטואלי
- לחזות
- רוצה
- היה
- דֶרֶך..
- we
- אינטרנט
- יישומי אינטרנט
- שירותי אינטרנט
- אשר
- רָחָב
- טווח רחב
- יצטרך
- עם
- תיק עבודות
- זרימות עבודה
- עובד
- עובד
- לכתוב
- כתוב
- שנים
- אתה
- זפירנט