이것은 HAYAT HOLDING의 글로벌 산업 IT 관리자인 Neslihan Erdogan의 게스트 게시물입니다.
제조 프로세스 및 Industry 4.0의 지속적인 디지털화로 인해 품질 예측을 위해 기계 학습(ML)을 사용할 수 있는 엄청난 잠재력이 있습니다. 공정 제조는 성분이나 원료를 결합하여 상품을 생산하기 위해 공식이나 레시피를 사용하는 생산 방법입니다.
예측 품질은 생산에서 ML 방법을 사용하여 다음 목표를 가진 제조 프로세스 데이터를 기반으로 제품 관련 품질을 추정하고 분류하는 것으로 구성됩니다[1].
- 품질 설명 – 프로세스 변수와 제품 품질 간의 관계 식별. 예를 들어 접착 성분의 양이 강도 및 탄성과 같은 품질 매개변수에 어떤 영향을 미치는지 살펴봅니다.
- 품질 예측 – 의사 결정 지원 또는 자동화를 위한 프로세스 변수를 기반으로 품질 변수를 추정합니다. 예를 들어, kg/m3 접착제 성분은 특정 강도와 탄력을 얻기 위해 섭취되어야 합니다.
- 품질 분류 – 품질 예측 외에도 특정 제품 품질 유형의 예측이 포함됩니다.
이 게시물에서는 세계 41위의 브랜드 기저귀 제조업체인 HAYAT와 세계 XNUMX위의 목재 기반 패널 제조업체인 KEAS를 포함하여 다양한 산업 분야에서 운영되는 XNUMX개 회사를 보유한 글로벌 기업인 HAYAT HOLDING이 AWS와 협력한 방법을 공유합니다. Amazon SageMaker 모델 교육, Amazon SageMaker 자동 모델 튜닝 및 Amazon SageMaker 모델 배포를 사용하는 솔루션을 구축하여 운영 성능을 지속적으로 개선하고 제품 품질을 높이며 중밀도 섬유판(MDF) 목재 패널의 제조 산출량을 최적화합니다.
제품 품질 예측 및 접착제 소비 권장 결과를 현장 전문가가 거의 실시간으로 대시보드를 통해 관찰할 수 있어 피드백 루프가 빨라집니다. 실험실 결과에 따르면 연간 $300,000를 절약할 수 있는 상당한 효과가 있으며 불필요한 화학 폐기물을 방지하여 생산 과정에서 탄소 발자국을 줄입니다.
HAYAT HOLDING의 ML 기반 예측 품질
HAYAT는 세계에서 네 번째로 큰 브랜드 아기 기저귀 제조업체이자 EMEA에서 가장 큰 종이 티슈 제조업체입니다. KEAS(Kastamonu Entegre Ağaç Sanayi)는 목재 기반 패널 산업의 생산을 위한 HAYAT HOLDING의 보조금으로 유럽에서 XNUMX번째, 세계에서 XNUMX번째로 자리잡고 있습니다.
중밀도 섬유판(MDF)은 목재 잔여물을 섬유로 부수고 접착제와 결합한 후 고온 및 고압을 가하여 패널로 성형하여 만든 공학 목재 제품입니다. 가구, 캐비닛 및 바닥재와 같은 많은 응용 분야가 있습니다.
MDF 목재 패널 생산에는 광범위한 접착제 사용이 필요합니다(HAYAT HOLDING에서는 매년 두 자릿수 톤이 소비됨).
일반적인 생산 라인에서는 수백 개의 센서가 사용됩니다. 제품 품질은 수십 가지 매개변수로 식별됩니다. 정확한 양의 접착제를 적용하는 것은 밀도, 나사 고정력, 인장 강도, 계수 탄성 및 굽힘 강도와 같은 생산된 패널의 중요한 품질 요소일 뿐만 아니라 중요한 비용 항목입니다. 접착제를 과도하게 사용하면 생산 비용이 과도하게 증가하지만 접착제를 잘못 사용하면 품질 문제가 발생합니다. 잘못 사용하면 한 번에 최대 수만 달러의 비용이 발생합니다. 문제는 생산 공정에 대한 품질의 회귀적 의존성이 있다는 것입니다.
인간 운영자는 도메인 전문 지식을 기반으로 사용할 접착제의 양을 결정합니다. 이 노하우는 전적으로 경험적이며 역량을 구축하려면 수년간의 전문 지식이 필요합니다. 작업자의 의사 결정을 지원하기 위해 선택한 샘플에 대해 실험실 테스트를 수행하여 생산 중 품질을 정확하게 측정합니다. 실험실 결과는 작업자에게 제품 품질 수준을 나타내는 피드백을 제공합니다. 그럼에도 불구하고 실험실 테스트는 실시간이 아니며 최대 몇 시간 지연되어 적용됩니다. 작업자는 실험실 결과를 사용하여 접착제 소비를 점진적으로 조정하여 필요한 품질 임계값을 달성합니다.
솔루션 개요
ML을 사용한 품질 예측은 강력하지만 설계, 제조 공정과의 통합 및 유지 관리에 노력과 기술이 필요합니다. HAYAT HOLDING은 AWS 프로토타이핑 전문가와 AWS 파트너 Deloitte의 지원을 받아 다음과 같이 종단 간 파이프라인을 구축했습니다.
- 생산 공장에서 AWS로 센서 데이터 수집
- 데이터 준비 및 ML 모델 생성 수행
- 에지에 모델 배포
- 운영자 대시보드 생성
- 워크플로 조정
다음 다이어그램은 솔루션 아키텍처를 보여줍니다.
데이터 수집
HAYAT HOLDING은 측정 데이터를 획득, 기록, 분석 및 처리하기 위한 최첨단 인프라를 갖추고 있습니다.
이 사용 사례에는 두 가지 유형의 데이터 소스가 있습니다. 프로세스 매개변수는 특정 제품의 생산을 위해 설정되며 일반적으로 생산 중에 변경되지 않습니다. 센서 데이터는 제조 공정 중에 수집되며 기계의 실제 상태를 나타냅니다.
입력 데이터는 SiteWise Edge Gateway를 통해 OPC-UA를 통해 플랜트에서 스트리밍됩니다. AWS IoT 그린그래스. 예측 정확도를 높이기 위해 총 194개의 센서를 가져와 사용했습니다.
SageMaker 자동 모델 튜닝을 통한 모델 교육 및 최적화
모델 훈련 전에 일련의 데이터 준비 활동이 수행됩니다. 예를 들어, MDF 판넬 공장은 동일한 생산 라인에서 여러 가지 제품을 생산합니다(여러 유형 및 크기의 목재 판넬). 각 배치는 서로 다른 원료와 물리적 특성을 가진 서로 다른 제품과 연결됩니다. 장비 및 프로세스 시계열이 연속적으로 기록되고 시간별로 인덱싱된 단일 흐름 시계열로 볼 수 있지만 연결된 배치별로 분할해야 합니다. 예를 들어 교대 근무 시 제품 패널이 다른 기간 동안 생산될 수 있습니다. 생산된 MDF의 샘플은 때때로 품질 테스트를 위해 실험실로 보내집니다. 다른 기능 엔지니어링 작업에는 기능 축소, 크기 조정, PCA(Principal Component Analysis)를 사용한 감독되지 않은 차원 축소, 기능 중요도 및 이상값 감지가 포함됩니다.
데이터 준비 단계 후 XNUMX단계 접근 방식을 사용하여 ML 모델을 구축합니다. 실험실 테스트 샘플은 컨베이어 벨트에서 간헐적으로 무작위로 제품을 샘플링하여 수행됩니다. 샘플은 품질 테스트를 위해 실험실로 보내집니다. 실험실 결과를 실시간으로 제시할 수 없기 때문에 피드백 루프가 상대적으로 느립니다. 첫 번째 모델은 제품 품질 매개변수(밀도, 탄성, 당김 저항, 팽윤, 흡수된 물, 표면 내구성, 수분, 표면 흡입 및 굽힘 저항)에 대한 실험실 결과를 예측하도록 훈련됩니다. 두 번째 모델은 예측된 출력 품질에 따라 생산에 사용될 접착제의 양을 권장하도록 훈련됩니다.
사용자 지정 ML 환경을 설정하고 관리하는 것은 시간이 많이 걸리고 번거로울 수 있습니다. 아마존 세이지 메이커 의 제품군을 제공합니다 내장 알고리즘, 사전 교육된 모델 및 사전 구축된 솔루션 템플릿을 통해 데이터 과학자와 ML 실무자가 ML 모델 교육 및 배포를 신속하게 시작할 수 있습니다.
가장 많이 생산된 상위 N개 제품 유형과 다양한 품질 매개변수에 대해 SageMaker 내장 알고리즘을 사용하여 여러 ML 모델을 교육했습니다. 품질 예측 모델은 접착제 사용과 XNUMX가지 품질 매개변수 간의 관계를 식별합니다. 권장 모델은 다음 접근 방식을 사용하여 품질 요구 사항을 충족하기 위해 최소 접착제 사용량을 예측합니다. 알고리즘은 허용되는 최대 접착제 양에서 시작하여 허용되는 최소 접착제 양까지 모든 요구 사항이 충족되면 단계별로 줄입니다. 접착제의 최대 양이 모든 요구 사항을 충족하지 않으면 오류가 발생합니다.
하이퍼파라미터 튜닝이라고도 하는 SageMaker 자동 모델 튜닝은 사용자가 지정하는 알고리즘 및 하이퍼파라미터 범위를 사용하여 데이터 세트에서 많은 교육 작업을 실행하여 모델의 최상의 버전을 찾습니다. 그런 다음 선택한 측정항목으로 측정할 때 최상의 성능을 발휘하는 모델을 생성하는 하이퍼파라미터 값을 선택합니다.
자동 모델 튜닝을 통해 팀은 올바른 목표를 정의하고 하이퍼파라미터 및 검색 공간의 범위를 지정하는 데 집중했습니다. 자동 모델 튜닝은 인프라, 병렬로 교육 작업 실행 및 오케스트레이션, 하이퍼파라미터 선택 개선 등 나머지 부분을 처리합니다. 자동 모델 튜닝은 다양한 교육 인스턴스 유형을 제공합니다. 이 모델은 베이지안 검색 이론을 기반으로 최단 시간에 최상의 모델을 찾도록 설계된 지능형 버전의 하이퍼파라미터 튜닝 방법을 사용하여 c5.x2large 인스턴스 유형에서 미세 조정되었습니다.
가장자리에서 추론
예측을 얻기 위해 ML 모델을 배포하는 데 여러 가지 방법을 사용할 수 있습니다.
SageMaker 실시간 추론 실시간 대화형 짧은 대기 시간 요구 사항이 있는 워크로드에 이상적입니다. 프로토타이핑 단계에서 HAYAT HOLDING은 모델을 SageMaker 호스팅 서비스에 배포하고 AWS에서 완전히 관리하는 엔드포인트를 얻었습니다. SageMaker 다중 모델 끝점 많은 수의 모델을 배포하기 위한 확장 가능하고 비용 효율적인 솔루션을 제공합니다. 동일한 리소스 플릿과 공유 제공 컨테이너를 사용하여 모든 모델을 호스팅합니다. 이는 단일 모델 엔드포인트를 사용하는 것과 비교하여 엔드포인트 활용도를 개선하여 호스팅 비용을 줄입니다. 또한 SageMaker가 메모리에서 모델 로드를 관리하고 엔드포인트에 대한 트래픽 패턴에 따라 모델을 확장하기 때문에 배포 오버헤드도 줄어듭니다.
SageMaker 실시간 추론은 비용 최적화와 개발 중 모든 모델을 항상 사용할 수 있도록 다중 모델 엔드포인트와 함께 사용됩니다. 제품 유형별로 ML 모델을 사용하면 추론 정확도가 높아지지만 그에 따라 이러한 모델을 개발하고 테스트하는 비용이 증가하고 여러 모델을 관리하기가 어려워집니다. SageMaker 다중 모델 엔드포인트는 이러한 문제점을 해결하고 팀에 여러 ML 모델을 배포할 수 있는 신속하고 비용 효율적인 솔루션을 제공합니다.
Amazon SageMaker 엣지 에지 장치에 대한 모델 관리를 제공하므로 에지 장치 플릿에서 ML 모델을 최적화, 보호, 모니터링 및 유지 관리할 수 있습니다. 클라우드 인스턴스와 달리 장치는 컴퓨팅, 메모리 및 연결이 제한되어 있기 때문에 에지 장치에서 ML 모델을 작동하는 것은 어렵습니다. 모델이 배포된 후에는 모델 드리프트로 인해 시간이 지남에 따라 모델 품질이 저하될 수 있으므로 모델을 지속적으로 모니터링해야 합니다. 디바이스에서 데이터 샘플을 수집하고 예측의 왜곡을 인식하기 위해 사용자 지정 코드를 작성해야 하기 때문에 디바이스 플릿에서 모델을 모니터링하는 것은 어렵습니다.
프로덕션의 경우 SageMaker Edge Manager 에이전트는 AWS IoT Greengrass 디바이스에 로드된 모델로 예측하는 데 사용됩니다.
결론
HAYAT HOLDING은 디지털 혁신 전략의 일환으로 고급 분석 플랫폼을 평가하고 있었고 생산 품질 예측을 위해 조직에 AI를 도입하고자 했습니다.
HAYAT HOLDING은 AWS 프로토타이핑 전문가와 AWS 파트너 Deloitte의 지원을 받아 고유한 데이터 플랫폼 아키텍처와 ML 파이프라인을 구축하여 장기적인 비즈니스 및 기술 요구 사항을 해결했습니다.
HAYAT KIMYA는 공장 중 하나에 ML 솔루션을 통합했습니다. 실험실 결과에 따르면 연간 $300,000를 절약할 수 있는 상당한 효과가 있으며 불필요한 화학 폐기물을 방지하여 생산 과정에서 탄소 발자국을 줄입니다. 이 솔루션은 거의 실시간으로 대시보드를 통해 제품 품질 예측 및 접착제 소비 권장 사항 결과를 제시하여 작업자에게 더 빠른 피드백 루프를 제공합니다. 이 솔루션은 궁극적으로 HAYAT HOLDING의 다른 목재 패널 공장에 배치될 것입니다.
ML은 매우 반복적인 프로세스입니다. 단일 프로젝트 과정에서 데이터 과학자는 최대 정확도를 찾기 위해 수백 가지의 다양한 모델, 데이터 세트 및 매개 변수를 교육합니다. SageMaker는 ML의 기능을 활용할 수 있는 가장 완벽한 도구 세트를 제공합니다. ML 실험을 대규모로 구성, 추적, 비교 및 평가할 수 있습니다. SageMaker 기본 제공 알고리즘, 자동 모델 튜닝, 실시간 추론 및 다중 모델 엔드포인트를 사용하여 ML 팀의 수익을 높여 생산성을 크게 향상시킬 수 있습니다.
다음을 사용하여 에지에서 클라우드까지 비즈니스 접근 방식을 현대화하여 결과 도출 시간을 단축하고 운영을 최적화합니다. AWS에서의 기계 학습. 다음을 사용하여 산업별 혁신 및 솔루션을 활용하십시오. 산업용 AWS.
의견에 피드백과 질문을 공유하십시오.
하얏트홀딩스 소개
1937년에 설립된 HAYAT HOLDING은 오늘날 빠르게 변화하는 소비재 부문의 HAYAT, 목재 기반 패널 부문의 KEAS(Kastamonu Entegre Ağaç Sanayi), 항만 관리 부문의 LIMAS는 41명 이상의 인력을 보유하고 있습니다. HAYAT HOLDING은 17,000개국 49개 생산 시설에서 첨단 기술로 생산된 36개 브랜드를 전 세계 수백만 명의 소비자에게 제공합니다.
빠르게 변화하는 소비재 부문에서 활동하는 Hayat는 1987년에 설립되었습니다. 현재 전 세계 21개국에 8개의 생산 시설을 갖추고 세계화의 길을 빠르게 걷고 있는 Hayat는 세계에서 네 번째로 큰 브랜드 기저귀 제조업체이자 가장 큰 티슈 제조업체입니다. 중동, 동유럽 및 아프리카의 생산자이자 빠르게 변화하는 소비재 부문의 주요 업체입니다. Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare, Evony 등 위생, 홈케어, 티슈, 개인건강 카테고리의 16개 강력한 브랜드로 HAYAT*를 100개 이상의 국가에 있는 수백만 가정에 제공합니다.
HAYAT HOLDING의 산업화 움직임에 대한 첫 번째 투자인 Kastamonu Entegre Ağaç Sanayi(KEAS)는 1969년에 설립되었습니다. 해당 부문에서 글로벌 강국이 되기 위한 끊임없는 성장을 지속하고 있는 이 회사는 유럽에서 7,000위, 세계에서 100위를 기록하고 있습니다. KEAS는 약 XNUMX명의 직원과 XNUMX여 개국에 수출하는 업계 XNUMX위 기업입니다.
*"하야트"는 터키어로 "생명"을 의미합니다.
참고자료
- Tercan H, "제조의 기계 학습 및 딥 러닝 기반 예측 품질: 체계적 검토", 지능형 제조 저널, 2022.
저자 소개
네슬리한 에르도안, (전기 공학 학사 및 석사), 정보 기술 분야의 전문가, 설계자 및 관리자로서 다양한 기술 및 비즈니스 역할을 담당했습니다. 그녀는 글로벌 산업 IT 관리자로 HAYAT에서 근무했으며 Industry 4.0, 디지털 변환, OT 보안 및 데이터 및 AI 프로젝트를 이끌었습니다.
차그리 유르트세븐 (Bogazici University 전기 전자 공학 학사)는 Amazon Web Services의 Enterprise Account Manager입니다. 그는 터키에서 지속 가능성 및 산업 IOT 이니셔티브를 주도하는 동시에 AWS에서 가능성의 예술을 보여줌으로써 고객이 잠재력을 최대한 실현할 수 있도록 돕고 있습니다.
센크 세즈긴 (PhD – 전기 전자 공학)는 AWS EMEA Prototyping Labs의 수석 관리자입니다. 그는 IoT, 분석, AI/ML 및 서버리스와 같은 최신 기술을 사용하여 최첨단 솔루션의 탐색, 아이디어화, 엔지니어링 및 개발을 통해 고객을 지원합니다.
하산-바스리 AKIRMAK (컴퓨터 공학 학사 및 석사, 경영 대학원 경영 MBA)은 Amazon Web Services의 수석 솔루션 설계자입니다. 그는 기업 부문 고객에게 조언하는 비즈니스 기술자입니다. 그의 전문 분야는 대규모 데이터 처리 시스템 및 기계 학습 솔루션에서 아키텍처 및 비즈니스 사례를 설계하는 것입니다. Hasan은 유럽, 중동 및 아프리카의 고객을 위해 비즈니스 개발, 시스템 통합, 프로그램 관리를 제공했습니다. 2016년부터 그는 스타트업 인큐베이션 프로그램 무료로 수백 명의 기업가를 멘토링했습니다.
무스타파 알데미르 (전기-전자 공학 학사, 메카트로닉스 석사 및 컴퓨터 과학 박사 후보자)는 Amazon Web Services의 로보틱스 프로토타이핑 리드입니다. 그는 EMEA 전역의 일부 최대 고객을 위해 사물 인터넷 및 기계 학습 솔루션을 설계 및 개발하고 이를 구현하는 팀을 이끌고 있습니다. 한편 그는 Amazon Machine Learning University와 Oxford University에서 AI 과정을 제공하고 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :이다
- $UP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- 능력
- 따라서
- 계정
- 달성
- 취득
- 가로질러
- 방과 후 액티비티
- 또한
- 주소
- 많은
- 이점
- 조언
- 아프리카
- 후
- 에이전트
- AI
- AI / ML
- 연산
- 알고리즘
- All
- 이기는하지만
- 아마존
- 아마존 머신 러닝
- 아마존 세이지 메이커
- Amazon Web Services
- 양
- 분석
- 분석
- 분석하는
- 및
- 매년
- 어플리케이션
- 적용된
- 적용
- 접근
- 대략
- 아키텍처
- 있군요
- 지역
- 지역
- 약
- 미술
- AS
- 관련
- At
- Automatic
- 자동화
- 가능
- AWS
- AWS IoT 그린그래스
- 유아
- 기반으로
- 기초
- 베이지안
- BE
- 때문에
- 된다
- 되고
- BEST
- 사이에
- 가장 큰
- 일시: XNUMX년 XNUMX월 XNUMX일 화요일 XNUMX:XNUMXpm - XNUMX:XNUMXpm 장소: 여의도 페어몬트 앰배서더 서울 호텔 XNUMXF 아잘레아스 룸 [약도] 행사 문의: info.korea@rescale.com
- 후원
- 상표가 붙은
- 브랜드
- 파괴
- 가져
- 돋보이게
- BSC
- 빌드
- 내장
- 내장
- 사업
- 사업 개발
- by
- CAN
- 탄소
- 한
- 케이스
- 가지 경우
- 카테고리
- 원인
- 원인
- 어떤
- 도전
- 도전
- 특성
- 화학
- 왼쪽 메뉴에서
- 분류
- 클라이언트
- 클라우드
- 암호
- 수집
- 결합
- 댓글
- 기업
- 비교
- 비교
- 완전한
- 구성 요소
- 계산
- 컴퓨터
- 컴퓨터 공학
- 컴퓨터 과학
- 조건
- 실시
- 입/출력 라인
- 소비
- 소비자
- 소비자
- 소비
- 컨테이너
- 지속
- 지속적으로
- 비용
- 비용 효율적인
- 비용
- 국가
- 코스
- 코스
- 관습
- 고객
- 데이터
- 데이터 플랫폼
- 데이터 준비
- 데이터 처리
- 데이터 세트
- 결정하다
- 결정
- 의사 결정
- 깊은
- 깊은 학습
- 정의
- 지연
- 전달
- 배달
- 제공
- 딜로이트
- 의존
- 의존
- 배포
- 배포
- 배치
- 전개
- 디자인
- 설계
- 설계
- Detection System
- 개발
- 개발
- 장치
- 디바이스
- 다른
- 어려운
- 디지털
- 디지털 전환
- 디지털화
- 뚜렷한
- 하지 않습니다
- 달러
- 도메인
- 아래 (down)
- 내구성
- ...동안
- 마다
- 동쪽
- 동쪽의
- 동부 유럽
- Edge
- 효과
- 노력
- 전자
- EMEA
- 신흥
- 신흥 기술
- 직원
- 끝으로 종료
- 종점
- 엔지니어링
- 거대한
- Enterprise
- 기업
- 환경
- 장비
- 에르도 간
- 오류
- 견적
- 유럽
- 평가
- 평가
- 있을뿐만 아니라
- 예
- 행정부
- 전문적 지식
- 전문가
- 탐구
- 수출
- 광대 한
- 빠르게 움직이는
- 빠른
- 특색
- 피드백
- 섬유
- 들
- Find
- finds
- 먼저,
- 함대
- 초점
- 집중
- 수행원
- 다음
- 발자국
- 럭셔리
- 기초
- 설립
- 네번째
- 에
- 가득 찬
- 충분히
- 게이트웨이
- 얻을
- 주기
- 제공
- 글로벌
- 세계화
- 상품
- 점차적으로
- 졸업
- 성장
- 손님
- 고객 포스트
- 마구
- 있다
- 건강
- 개최
- 도움
- 도움이
- 높은
- 더 높은
- 최고
- 고도로
- 보유
- 홈
- 홈 케어
- 주택
- 주인
- 호스팅
- 호스팅 비용
- 호스팅 서비스
- 진료 시간
- 방법
- HTML
- HTTPS
- 사람의
- 수백
- 하이퍼 파라미터 튜닝
- 이상
- 식별
- 확인
- 확인
- 영향
- 구현
- 중요성
- 중대한
- 개선
- 개량
- 개선
- in
- 포함
- 포함
- 증가
- 증가
- 잠복
- 표시
- 산업
- 산업용 IoT
- 산업
- 산업
- 산업 4.0
- 산업별
- 정보
- 인프라
- 이니셔티브
- 혁신
- 예
- 통합
- 통합 된
- 완성
- 지능형
- 대화형
- 인터넷
- 사물의 인터넷
- 투자
- IOT
- IT
- 그
- 작업
- 일지
- JPG
- 알려진
- 실험실
- 실험실
- 실험실
- 넓은
- 가장 큰
- 리드
- 지도
- 배우기
- 지도
- 수
- 레벨
- 제한된
- 라인
- 로드
- 장기
- 기계
- 기계 학습
- 만든
- 유지하다
- 주요한
- 확인
- 유튜브 영상을 만드는 것은
- 관리
- 관리
- 구축
- 매니저
- 관리하다
- 관리
- 제조업 자
- 제조
- .
- 재료
- 최대
- 최고
- 방법
- 그 동안에
- 측정
- 메모리
- 방법
- 방법
- 메트릭
- 중간
- 중동
- 수백만
- 최저한의
- ML
- 모델
- 모델
- 모니터
- 모니터링
- 배우기
- 가장
- 움직임
- 여러
- 필요
- 요구
- 그렇지만
- 숫자
- 목표
- of
- 제공
- on
- ONE
- 지속적으로
- 운영
- 운영
- 행정부
- 연산자
- 운영자
- 최적화
- 최적화
- 조직
- 기타
- 출력
- 옥스퍼드
- 옥스포드 대학
- 고통
- 패널
- 패널
- 서
- 평행
- 매개 변수
- 부품
- 특별한
- 파트너
- 통로
- 패턴
- 사람들
- 성능
- 수행하다
- 확인
- 상
- 물리적
- 관로
- 식물
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 플레이어
- 전철기
- 가난한
- 위치하는
- 가능한
- 게시하다
- 가능성
- 힘
- 강한
- 정밀하게
- 예측
- 예측
- 예측
- 예측
- 제시
- 압박
- 방지
- 교장
- 문제
- 방법
- 프로세스
- 처리
- 생산
- 생산
- 제작자
- 프로덕트
- 제품 품질
- 생산
- 생산력
- 제품
- 프로그램
- 프로그램
- 프로젝트
- 프로젝트
- 프로토 타입
- 제공
- 제공
- 당기
- 품질
- 문의
- 빨리
- 제기
- 닥치는대로의
- 범위
- 순위
- 빠른
- 빠르게
- 살갗이 벗어 진
- 현실
- 실시간
- 실현
- 인식
- 권하다
- 추천
- 기록
- 방송
- 감소
- 감소
- 관계
- 상대적으로
- 대표
- 필수
- 요구조건 니즈
- 필요
- 저항
- 제품 자료
- REST
- 결과
- 결과
- 결과
- 공개
- 로봇
- 역할
- 달리는
- 현자
- SageMaker 자동 모델 튜닝
- 같은
- 만족
- 절약
- 저금
- 확장성
- 규모
- 스케일링
- 학교
- 과학
- 과학자
- 범위 지정
- 검색
- 둘째
- 부문
- 안전해야합니다.
- 분절
- 선택된
- 선택
- 센서
- 연속
- 서버리스
- 서비스
- 피복재
- 세트
- 몇몇의
- 공유
- 공유
- 변화
- 상당한
- 이후
- 2016 이후
- 단일
- 크기
- 비뚤어 짐
- 기술
- 느리게
- So
- 해결책
- 솔루션
- 일부
- 지우면 좋을거같음 . SM
- 스페이스 버튼
- 전문가
- 전문가
- 스페셜티
- 시작
- 시작
- 시작
- 최첨단
- 단계
- 전략
- 스트리밍
- 힘
- 보조금
- 이러한
- 스위트
- SUPPORT
- 지원
- 표면
- 지속 가능성
- 시스템은
- 받아
- 소요
- 작업
- 팀
- 팀
- 테크니컬
- 기술
- 과학 기술자
- 템플릿
- test
- 지원
- 테스트
- 그
- XNUMXD덴탈의
- 세계
- 그들의
- 그들
- Bowman의
- 일
- 수천
- 임계값
- 을 통하여
- 시간
- 시계열
- 시간이 많이 걸리는
- 시대
- 에
- 오늘
- t
- 검색을
- 상단
- 금액
- 에 대한
- 선로
- 교통
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환 전략
- 터키
- 터키의
- 유형
- 전형적인
- 유일한
- 대학
- 용법
- 사용
- 유스 케이스
- 보통
- 마케팅은:
- 여러
- 버전
- 를 통해
- 음량
- 원
- 낭비
- 물
- 웹
- 웹 서비스
- 잘
- 동안
- 넓은
- 넓은 범위
- 의지
- 과
- 인력
- 일하는
- 세계
- 세계
- 전세계적인
- 쓰다
- year
- 년
- 자신의
- 너의
- 제퍼 넷