データドリブンな意思決定の世界では、 時系列予測 は、企業が過去のデータ パターンを使用して将来の結果を予測できるようにするための鍵となります。 資産リスク管理、取引、気象予測、エネルギー需要予測、バイタルサイン監視、または交通分析のいずれの分野で作業している場合でも、正確に予測する能力は成功のために不可欠です。
これらのアプリケーションでは、時系列データには次のような内容が含まれる可能性があります。 重い尾 分布、ここで、 尾 極端な値を表します。 これらの地域での正確な予測は、極端な現象が発生する可能性がどの程度あるのか、警報を発するかどうかを判断する上で重要です。 ただし、これらの外れ値は基本分布の推定に大きな影響を与えるため、確実な予測が困難になります。 金融機関は、市場の暴落などの異常値を予測するために堅牢なモデルに依存しています。 エネルギー、気象、ヘルスケアの分野では、自然災害やパンデミックなど、頻度は低いが影響の大きい事象を正確に予測することで、効果的な計画とリソースの割り当てが可能になります。 尾部の動作を無視すると、損失、機会の逸失、安全性の低下につながる可能性があります。 テール部分の精度を優先することは、信頼性が高く実用的な予測につながります。 この投稿では、このような極端なイベントを捕捉できる堅牢な時系列予測モデルをトレーニングします。 アマゾンセージメーカー.
このモデルを効果的にトレーニングするために、データ前処理、特徴量エンジニアリング、ハイパーパラメーター調整、モデル選択を自動化することでモデル開発プロセスを合理化する MLOps インフラストラクチャを確立します。 この自動化により人的エラーが削減され、再現性が向上し、モデル開発サイクルが加速されます。 トレーニング パイプラインを使用すると、企業は新しいデータを効率的に組み込み、変化する状況にモデルを適応させることができるため、予測の信頼性と最新性を確保できます。
時系列予測モデルをトレーニングした後、それをエンドポイント内にデプロイすると、リアルタイム予測機能が付与されます。 これにより、最新のデータに基づいて、十分な情報に基づいた即応性のある意思決定を行うことができます。 さらに、モデルをエンドポイントにデプロイすると、複数のユーザーとアプリケーションが同時にモデルにアクセスして利用できるため、スケーラビリティが可能になります。 これらの手順に従うことで、企業は堅牢な時系列予測の力を活用して、情報に基づいた意思決定を行い、急速に変化する環境で優位に立つことができます。
ソリューションの概要
このソリューションは、時系列予測モデルのトレーニングを紹介します。このモデルは、データの外れ値と変動性を処理するために特別に設計されています。 Spliced Binned Pareto (SBP) 分布を使用した時間畳み込みネットワーク (TCN)。 このソリューションのマルチモーダル バージョンの詳細については、次を参照してください。 NFL Next Gen Stats の新しいパス指標の背後にある科学。 SBP 分布の有効性をさらに説明するために、同じ TCN モデルと比較しますが、代わりにガウス分布を使用します。
このプロセスには、次のような利点があります。 MLOps の機能 SageMaker は、AWS の強力なクラウド インフラストラクチャを利用してデータ サイエンス ワークフローを合理化します。 私たちのソリューションでは、 Amazon SageMaker 自動モデルチューニング ハイパーパラメータ検索の場合、 AmazonSageMakerの実験 実験を管理するため、 Amazon SageMaker モデルレジストリ モデルのバージョンを管理するため、および AmazonSageMakerパイプライン プロセスを調整します。 次に、モデルを SageMaker エンドポイントにデプロイして、リアルタイムの予測を取得します。
次の図は、トレーニング パイプラインのアーキテクチャを示しています。
次の図は、推論パイプラインを示しています。
完全なコードは次の場所にあります。 GitHubレポ。 ソリューションを実装するには、次のセルを実行します。 SBP_main.ipynb
.
ここをクリックして AWS コンソールを開き、指示に従ってください。
SageMakerパイプライン
SageMaker Pipelines はユーザーフレンドリーな機能を提供します。 Python SDK 統合された機械学習 (ML) ワークフローを作成します。 これらのワークフローは、有向非巡回グラフ (DAG) として表され、さまざまなタイプと依存関係を持つステップで構成されます。 SageMaker Pipelines を使用すると、モデルのトレーニングと評価のエンドツーエンドのプロセスを合理化し、ML ワークフローの効率と再現性を向上させることができます。
トレーニング パイプラインは、トレーニング、検証、テスト セットに分割される合成データセットを生成することから始まります。 トレーニング セットは XNUMX つの TCN モデルをトレーニングするために使用され、XNUMX つは スプライスされたビン分割パレート分布 もう XNUMX つはガウス分布を使用します。 どちらのモデルも、検証セットを使用してハイパーパラメーター調整を行い、各モデルを最適化します。 その後、テスト セットに対する評価が実行され、二乗平均平方根誤差 (RMSE) が最も低いモデルが決定されます。 最高の精度メトリクスを持つモデルがモデル レジストリにアップロードされます。
次の図は、パイプラインのステップを示しています。
手順について詳しく説明しましょう。
データ生成
パイプラインの最初のステップでは、正弦波形と非対称のヘビーテール ノイズを特徴とする合成データセットを生成します。 データは、自由度、ノイズ乗数、スケール パラメーターなどの多数のパラメーターを使用して作成されました。 これらの要素はそれぞれ、データ分布の形状に影響を与え、データのランダム変動を調整し、データ分布の広がりを調整します。
このデータ処理ジョブは、 PyTorchプロセッサ、PyTorch コードを実行します (生成_データ.py) SageMaker によって管理されるコンテナ内。 デバッグ用のデータおよびその他の関連アーティファクトは、デフォルトの場所にあります。 Amazon シンプル ストレージ サービス SageMaker アカウントに関連付けられた (Amazon S3) バケット。 パイプラインの各ステップのログは次の場所にあります。 アマゾンクラウドウォッチ.
次の図は、パイプラインによって生成されたデータのサンプルです。
入力を、対称、非対称、ライトテール分布、ヘビーテール分布、マルチモーダル分布などのさまざまな時系列データに置き換えることができます。 モデルの堅牢性により、十分な観測が利用可能であれば、広範囲の時系列問題に適用できます。
モデルトレーニング
データ生成後、XNUMX つの TCN をトレーニングします。XNUMX つは SBP 分布を使用し、もう XNUMX つはガウス分布を使用します。 SBP 分布は、予測ベースとして離散ビン分布を使用します。この分布では、実軸が離散ビンに分割され、モデルは観測値が各ビン内に収まる可能性を予測します。 この方法では、各ビンの確率が独立しているため、非対称性と複数のモードのキャプチャが可能になります。 ビン分割された分布の例を次の図に示します。
左側の予測ビン分布は、ガウス分布やスチューデント t のようなパラメトリック分布とは異なり、対数尤度が予測平均と観測点の間の距離に依存しないため、極端な事象に対して堅牢です。 したがって、赤い点で表される極端なイベントは、学習された分布の平均に偏りはありません。 ただし、極端な現象が発生する確率はゼロです。 極端な現象を捉えるために、第 5 分位で下側の裾を定義し、第 95 分位で上側の裾を定義して SBP 分布を形成し、両方の裾を重み付けされた一般化パレート分布 (GPD) に置き換えます。これにより、イベントの可能性を定量化できます。 TCN は、ビン化された分布ベースと GPD テールのパラメーターを出力します。
ハイパーパラメータ検索
最適な出力を得るには、次を使用します。 自動モデルチューニング モデルの最適なバージョンを見つけるには ハイパーパラメータ調整。 このステップは SageMaker Pipelines に統合されており、さまざまなメソッドと事前定義されたハイパーパラメータ範囲を使用して、複数のトレーニング ジョブを並行して実行できます。 その結果、指定されたモデル メトリック (RMSE) に基づいて最適なモデルが選択されます。 私たちのパイプラインでは、モデルのパフォーマンスを最適化するために、学習率とトレーニング エポック数を具体的に調整します。 SageMaker のハイパーパラメータ調整機能を使用すると、モデルが特定のタスクに対して最適な精度と一般化を達成できる可能性が高まります。
データの合成的な性質により、コンテキストの長さとリード タイムは静的パラメーターとして保持されます。 コンテキストの長さはモデルに入力された履歴タイム ステップの数を指し、リード タイムは予測期間内のタイム ステップの数を表します。 サンプル コードでは、時間とコストを節約するために学習率とエポック数のみを調整しています。
SBP 固有のパラメーターは、さまざまなデータセットにわたる元の論文に対する著者による広範なテストに基づいて一定に保たれます。
- ビンの数 (100) – このパラメータは、分布のベースをモデル化するために使用されるビンの数を決定します。 複数の業界にわたって最も効果的であることが証明されている 100 に維持されます。
- パーセンタイルテール (0.05) – これは、裾部の一般化パレート分布のサイズを示します。 前のパラメータと同様に、これは徹底的にテストされ、最も効率的であることが判明しています。
実験
ハイパーパラメータプロセスは次のように統合されています。 SageMakerの実験、反復的な ML 実験を整理、分析、比較するのに役立ち、洞察を提供し、最もパフォーマンスの高いモデルの追跡を容易にします。 機械学習は、データの変化、アルゴリズムの選択、ハイパーパラメーターの調整を含む多数の実験を含む反復プロセスです。 これらの実験は、モデルの精度を段階的に改良するのに役立ちます。 ただし、トレーニングの実行とモデルの反復回数が多いため、最もパフォーマンスの高いモデルを特定し、現在と過去の実験の間で有意義な比較を行うことが困難になる場合があります。 SageMaker Experiments は、次のスクリーンショットに示すように、ハイパーパラメータ調整ジョブを自動的に追跡し、調整プロセスの詳細と洞察を得ることができるようにすることで、この問題に対処します。
モデル評価
モデルはトレーニングとハイパーパラメータ調整を受け、その後、 評価.py 脚本。 このステップでは、ハイパーパラメータ調整段階とは別にテスト セットを利用して、モデルの実際の精度を測定します。 RMSE は、予測の精度を評価するために使用されます。
分布の比較には、実際の分布と予測された分布の間の適合性を評価する確率-確率 (PP) プロットを使用します。 点が対角線に近いことは、完璧にフィットしていることを示します。 SBP とガウスの予測分布を実際の分布と比較すると、SBP の予測の方が実際のデータとより一致していることがわかります。
観察できるように、SBP は基部、下部尾部、および上部尾部の RMSE が低くなります。 SBP 分布により、ガウス分布の精度がベースで 61%、下部テールで 56%、上部テールで 30% 向上しました。 全体として、SBP 分布の方が大幅に良い結果が得られます。
モデル選択
SageMaker Pipelines の条件ステップを使用してモデル評価レポートを分析し、分布精度を向上させるために RMSE が最も低いモデルを選択します。 選択したモデルは SageMaker モデル オブジェクトに変換され、デプロイメントの準備が整います。 これには、重要なパラメータを含むモデル パッケージを作成し、それをパッケージ化することが含まれます。 モデルステップ.
モデルレジストリ
選択したモデルは次にアップロードされます SageMakerモデルレジストリ、これは、実稼働の準備ができたモデルを管理する上で重要な役割を果たします。 モデルを保存し、モデルのバージョンを整理し、重要なメタデータとコンテナ イメージなどのアーティファクトをキャプチャし、各モデルの承認ステータスを管理します。 レジストリを使用することで、アクセス可能な SageMaker 環境にモデルを効率的にデプロイし、継続的インテグレーションと継続的デプロイ (CI/CD) パイプラインの基盤を確立できます。
推論
トレーニング パイプラインが完了すると、モデルは次を使用してデプロイされます。 SageMakerホスティングサービスこれにより、リアルタイム予測のための推論エンドポイントの作成が可能になります。 このエンドポイントにより、アプリケーションおよびシステムとのシームレスな統合が可能になり、安全な HTTPS インターフェイスを介してモデルの予測機能へのオンデマンド アクセスが提供されます。 リアルタイム予測は、株価やエネルギー需要予測などのシナリオで使用できます。 私たちのエンドポイントは、次の図と表に示すように、提供された時系列データの単一ステップの予測をパーセンタイルと中央値として提供します。
1st 百分位数 | 5th 百分位数 | 中央値 | 95th 百分位数 | 99th 百分位数 |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
クリーンアップ
このソリューションを実行した後は、予期せぬコストが発生しないように、不要な AWS リソースを必ずクリーンアップしてください。 これらのリソースは、ノートブックの最後にある SageMaker Python SDK を使用してクリーンアップできます。 これらのリソースを削除すると、使用しなくなったリソースに対するさらなる料金の請求を防ぐことができます。
まとめ
正確な予測があれば、企業の将来計画に大きな影響を与えるだけでなく、さまざまな業界のさまざまな問題に対する解決策を提供することもできます。 SageMaker 上の MLOps を使用した堅牢な時系列予測の探求により、正確な予測と合理化されたトレーニング パイプラインの効率を取得する方法が実証されました。
Spliced Binned パレート分布を備えた時間畳み込みネットワークを利用した私たちのモデルは、RMSE を同じものと比較して、ベースで 61%、下裾で 56%、上裾で 30% 改善することにより、精度と外れ値への適応性を示しました。ガウス分布を持つ TCN。 これらの数字により、これは現実世界の予測ニーズに対する信頼できるソリューションとなります。
このパイプラインは、MLOps 機能を自動化することの価値を示しています。 これにより、手作業による作業が軽減され、再現性が可能になり、モデルの展開が加速されます。 SageMaker Pipelines、自動モデルチューニング、SageMaker Experiments、SageMaker Model Registry、エンドポイントなどの SageMaker の機能により、これが可能になります。
私たちのソリューションは小型 TCN を採用し、限られた数のレイヤーでほんの数個のハイパーパラメーターを最適化します。これは、モデルのパフォーマンスを効果的に強調するのに十分です。 より複雑な使用例の場合は、PyTorch または他の PyTorch ベースのライブラリを使用して、特定のニーズに合わせてよりカスタマイズされた TCN を構築することを検討してください。 さらに、他のものを検討することも有益です。 SageMaker の機能 パイプラインの機能をさらに強化します。 導入プロセスを完全に自動化するには、 AWSクラウド開発キット (AWS CDK) または AWS CloudFormation.
AWS での時系列予測の詳細については、以下を参照してください。
ご意見やご質問がございましたら、お気軽にコメントを残してください。
著者について
ニック・ビソ は、AWS プロフェッショナル サービスの機械学習エンジニアです。 彼は、データ サイエンスとエンジニアリングを使用して、複雑な組織的および技術的課題を解決しています。 さらに、AWS クラウド上で AI/ML モデルを構築してデプロイします。 彼の情熱は旅行と多様な文化体験への傾向に及びます。
アルストン・チャン Amazon 広告のソフトウェア開発エンジニアです。 彼は、詳細ページで製品を推奨するための機械学習パイプラインと推奨システムを構築しています。 仕事以外では、ゲーム開発とロック クライミングを楽しんでいます。
マリア・マスード AWS Commerce Platform でのデータ パイプラインとデータ視覚化の構築を専門としています。 彼女は、自然言語処理、コンピューター ビジョン、時系列分析をカバーする機械学習の専門知識を持っています。 根っからのサステナビリティ愛好家であるマリアは、仕事以外の時間にはガーデニングをしたり、犬と遊んだりすることを楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :持っている
- :は
- :not
- :どこ
- $UP
- 100
- 5
- 7
- a
- 能力
- 私たちについて
- 加速する
- 加速する
- アクセス
- アクセス可能な
- 熟達した
- 精度
- 正確な
- 正確にデジタル化
- 達成する
- 越えて
- 実際の
- 非周期的
- 適応する
- 添加
- さらに
- アドレス
- 広告
- に対して
- 先んじて
- AI / ML
- アラーム
- アルゴリズム
- 整列する
- 整列
- 配分
- 許可
- ことができます
- 沿って
- また
- Amazon
- アマゾンセージメーカー
- Amazon Webサービス
- an
- 分析
- 分析します
- および
- 予想する
- どれか
- 適用可能な
- 承認
- 建築
- です
- AS
- 評価する
- 評価する
- 資産
- 関連する
- At
- 著者
- 自動化する
- オートマチック
- 自動的に
- 自動化する
- オートメーション
- 利用できます
- 避ける
- AWS
- AWSプロフェッショナルサービス
- 軸
- ベース
- ベース
- BE
- なぜなら
- き
- 行動
- 背後に
- 有益な
- 利点
- BEST
- より良いです
- の間に
- バイアス
- BIN
- 両言語で
- 広い
- 建物
- 構築します
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- (Comma Separated Values) ボタンをクリックして、各々のジョブ実行の詳細(開始/停止時間、変数値など)のCSVファイルをダウンロードします。
- by
- 缶
- 機能
- 機能
- できる
- キャプチャー
- キャプチャ
- キャプチャ
- 例
- 細胞
- 課題
- 挑戦
- 変化
- 特徴付けられた
- 課金
- 選択肢
- クリック
- クライミング
- 密接に
- クラウド
- クラウドインフラ
- コード
- コメント
- 貿易
- 比較します
- 比較
- コンプリート
- 完成
- 複雑な
- 損害を受けた
- コンピュータ
- Computer Vision
- 条件
- 条件
- 実施
- 検討
- 領事
- 定数
- 構築する
- コンテナ
- コンテキスト
- 連続的な
- 変換
- 費用
- コスト
- カバーする
- 作ります
- 作成した
- 作成
- 創造
- 重大な
- 重大な
- 文化的な
- 電流プローブ
- カスタマイズ
- サイクル
- データ
- データ処理
- データサイエンス
- データ駆動型の
- データセット
- 日付
- 意思決定
- 決定
- デフォルト
- 定義
- 需要
- 需要予測
- 実証
- 実証
- 示す
- 依存関係
- 依存
- 展開します
- 展開
- 展開する
- 展開
- 配備する
- 設計
- 詳細
- 細部
- 決定する
- 決定する
- 決定
- 開発
- 異なります
- 異なる
- 指示された
- 災害
- 話し合います
- 距離
- 明確な
- ディストリビューション
- ディストリビューション
- 異なる
- 分割された
- 犬
- DOT
- ダウンタイム
- 間に
- 各
- 効果的な
- 効果的に
- 有効
- 効率
- 効率的な
- 効率良く
- 努力
- 要素は
- 採用
- 従業員
- 力を与える
- enable
- 可能
- 有効にする
- 包含する
- end
- 端から端まで
- エンドポイント
- エネルギー
- エンジニア
- エンジニアリング
- 高めます
- 強化
- 確保
- 熱狂者
- 環境
- 環境
- エポック
- エラー
- 本質的な
- 確立する
- 評価
- 評価します
- 評価
- イベント
- イベント
- 進化
- 例
- エクスペリエンス
- 実験
- 専門知識
- 探査
- 探る
- 拡張する
- 広範囲
- 極端な
- 容易化する
- 落下
- 特徴
- 特徴
- 少数の
- フィギュア
- フィギュア
- ファイナンシャル
- 金融機関
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フィット
- フォロー中
- 予想
- 予想
- フォーム
- 発見
- Foundation
- 無料版
- 自由
- から
- 完全に
- 機能性
- さらに
- さらに
- 未来
- 利得
- ゲーム
- ゲーム開発
- ゲージ
- ジェン
- 生成された
- 生成
- 生成
- 世代
- 与えられた
- Go
- 支配する
- GPD
- 助成
- グラフ
- ハンドル
- ハーネス
- 利用する
- 持ってる
- he
- ヘルスケア
- ハート
- ことができます
- 彼女の
- こちら
- 強調表示
- 非常に
- 彼の
- 歴史的
- 地平線
- ホスティング
- 認定条件
- しかしながら
- HTML
- HTTPS
- 人間
- ハイパーパラメータ調整
- 識別する
- 説明する
- 画像
- 影響
- 実装する
- 重要
- 改善されました
- 向上させる
- 改善
- in
- 組み込む
- 増える
- 独立しました
- を示し
- 産業
- 影響
- 情報
- 情報に基づく
- インフラ関連事業
- 洞察力
- 洞察
- を取得する必要がある者
- 機関
- 統合された
- 統合
- インタフェース
- に
- 関与
- IT
- 繰り返し
- ITS
- ジョブ
- Jobs > Create New Job
- JPG
- ただ
- 保管
- 保管
- キー
- 言語
- 大
- 層
- つながる
- 学んだ
- 学習
- コメントを残す
- 左
- 長さ
- ライブラリ
- ような
- 尤度
- 可能性が高い
- 限定的
- 位置して
- より長いです
- 損失
- 下側
- 最低
- 機械
- 機械学習
- make
- 作成
- 管理します
- マネージド
- 管理
- 管理する
- マニュアル
- マリア
- 市場
- 市場の暴落
- 意味する
- 意味のある
- 方法
- 方法論
- メソッド
- メトリック
- 逃した
- ML
- MLOps
- モデル
- モード
- モニタリング
- 他には?
- 最も
- の試合に
- ナチュラル
- 自然言語処理
- 自然
- ニーズ
- 無視する
- ネットワーク
- 新作
- 次の
- 次の世代
- NFL
- いいえ
- ノイズ
- ノート
- 数
- 多数の
- オブジェクト
- 観察する
- 入手する
- of
- オファー
- on
- オンデマンド
- ONE
- の
- 開いた
- 機会
- 最適な
- 最適化
- 最適化
- or
- 組織の
- 整理する
- オリジナル
- その他
- 私たちの
- 成果
- 出力
- 外側
- が
- 全体
- パッケージ
- 包装
- ページ
- パンデミック
- 紙素材
- 並列シミュレーションの設定
- パラメーター
- パラメータ
- パレート
- 通過
- 情熱
- 過去
- パターン
- 完璧
- パフォーマンス
- パイプライン
- 計画
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 再生
- 演劇
- ポイント
- ポイント
- 可能
- ポスト
- 電力
- パワード
- 強力な
- 予測する
- 予測
- 予測
- 予測
- 予測
- PLM platform.
- 防ぐ
- 前
- ブランド
- 優先順位付け
- 問題
- プロセス
- 処理
- プロダクト
- 生産
- プロ
- 実績のある
- 提供します
- 提供
- は、大阪で
- 提供
- Python
- パイトーチ
- 上げる
- ランダム
- 範囲
- 急速に
- レート
- 準備
- 準備
- リアル
- 現実の世界
- への
- 最近
- おすすめ
- 提言
- レッド
- 減らします
- 軽減
- 参照する
- 指し
- リファイン
- 地域
- レジストリ
- 関連した
- 信頼性のある
- 頼る
- 残る
- replace
- レポート
- 表す
- で表さ
- 表し
- リソースを追加する。
- リソース
- それぞれ
- 反応する
- 結果
- 結果
- リスク
- リスク管理
- 堅牢な
- 丈夫
- 岩
- 職種
- ルート
- ラン
- runs
- 安全性
- セージメーカー
- SageMakerパイプライン
- 同じ
- Save
- スケーラビリティ
- 規模
- シナリオ
- 科学
- スクリプト
- SDDK
- シームレス
- を検索
- セクター
- 安全に
- 選択
- 選択
- シリーズ
- 役立つ
- サービス
- セッションに
- セット
- 形状
- 彼女
- 表示する
- 示す
- 符号
- 著しく
- 簡単な拡張で
- 同時に
- サイズ
- ソフトウェア
- ソフトウェア開発
- 溶液
- ソリューション
- 解決する
- 専門にする
- 特定の
- 特に
- 指定の
- split
- 広がる
- 二乗
- ステージ
- Status:
- 滞在
- 手順
- ステップ
- 株式
- ストレージ利用料
- 店舗
- 流線
- 合理化された
- 続いて
- 成功
- そのような
- 十分な
- 確か
- 持続可能性
- 合成
- システム
- テーブル
- 仕事
- 技術的
- test
- テスト
- テスト
- それ
- 世界
- アプリ環境に合わせて
- その後
- したがって、
- ボーマン
- この
- 介して
- 時間
- 時系列
- 〜へ
- 追跡
- トレーディング
- トラフィック
- トレーニング
- 訓練された
- トレーニング
- 旅行
- 2
- 受ける
- 予期しない
- 不要
- アップロード
- us
- つかいます
- 中古
- 「DeckleBenchは非常に使いやすく最適なソリューションを簡単に見つけることができるため、稼働率が向上しコストも削減した。当社の旧システムは良かったが改善は期待していなかった。
- users
- 活用する
- 利用
- 活用
- 値
- 価値観
- 多様
- さまざまな
- バージョン
- バージョン
- 、
- ビジョン
- 極めて重要な
- vs
- ました
- we
- 天気
- ウェブ
- Webサービス
- かどうか
- which
- ワイド
- 意志
- 以内
- 仕事
- ワークフロー
- ワークフロー
- ワーキング
- 世界
- でしょう
- You
- あなたの
- ゼファーネット
- ゼロ