이 게시물은 MathWorks의 Brad Duncan, Rachel Johnson 및 Richard Alcock과 공동으로 작성되었습니다.
Matlab 데이터 처리, 병렬 컴퓨팅, 자동화, 시뮬레이션, 기계 학습 및 인공 지능과 같은 광범위한 응용 프로그램에 널리 사용되는 프로그래밍 도구입니다. 자동차, 항공우주, 통신, 제조 등 다양한 산업 분야에서 많이 사용됩니다. 최근 몇 년 동안 MathWorks는 특히 클라우드에 많은 제품을 출시했습니다. Amazon Web Services (AWS). MathWorks 클라우드 제품에 대한 자세한 내용은 다음을 참조하세요. 클라우드의 MATLAB 및 Simulink or 이메일 Mathworks.
이 게시물에서는 MATLAB의 머신러닝 기능을 아마존 세이지 메이커에는 다음과 같은 몇 가지 중요한 이점이 있습니다.
- 컴퓨팅 리소스: SageMaker가 제공하는 고성능 컴퓨팅 환경을 사용하면 기계 학습 훈련 속도를 높일 수 있습니다.
- 협업: MATLAB과 SageMaker는 팀이 기계 학습 모델을 구축, 테스트 및 배포하는 데 효과적으로 협업하는 데 사용할 수 있는 강력한 플랫폼을 함께 제공합니다.
- 배포 및 접근성: 모델을 SageMaker 실시간 엔드포인트로 배포할 수 있으므로 다른 애플리케이션에서 쉽게 액세스하여 라이브 스트리밍 데이터를 처리할 수 있습니다.
MATLAB 기계 학습 모델을 SageMaker 훈련 작업으로 훈련한 다음 모델을 SageMaker 실시간 엔드포인트로 배포하여 실시간 스트리밍 데이터를 처리할 수 있는 방법을 보여줍니다.
이를 위해 실시간 센서 데이터를 스트리밍하는 작동 펌프의 결함을 분류하는 예측 유지 관리 예를 사용하겠습니다. 우리는 다음에서 생성된 레이블이 지정된 데이터의 대규모 저장소에 액세스할 수 있습니다. 시뮬링크 다양한 조합으로 가능한 세 가지 결함 유형(예: 하나의 정상 상태와 일곱 개의 결함 상태)이 있는 시뮬레이션입니다. 우리는 시스템 모델을 보유하고 있으며 작동 중 오류가 거의 발생하지 않기 때문에 시뮬레이션된 데이터를 활용하여 알고리즘을 훈련할 수 있습니다. MATLAB 및 Simulink의 매개변수 추정 기술을 사용하여 실제 펌프의 작동 데이터와 일치하도록 모델을 조정할 수 있습니다.
우리의 목표는 이 결함 분류 예제를 사용하여 MATLAB과 Amazon SageMaker의 결합된 성능을 보여주는 것입니다.
MATLAB을 사용하여 데스크탑에서 분류자 모델을 훈련하는 것부터 시작합니다. 먼저, 다음을 사용하여 전체 데이터세트의 하위 집합에서 특징을 추출합니다. 진단 특징 디자이너 앱을 다운로드한 다음 MATLAB 의사결정 트리 모델을 사용하여 로컬에서 모델 훈련을 실행합니다. 매개변수 설정이 만족스러우면 MATLAB 함수를 생성하고 데이터 세트와 함께 작업을 SageMaker로 보낼 수 있습니다. 이를 통해 훨씬 더 큰 데이터세트를 수용할 수 있도록 훈련 프로세스를 확장할 수 있습니다. 모델을 훈련한 후 이를 MATLAB 웹 앱과 같은 다운스트림 앱이나 대시보드에 통합할 수 있는 라이브 엔드포인트로 배포합니다.
이 예제에서는 각 단계를 요약하여 기계 학습 작업에 MATLAB 및 Amazon SageMaker를 활용하는 방법에 대한 실질적인 이해를 제공합니다. 예제의 전체 코드와 설명은 다음에서 확인할 수 있습니다. 저장소.
사전 조건
- Linux에서 MATLAB Compiler 및 Statistics and Machine Learning Toolbox를 사용하는 MATLAB 2023a 이상의 작업 환경. 여기에는 빠른 가이드 AWS에서 MATLAB을 실행하는 방법에 대해 알아보세요.
- Docker가 다음 위치에 설정되었습니다. Amazon Elastic Compute Cloud(Amazon EC2) MATLAB이 실행 중인 인스턴스입니다. 어느 하나 Ubuntu or Linux.
- 설치 AWS 명령줄 인터페이스(AWS CLI), AWS 구성및 Python3.
- 다음을 실행하여 이 저장소를 Linux 시스템의 폴더에 복사합니다.
- repo 폴더에 대한 권한을 확인하세요. 쓰기 권한이 없으면 다음 쉘 명령을 실행하십시오.
- MATLAB 훈련 컨테이너를 구축하고 이를 Amazon Elastic Container Registry(Amazon ECR).
- 폴더로 이동
docker
- AWS CLI를 사용하여 Amazon ECR 리포지토리 생성(REGION을 원하는 AWS 리전으로 교체)
- 다음 docker 명령을 실행합니다.
- 폴더로 이동
- MATLAB을 열고 다음과 같은 라이브 스크립트를 엽니다.
PumpFaultClassificationMATLABSageMaker.mlx
폴더에examples/PumpFaultClassification
. 이 폴더를 MATLAB의 현재 작업 폴더로 만듭니다.
1부: 데이터 준비 및 특징 추출
모든 머신러닝 프로젝트의 첫 번째 단계는 데이터를 준비하는 것입니다. MATLAB은 데이터에서 특징을 가져오고, 정리하고, 추출하기 위한 다양한 도구를 제공합니다.:
XNUMXD덴탈의 SensorData.mat
데이터 세트에는 240개의 레코드가 포함되어 있습니다. 각 레코드에는 두 개의 시간표가 있습니다. flow
및 pressure
. 대상 열은 faultcode
, 이는 펌프에서 발생할 수 있는 세 가지 결함 조합을 이진수로 표현한 것입니다. 해당 시계열 테이블의 경우 각 테이블에는 1,201초 증분으로 1.2초의 펌프 흐름 및 압력 측정을 모방하는 0.001개의 행이 있습니다.
다음으로 진단 특징 디자이너 앱을 사용하면 데이터에서 다양한 특징을 추출, 시각화하고 순위를 매길 수 있습니다. 여기에서는 자동 기능이는 데이터 세트에서 광범위한 시간 및 주파수 영역 특징을 신속하게 추출하고 모델 교육을 위한 최고의 후보 순위를 지정합니다. 그런 다음 새 입력 데이터에서 상위 15개 순위 기능을 다시 계산하는 MATLAB 함수를 내보낼 수 있습니다. 이 함수를 호출해보자 extractFeaturesTraining
. 이 기능은 데이터를 일괄적으로 가져오거나 스트리밍 데이터로 가져오도록 구성할 수 있습니다.
이 함수는 다음 그림과 같이 관련 오류 코드가 있는 기능 테이블을 생성합니다.
2부: SageMaker용 데이터 구성
다음으로, SageMaker가 기계 학습 훈련에 사용할 수 있는 방식으로 데이터를 구성해야 합니다. 일반적으로 여기에는 데이터를 교육 및 검증 세트로 분할하고 예측 변수 데이터를 대상 응답에서 분할하는 작업이 포함됩니다.
이 단계에서는 더 복잡한 데이터 정리 및 필터링 작업이 필요할 수 있습니다. 이 예에서는 데이터가 이미 깨끗합니다. 잠재적으로 데이터 처리가 매우 복잡하고 시간이 많이 걸리는 경우 SageMaker 처리 작업을 사용하여 SageMaker 교육과 별도로 이러한 작업을 실행하여 두 단계로 분리할 수 있습니다.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
3부: MATLAB에서 기계 학습 모델 훈련 및 테스트
SageMaker로 이동하기 전에 MATLAB에서 로컬로 기계 학습 모델을 구축하고 테스트하는 것이 좋습니다. 이를 통해 모델을 빠르게 반복하고 디버그할 수 있습니다. 간단한 의사결정 트리 분류기를 로컬에서 설정하고 훈련할 수 있습니다.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
여기서 훈련 작업은 완료하는 데 XNUMX분도 채 걸리지 않으며 훈련 진행 상황을 나타내는 그래프를 생성합니다. 훈련이 끝나면 MATLAB 머신러닝 모델이 생성됩니다. 그만큼 분류 학습자 앱을 사용하여 다양한 유형의 분류 모델을 시도하고 최상의 성능을 위해 조정한 다음 위의 모델 학습 코드를 대체하는 데 필요한 코드를 생성할 수 있습니다.
로컬로 훈련된 모델의 정확도 지표를 확인한 후 훈련을 Amazon SageMaker로 이동할 수 있습니다.
4부: Amazon SageMaker에서 모델 훈련
모델이 만족스러우면 SageMaker를 사용하여 대규모로 훈련할 수 있습니다. SageMaker SDK 호출을 시작하려면 SageMaker 세션을 시작해야 합니다.
session = sagemaker.Session();
SageMaker 실행 지정 IAM 역할 훈련 작업과 엔드포인트 호스팅이 사용할 것입니다.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
MATLAB에서 훈련 데이터를 .csv 파일로 저장합니다. Amazon Simple Storage Service(Amazon S3) 버킷.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
SageMaker 추정기 생성
다음으로, SageMaker 추정기를 생성하고 훈련 Docker 이미지, 훈련 함수, 환경 변수, 훈련 인스턴스 크기 등과 같은 필요한 모든 매개변수를 전달해야 합니다. 훈련 이미지 URI는 사전 조건 단계에서 다음 형식으로 생성한 Amazon ECR URI여야 합니다. ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. 훈련 기능은 MATLAB 라이브 스크립트 하단에 제공되어야 합니다.
SageMaker 교육 작업 제출
추정기에서 맞춤 메서드를 호출하면 훈련 작업이 SageMaker에 제출됩니다.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
SageMaker 콘솔에서 훈련 작업 상태를 확인할 수도 있습니다.
훈련 작업이 완료된 후 작업 링크를 선택하면 전용 S3 버킷에 저장된 MATLAB 모델을 볼 수 있는 작업 설명 페이지로 이동됩니다.
5부: 모델을 실시간 SageMaker 엔드포인트로 배포
훈련 후에는 모델을 실시간 SageMaker 엔드포인트로 배포하여 실시간으로 예측하는 데 사용할 수 있습니다. 이렇게 하려면 추정기에서 배포 메서드를 호출하세요. 여기에서 워크로드에 따라 호스팅에 필요한 인스턴스 크기를 설정할 수 있습니다.
이 단계에서는 내부적으로 추론 도커 이미지를 구축하여 Amazon ECR 리포지토리에 푸시합니다. 추론 컨테이너를 구축하기 위해 사용자가 필요로 하는 것은 없습니다. 이미지에는 모델 위치, MATLAB 인증 정보, 알고리즘 등 추론 요청을 제공하는 데 필요한 모든 정보가 포함되어 있습니다. 그 후 Amazon SageMaker는 SageMaker 엔드포인트 구성을 생성하고 최종적으로 실시간 엔드포인트를 배포합니다. 엔드포인트는 SageMaker 콘솔에서 모니터링할 수 있으며 더 이상 사용되지 않으면 언제든지 종료할 수 있습니다.
6부: 엔드포인트 테스트
이제 엔드포인트가 실행되고 있으므로 예측할 몇 가지 레코드를 제공하여 엔드포인트를 테스트할 수 있습니다. 다음 코드를 사용하여 훈련 데이터에서 10개의 레코드를 선택하고 예측을 위해 엔드포인트로 보냅니다. 예측 결과는 엔드포인트에서 다시 전송되며 다음 이미지에 표시됩니다.
파트 7: 대시보드 통합
SageMaker 엔드포인트는 다양한 기본 AWS 서비스에서 호출할 수 있습니다. 또한 함께 배포되는 경우 표준 REST API로 사용할 수도 있습니다. AWS 람다 모든 웹 애플리케이션과 통합될 수 있는 기능 및 API 게이트웨이. 이 특정 사용 사례의 경우 Amazon SageMaker Feature Store 및 Amazon Managed Streaming for Apache Kafka(MSK)를 통한 스트리밍 수집을 사용하여 기계 학습을 기반으로 거의 실시간으로 결정을 내릴 수 있습니다. 또 다른 가능한 통합은 다음의 조합을 사용하는 것입니다. 아마존 키네 시스, SageMaker 및 Apache Flink를 사용하여 데이터 스트림에 대한 실시간 추론이 가능한 안정적이고 확장 가능하며 가용성이 뛰어난 관리형 애플리케이션을 구축합니다.
알고리즘이 SageMaker 엔드포인트에 배포된 후 스트리밍 예측을 실시간으로 표시하는 대시보드를 사용하여 시각화할 수 있습니다. 다음 사용자 지정 MATLAB 웹 앱에서는 펌프별 압력 및 흐름 데이터를 확인하고 배포된 모델의 실시간 결함 예측을 볼 수 있습니다.
이 대시보드에는 문제의 각 펌프에 대한 고장 시간을 예측하기 위한 잔여 유효 수명(RUL) 모델이 포함되어 있습니다. RUL 알고리즘을 훈련하는 방법을 알아보려면 다음을 참조하세요. 예측 유지 관리 도구 상자.
정리
이 솔루션을 실행한 후에는 불필요한 AWS 리소스를 모두 정리하여 예상치 못한 비용이 발생하지 않도록 하십시오. 다음을 사용하여 이러한 리소스를 정리할 수 있습니다. SageMaker Python SDK 또는 여기에 사용된 특정 서비스(SageMaker, Amazon ECR 및 Amazon S3)에 대한 AWS Management Console. 이러한 리소스를 삭제하면 더 이상 사용하지 않는 리소스에 대한 추가 비용이 청구되는 것을 방지할 수 있습니다.
결론
우리는 전체 기계 학습 수명 주기에 걸쳐 펌프 예측 유지 관리 사용 사례를 위해 MATLAB을 SageMaker로 가져올 수 있는 방법을 시연했습니다. SageMaker는 기계 학습 워크로드를 실행하고 다양한 요구 사항을 충족하는 다양한 컴퓨팅 인스턴스를 갖춘 모델을 배포하기 위한 완전 관리형 환경을 제공합니다.
책임 부인: 이 게시물에 사용된 코드는 MathWorks가 소유하고 관리합니다. GitHub 리포지토리의 라이선스 조건을 참조하세요. 코드 또는 기능 요청에 문제가 있는 경우 저장소에서 GitHub 문제를 열어주세요.
참고자료
저자에 관하여
브래드 던컨 MathWorks의 Statistics and Machine Learning Toolbox에 있는 기계 학습 기능의 제품 관리자입니다. 그는 고객과 협력하여 엔지니어링 시스템에 가상 센서를 통합하고, 설명 가능한 기계 학습 모델을 구축하고, MATLAB 및 Simulink를 사용하여 AI 워크플로를 표준화하는 등 새로운 엔지니어링 영역에 AI를 적용합니다. MathWorks에 합류하기 전에 그는 차량 공기역학의 3D 시뮬레이션 및 최적화, 3D 시뮬레이션을 위한 사용자 경험, 시뮬레이션 소프트웨어의 제품 관리 팀을 이끌었습니다. Brad는 또한 Tufts University에서 차량 공기역학 분야의 객원 강사이기도 합니다.
리차드 앨콕 MathWorks의 클라우드 플랫폼 통합 담당 수석 개발 관리자입니다. 이 역할에서 그는 MathWorks 제품을 클라우드 및 컨테이너 플랫폼에 원활하게 통합하는 데 중요한 역할을 합니다. 그는 엔지니어와 과학자가 클라우드 기반 환경에서 MATLAB 및 Simulink의 잠재력을 최대한 활용할 수 있도록 하는 솔루션을 만듭니다. 이전에는 MathWorks에서 소프트웨어 엔지니어링으로 근무하며 병렬 및 분산 컴퓨팅 워크플로를 지원하는 솔루션을 개발했습니다.
레이첼 존슨 MathWorks의 예측 유지 관리 제품 관리자이며 전반적인 제품 전략 및 마케팅을 담당하고 있습니다. 그녀는 이전에 예측 유지 관리 프로젝트에서 항공우주 산업을 직접 지원하는 애플리케이션 엔지니어였습니다. MathWorks 이전에 Rachel은 미 해군의 공기역학 및 추진 시뮬레이션 엔지니어였습니다. 그녀는 또한 수학, 물리학, 공학을 가르치는 데 수년을 보냈습니다.
마오 순 Amazon Web Services Emerging Technologies 팀의 수석 AI/ML 파트너 솔루션 설계자입니다. 그는 기업 고객 및 파트너와 협력하여 AI/ML 애플리케이션을 설계, 배포 및 확장하여 비즈니스 가치를 도출하는 데 열정을 갖고 있습니다. 업무 외에는 낚시, 여행, 탁구를 즐깁니다.
라메쉬 자티야 Amazon Web Services ISV(독립 소프트웨어 공급업체) 팀의 솔루션 설계자입니다. 그는 ISV 고객과 협력하여 클라우드에서 애플리케이션을 설계, 배포 및 확장하여 비즈니스 가치를 도출하는 데 열정을 갖고 있습니다. 그는 또한 보스턴의 Babson College에서 기계 학습 및 비즈니스 분석 분야의 MBA 과정을 밟고 있습니다. 업무 외에는 달리기, 테니스, 요리를 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :있다
- :이다
- :아니
- :어디
- $UP
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- 소개
- 위의
- ACCESS
- 얻기 쉬운
- 수용하다
- 계정
- 이점
- 항공우주
- 후
- AI
- AI / ML
- 연산
- 알고리즘
- All
- 수
- 따라
- 이미
- 또한
- 아마존
- Amazon EC2
- 아마존 세이지 메이커
- Amazon Web Services
- an
- 분석
- 및
- 다른
- 어떤
- 아파치
- 분리
- API를
- 앱
- 앱은
- 어플리케이션
- 어플리케이션
- 신청
- 있군요
- 지역
- 지역
- 인조의
- 인공 지능
- AS
- 관련
- At
- 인증
- 자동
- 자동화
- 자동차
- 가능
- 피하기
- AWS
- AWS 관리 콘솔
- 뱁슨
- 뒤로
- BE
- 때문에
- 전에
- 시작하다
- 혜택
- BEST
- 보스턴
- 바닥
- 무두정
- 가져
- 넓은
- 가져
- 빌드
- 건물
- 빌드
- 사업
- by
- 전화
- 라는
- 부름
- CAN
- 후보자
- 기능
- 수
- 케이스
- 요금
- 검사
- 확인
- 분류
- 분류
- 황어 무리
- 청소관련
- 클라우드
- 클라우드 플랫폼
- 암호
- 코드
- 협력
- 협동
- 칼리지
- 단
- COM
- 결합
- 조합
- 결합 된
- 오는
- 의사 소통
- 복잡한
- 계산
- 컴퓨팅
- 구성
- 구성
- 콘솔에서
- 소모
- 컨테이너
- 이 포함되어 있습니다
- 비용
- 만들
- 만든
- 생성
- Current
- 관습
- 고객
- 계기반
- 데이터
- 데이터 준비
- 데이터 처리
- 데이터 세트
- 결정
- 결정
- 전용
- 보여
- 시연
- 의존
- 배포
- 배포
- 배치
- 배치하다
- 드리프트
- 설명
- 디자인
- 디자이너
- 원하는
- 바탕 화면
- 세부설명
- 개발
- 개발
- 진단
- 직접
- 디스플레이
- 분산
- 분산 컴퓨팅
- do
- 도커
- 하지
- 도메인
- 던컨
- 마다
- 효과적으로
- 중
- 신흥
- 신흥 기술
- 가능
- end
- 종점
- 기사
- 조작 된
- 엔지니어링
- 엔지니어
- Enterprise
- 전체의
- 환경
- 환경
- 특히
- 예
- 실행
- 경험
- 수출
- 추출물
- 추출물
- 고장
- 오류
- 결함
- 특색
- 특징
- 를
- 그림
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 필터링
- 최종적으로
- 마무리
- 먼저,
- 어업
- 맞게
- 흐름
- 다음에
- 수행원
- 다음
- 럭셔리
- 체재
- 진동수
- 에
- 가득 찬
- 충분히
- 기능
- 추가
- 게이트웨이
- 생성
- 생성
- 생성
- GitHub의
- 기부
- 좋은
- 그래프
- 큰
- 손님
- 안내
- 마구
- 있다
- he
- 건강
- 건강은 물론, 경제성까지!
- 무겁게
- 여기에서 지금 확인해 보세요.
- 고성능
- 고도로
- 호스팅
- 방법
- How To
- HTML
- HTTPS
- 생각
- if
- 영상
- 가져 오기
- in
- 포함
- 통합
- 증가
- 독립
- 표시
- 산업
- 산업
- 정보
- 시작
- 입력
- 설치
- 설치
- 설치
- 예
- 조격
- 통합 된
- 통합
- 완성
- 통합
- 인텔리전스
- 상호 작용하는
- 인터페이스
- 으로
- 발행물
- 문제
- isv
- IT
- 일
- 작업
- 존슨
- JPG
- 넓은
- 큰
- 후에
- 최근
- 배우다
- 배우기
- 지도
- 적게
- 이점
- 특허
- 생활
- wifecycwe
- LINK
- 리눅스
- 살고있다
- 장소 상에서
- 위치
- 로그인
- 이상
- 기계
- 기계 학습
- 유지
- 확인
- 유튜브 영상을 만드는 것은
- 관리
- 구축
- 매니저
- 제조
- .
- 마케팅
- 경기
- math
- 측량
- 방법
- 통계
- 수도
- 분
- ML
- 모델
- 모델
- 모니터
- 모니터링
- 배우기
- 움직임
- 움직이는
- 많은
- 이름
- 출신
- 가까운
- 필요한
- 필요
- 필요
- 요구
- 신제품
- 아니
- 아무것도
- 목표
- of
- 제공
- 오퍼링
- on
- 일단
- ONE
- 열 수
- 조작
- 운영
- 행정부
- 최적화
- or
- 기타
- 우리의
- 출력
- 외부
- 전체
- 소유
- 페이지
- 평행
- 매개 변수
- 매개 변수
- 특별한
- 파트너
- 파트너
- 패스
- 열렬한
- 성능
- 허가
- 물리학
- 플랫폼
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 부디
- 인기 문서
- 가능한
- 게시하다
- 가능성
- 잠재적으로
- 힘
- 실용적인
- 예측
- 예측
- 예측
- Predictor
- 선호하는
- 준비
- Prepare
- 압박
- 예방
- 이전에
- 이전에
- 방법
- 처리
- 생산
- 생산
- 생산하다
- 프로덕트
- 제품 관리
- 제품 관리자
- 제품
- 프로그램 작성
- 진행
- 프로젝트
- 프로젝트
- 추진
- 제공
- 제공
- 제공
- 제공
- 펌프
- 푸시
- 밀어
- Python
- 문제
- 빨리
- 범위
- 순위
- 순위
- 순위
- 드문
- 손쉽게
- 현실
- 실시간
- 최근
- 기록
- 기록
- 참조
- 지방
- 레지스트리
- 신뢰할 수있는
- 나머지
- 교체
- 저장소
- 대표
- 의뢰
- 요청
- 필수
- 제품 자료
- 응답
- 책임
- REST
- 결과
- 리차드
- 강력한
- 직위별
- 달리기
- 달리는
- 현자
- 만족
- 만족하다
- 찜하기
- 저장
- 확장성
- 규모
- 장면
- 과학자
- 스크립트
- SDK
- 완벽하게
- 초
- 참조
- 선택
- 선택
- 보내다
- 연장자
- 센서
- 전송
- 연속
- 서브
- 서비스
- 서비스
- 피복재
- 세션
- 세트
- 설정
- 설정
- 일곱
- 몇몇의
- 그녀
- 껍질
- 영상을
- 표시
- 표시
- 상당한
- 단순, 간단, 편리
- 시뮬레이션
- 크기
- So
- 소프트웨어
- 소프트웨어 공학
- 해결책
- 솔루션
- 일부
- 구체적인
- 속도
- 지출
- 단계
- 표준
- 표준화
- 스타트
- 미국
- 통계
- Status
- 단계
- 단계
- 저장
- 저장
- 전략
- 흐름
- 스트리밍
- 이러한
- 요약
- SUPPORT
- 지원
- 확인
- 체계
- 시스템은
- 테이블
- TAG
- 받아
- 소요
- 목표
- 작업
- 교육
- 팀
- 팀
- 기법
- 기술
- 단말기
- 조건
- test
- 지원
- 보다
- 그
- XNUMXD덴탈의
- 지역
- 그들의
- 그들
- 그때
- Bowman의
- 그들
- 이
- 그
- 세
- 시간
- 시계열
- 에
- 함께
- 수단
- 도구 상자
- 검색을
- 상단
- Train
- 트레이닝
- 여행
- 나무
- 시도
- 곡조
- 조정 된
- 두
- 유형
- 일반적으로
- 이해
- 예기치 않은
- 대학
- us
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자 경험
- 사용
- 확인
- 마케팅은:
- 종류
- 여러
- 자동차
- 공급 업체
- 대단히
- 온라인
- 시각화
- 필요
- 였다
- 방법..
- we
- 웹
- 웹 애플리케이션
- 웹 서비스
- 어느
- 넓은
- 넓은 범위
- 의지
- 과
- 작업
- 워크 플로우
- 일하는
- 일
- 쓰다
- 쓴
- 년
- 자신의
- 너의
- 제퍼 넷