Dette er et gjesteinnlegg av Neslihan Erdogan, Global Industrial IT Manager hos HAYAT HOLDING.
Med den pågående digitaliseringen av produksjonsprosessene og Industry 4.0, er det et enormt potensial for å bruke maskinlæring (ML) for kvalitetsprediksjon. Prosessproduksjon er en produksjonsmetode som bruker formler eller oppskrifter for å produsere varer ved å kombinere ingredienser eller råvarer.
Prediktiv kvalitet omfatter bruk av ML-metoder i produksjon for å estimere og klassifisere produktrelatert kvalitet basert på produksjonsprosessdata med følgende mål[1]:
- Kvalitetsbeskrivelse – Identifisering av sammenhenger mellom prosessvariabler og produktkvalitet. For eksempel, hvordan påvirker volumet til en limingrediens kvalitetsparameterne, som dens styrke og elastisitet.
- Kvalitetsprediksjon – Estimering av en kvalitetsvariabel på grunnlag av prosessvariabler for beslutningsstøtte eller for automatisering. For eksempel hvor mye kg/m3 limingrediens skal inntas for å oppnå viss styrke og elastisitet.
- Kvalitetsklassifisering – I tillegg til kvalitetsprediksjon, innebærer dette estimering av visse produktkvalitetstyper.
I dette innlegget deler vi hvordan HAYAT HOLDING – en global aktør med 41 selskaper som opererer i forskjellige bransjer, inkludert HAYAT, verdens fjerde største merkevare bleieprodusent, og KEAS, verdens femte største trebaserte panelprodusent – samarbeidet med AWS å bygge en løsning som bruker Amazon SageMaker Model Training, Amazon SageMaker Automatic Model Tuning og Amazon SageMaker Model Deployment for å kontinuerlig forbedre driftsytelsen, øke produktkvaliteten og optimalisere produksjonen av trepaneler med middels tetthet (MDF).
Forutsigelse av produktkvalitet og anbefaling av limforbruk kan observeres av felteksperter gjennom dashboards i nesten sanntid, noe som resulterer i en raskere tilbakemeldingssløyfe. Laboratorieresultater indikerer en betydelig innvirkning som tilsvarer besparelser på $300,000 XNUMX årlig, og reduserer deres karbonavtrykk i produksjonen ved å forhindre unødvendig kjemisk avfall.
ML-basert prediktiv kvalitet i HAYAT HOLDING
HAYAT er verdens fjerde største merkevareprodusent av babybleier og den største produsenten av papirpapir i EMEA. KEAS (Kastamonu Entegre Ağaç Sanayi) er et tilskudd fra HAYAT HOLDING, for produksjon i den trebaserte panelindustrien, og er posisjonert som den fjerde i Europa og den femte i verden.
Medium-density fiberboard (MDF) er et konstruert treprodukt laget ved å bryte ned trerester til fibre, kombinere det med lim og forme det til paneler ved å påføre høy temperatur og trykk. Den har mange bruksområder som møbler, skap og gulv.
Produksjon av MDF-trepaneler krever utstrakt bruk av lim (tosifrede tonn forbrukes hvert år hos HAYAT HOLDING).
I en typisk produksjonslinje brukes hundrevis av sensorer. Produktkvalitet identifiseres av titalls parametere. Påføring av riktig limvolum er en viktig kostnadspost så vel som en viktig kvalitetsfaktor for det produserte panelet, slik som tetthet, skrueholdeevne, strekkfasthet, elastisitetsmodul og bøyestyrke. Mens overdreven bruk av lim øker produksjonskostnadene overflødig, gir dårlig utnyttelse av lim kvalitetsproblemer. Feil bruk fører til opptil titusenvis av dollar i ett enkelt skift. Utfordringen er at det er en regressiv kvalitetsavhengighet av produksjonsprosessen.
Menneskelige operatører bestemmer mengden lim som skal brukes basert på domeneekspertise. Denne kunnskapen er utelukkende empirisk og krever år med kompetanse for å bygge kompetanse. For å støtte beslutningstakingen for den menneskelige operatøren, utføres laboratorietester på utvalgte prøver for å nøyaktig måle kvaliteten under produksjonen. Laboratorieresultatene gir tilbakemelding til operatørene som avslører produktkvalitetsnivåer. Laboratorietester er likevel ikke i sanntid og påføres med en forsinkelse på opptil flere timer. Den menneskelige operatøren bruker laboratorieresultater for å gradvis justere limforbruket for å oppnå den nødvendige kvalitetsterskelen.
Oversikt over løsning
Kvalitetsprediksjon ved bruk av ML er kraftig, men krever innsats og ferdigheter for å designe, integrere med produksjonsprosessen og vedlikeholde. Med støtte fra AWS Prototyping-spesialister og AWS Partner Deloitte, bygget HAYAT HOLDING en ende-til-ende-pipeline som følger:
- Innta sensordata fra produksjonsanlegget til AWS
- Utføre dataforberedelse og generering av ML-modeller
- Distribuer modeller på kanten
- Lag operatørdashbord
- Ordne arbeidsflyten
Følgende diagram illustrerer løsningsarkitekturen.
Inntak av data
HAYAT HOLDING har en toppmoderne infrastruktur for å innhente, registrere, analysere og behandle måledata.
Det finnes to typer datakilder for denne brukssaken. Prosessparametere er satt for produksjonen av et bestemt produkt og endres vanligvis ikke under produksjonen. Sensordata tas under produksjonsprosessen og representerer den faktiske tilstanden til maskinen.
Inndata streames fra anlegget via OPC-UA gjennom SiteWise Edge Gateway inn AWS IoT Greengrass. Totalt ble 194 sensorer importert og brukt for å øke nøyaktigheten av spådommene.
Modelltrening og optimalisering med SageMaker automatisk modellinnstilling
Før modellopplæringen utføres et sett med dataforberedende aktiviteter. For eksempel produserer et MDF-panelanlegg flere forskjellige produkter på samme produksjonslinje (flere typer og størrelser av trepaneler). Hver batch er knyttet til et annet produkt, med ulike råvarer og ulike fysiske egenskaper. Selv om utstyret og prosesstidsseriene registreres kontinuerlig og kan sees på som en enkeltstrøms tidsserie indeksert etter tid, må de segmenteres etter batchen de er knyttet til. For eksempel, i et skift, kan produktpaneler produseres for forskjellig varighet. En prøve av produsert MDF sendes fra tid til annen til laboratoriet for kvalitetstester. Andre funksjonsingeniøroppgaver inkluderer funksjonsreduksjon, skalering, uovervåket dimensjonalitetsreduksjon ved bruk av PCA (Principal Component Analysis), funksjonsviktighet og avvikdeteksjon.
Etter dataforberedelsesfasen brukes en to-trinns tilnærming for å bygge ML-modellene. Laboratorieprøver utføres ved intermitterende tilfeldig produktprøvetaking fra transportbåndet. Prøver sendes til et laboratorium for kvalitetstester. Fordi laboratorieresultatene ikke kan presenteres i sanntid, er tilbakemeldingssløyfen relativt treg. Den første modellen er opplært til å forutsi laboratorieresultater for produktkvalitetsparametre: tetthet, elastisitet, trekkmotstand, hevelse, absorbert vann, overflatebestandighet, fuktighet, overflatesug og bøyemotstand. Den andre modellen er opplært til å anbefale mengden lim som skal brukes i produksjonen, avhengig av forventet utskriftskvalitet.
Å sette opp og administrere tilpassede ML-miljøer kan være tidkrevende og tungvint. Amazon SageMaker gir en suite av innebygde algoritmer, forhåndsopplærte modeller og forhåndsbygde løsningsmaler for å hjelpe dataforskere og ML-utøvere raskt i gang med opplæring og distribusjon av ML-modeller.
Flere ML-modeller ble trent ved å bruke SageMaker innebygde algoritmer for de N mest produserte produkttypene og for forskjellige kvalitetsparametere. Kvalitetsprediksjonsmodellene identifiserer sammenhengene mellom limbruk og ni kvalitetsparametere. Anbefalingsmodellene forutsier minimum limbruk for å tilfredsstille kvalitetskrav ved å bruke følgende tilnærming: en algoritme starter fra den høyeste tillatte limmengden og reduserer den trinn for trinn hvis alle krav er tilfredsstilt til minimumsmengden lim tillatt. Hvis maks limmengde ikke tilfredsstiller alle kravene, gir det en feil.
SageMaker automatisk modellinnstilling, også kjent som hyperparameterinnstilling, finner den beste versjonen av en modell ved å kjøre mange treningsjobber på datasettet ved hjelp av algoritmen og rekkevidden av hyperparametere som du spesifiserer. Den velger deretter hyperparameterverdiene som resulterer i en modell som gir best ytelse, målt med en beregning du velger.
Med automatisk modellinnstilling fokuserte teamet på å definere riktig mål, scope hyperparametrene og søkeområdet. Automatisk modellinnstilling tar seg av resten, inkludert infrastrukturen, løping og orkestrering av treningsjobber parallelt, og forbedring av hyperparametervalg. Automatisk modellinnstilling gir et bredt spekter av treningsforekomsttyper. Modellen ble finjustert på c5.x2large forekomsttyper ved å bruke en intelligent versjon av hyperparameterinnstillingsmetoder som er basert på Bayesiansk søketeori og er designet for å finne den beste modellen på kortest tid.
Inferens på kanten
Flere metoder er tilgjengelige for å distribuere ML-modeller for å få spådommer.
SageMaker sanntidsslutning er ideell for arbeidsbelastninger der det da er sanntids, interaktive krav med lav latens. Under prototypingfasen distribuerte HAYAT HOLDING modeller til SageMaker-vertstjenester og fikk endepunkter som er fullt administrert av AWS. SageMaker multi-modell endepunkter gi en skalerbar og kostnadseffektiv løsning for distribusjon av et stort antall modeller. De bruker den samme flåten med ressurser og en delt serveringsbeholder for å være vert for alle modellene dine. Dette reduserer hostingkostnadene ved å forbedre endepunktutnyttelsen sammenlignet med bruk av enkeltmodellendepunkter. Det reduserer også distribusjonskostnader fordi SageMaker administrerer lasting av modeller i minnet og skalerer dem basert på trafikkmønstrene til endepunktet ditt.
SageMaker sanntidsslutning brukes med multi-modell endepunkter for kostnadsoptimalisering og for å gjøre alle modeller tilgjengelige til enhver tid under utviklingen. Selv om bruk av en ML-modell for hver produkttype resulterer i høyere slutningsnøyaktighet, øker kostnadene ved å utvikle og teste disse modellene tilsvarende, og det blir også vanskelig å administrere flere modeller. SageMaker multi-modell endepunkter adresserer disse smertepunktene og gir teamet en rask og kostnadseffektiv løsning for å distribuere flere ML-modeller.
Amazon SageMaker Edge gir modelladministrasjon for edge-enheter slik at du kan optimalisere, sikre, overvåke og vedlikeholde ML-modeller på flåter av edge-enheter. Å betjene ML-modeller på edge-enheter er utfordrende, fordi enheter, i motsetning til skyforekomster, har begrenset databehandling, minne og tilkoblingsmuligheter. Etter at modellen er distribuert, må du kontinuerlig overvåke modellene, fordi modelldrift kan føre til at modellens kvalitet svekkes overtid. Det er vanskelig å overvåke modeller på tvers av enhetsflåtene dine, fordi du må skrive tilpasset kode for å samle dataeksempler fra enheten og gjenkjenne skjevheter i spådommer.
For produksjon brukes SageMaker Edge Manager-agenten til å lage spådommer med modeller lastet inn på en AWS IoT Greengrass-enhet.
konklusjonen
HAYAT HOLDING evaluerte en avansert analyseplattform som en del av deres digitale transformasjonsstrategi og ønsket å bringe AI til organisasjonen for kvalitetsprediksjon i produksjon.
Med støtte fra AWS Prototyping-spesialister og AWS Partner Deloitte, bygde HAYAT HOLDING en unik dataplattformarkitektur og en ML-pipeline for å møte langsiktige forretnings- og tekniske behov.
HAYAT KIMYA integrerte ML-løsningen i et av sine anlegg. Laboratorieresultater indikerer en betydelig innvirkning som tilsvarer besparelser på $300,000 XNUMX årlig, og reduserer deres karbonavtrykk i produksjonen ved å forhindre unødvendig kjemisk avfall. Løsningen gir en raskere tilbakemeldingssløyfe til menneskelige operatører ved å presentere produktkvalitetsspådommer og anbefalingsresultater for limforbruk gjennom dashboards i nesten sanntid. Løsningen vil etter hvert bli distribuert på tvers av HAYAT HOLDINGs andre trepanelanlegg.
ML er en svært iterativ prosess; i løpet av et enkelt prosjekt trener dataforskere hundrevis av forskjellige modeller, datasett og parametere på jakt etter maksimal nøyaktighet. SageMaker tilbyr det mest komplette settet med verktøy for å utnytte kraften til ML. Den lar deg organisere, spore, sammenligne og evaluere ML-eksperimenter i stor skala. Du kan øke innvirkningen på bunnlinjen til ML-teamene dine for å oppnå betydelige produktivitetsforbedringer ved å bruke SageMaker innebygde algoritmer, automatisk modellinnstilling, sanntidsslutning og endepunkter for flere modeller.
Akselerer tiden til resultater og optimaliser driften ved å modernisere forretningstilnærmingen din fra kant til sky ved hjelp av Maskinlæring på AWS. Dra nytte av bransjespesifikke innovasjoner og løsninger ved hjelp av AWS for industri.
Del dine tilbakemeldinger og spørsmål i kommentarene.
Om HAYAT HOLDING
HAYAT HOLDING, hvis grunnlag ble lagt i 1937, er en global aktør i dag, med 41 selskaper som opererer i forskjellige bransjer, inkludert HAYAT i sektoren for raskt bevegelige forbruksvarer, KEAS (Kastamonu Entegre Ağaç Sanayi) i den trebaserte panelsektoren, og LIMAS i havneforvaltningssektoren, med en arbeidsstyrke på over 17,000 49 personer. HAYAT HOLDING leverer 36 merker produsert med avansert teknologi i 13 produksjonsanlegg i XNUMX land til millioner av forbrukere over hele verden.
Hayat, som opererer i sektoren for raskt bevegelige forbruksvarer, ble grunnlagt i 1987. I dag, raskt på vei mot globaliseringen med 21 produksjonsanlegg i 8 land rundt om i verden, er Hayat verdens fjerde største bleieprodusent og den største vev produsent i Midtøsten, Øst-Europa og Afrika, og en stor aktør i den raskt bevegelige forbruksvaresektoren. Med sine 16 kraftige merker, inkludert Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare og Evony i kategoriene hygiene, hjemmepleie, vev og personlig helse, Hayat bringer HAYAT* til millioner av hjem i mer enn 100 land.
Kastamonu Entegre Ağaç Sanayi (KEAS), den første investeringen til HAYAT HOLDING i sin industrialisering, ble grunnlagt i 1969. Fortsetter sin uavbrutt vekst mot å bli en global makt i sin sektor, og rangerer på fjerde plass i Europa og femte i verden. KEAS rangerer først i bransjen med sine rundt 7,000 ansatte og eksporterer til mer enn 100 land.
*"Hayat" betyr "liv" på tyrkisk.
Referanser
- Tercan H, "Maskinlæring og dyp læringsbasert prediktiv kvalitet i produksjon: en systematisk gjennomgang", Journal of Intelligent Manufacturing, 2022.
Om forfatterne
Neslihan Erdoğan, (BSc og MSc i elektroteknikk), hadde ulike tekniske og forretningsmessige roller som spesialist, arkitekt og leder i informasjonsteknologi. Hun har jobbet i HAYAT som Global Industrial IT Manager og ledet Industry 4.0, Digital Transformation, OT Security og Data & AI-prosjekter.
Çağrı Yurtseven (BSc in Electrical-Electronics Engineering, Bogazici University) er Enterprise Account Manager hos Amazon Web Services. Han leder Sustainability and Industrial IOT-initiativer i Tyrkia samtidig som han hjelper kundene med å realisere sitt fulle potensial ved å vise kunsten til det mulige på AWS.
Cenk Sezgin (PhD – Electrical Electronics Engineering) er hovedleder ved AWS EMEA Prototyping Labs. Han støtter kunder med utforskning, ideer, engineering og utvikling av toppmoderne løsninger ved bruk av nye teknologier som IoT, Analytics, AI/ML og Serverless.
Hasan-Basri AKIRMAK (BSc og MSc i datateknikk og Executive MBA i Graduate School of Business) er en hovedløsningsarkitekt hos Amazon Web Services. Han er forretningsteknolog og rådgiver bedriftssegmentkunder. Hans spesialområde er å designe arkitekturer og forretningscases på databehandlingssystemer i stor skala og maskinlæringsløsninger. Hasan har levert forretningsutvikling, systemintegrasjon, programledelse for kunder i Europa, Midtøsten og Afrika. Siden 2016 veiledet han hundrevis av gründere ved oppstartsinkubasjonsprogrammer pro-bono.
Mustafa Aldemir (BSc i Electrical-Electronics Engineering, MSc in Mechatronics og PhD-kandidat i Computer Science) er Robotics Prototyping Lead hos Amazon Web Services. Han har designet og utviklet Internet of Things og Machine Learning-løsninger for noen av de største kundene i EMEA og ledet teamene deres i implementeringen av dem. I mellomtiden har han levert AI-kurs ved Amazon Machine Learning University og Oxford University.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :er
- $OPP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- evne
- tilsvar
- Logg inn
- nøyaktighet
- Oppnå
- anskaffe
- tvers
- Aktiviteter
- tillegg
- adresse
- avansert
- Fordel
- rådgivning
- afrika
- Etter
- Agent
- AI
- AI / ML
- algoritme
- algoritmer
- Alle
- Selv
- Amazon
- Amazon maskinlæring
- Amazon SageMaker
- Amazon Web Services
- beløp
- analyse
- analytics
- analyserer
- og
- Årlig
- Søknad
- anvendt
- påføring
- tilnærming
- ca
- arkitektur
- ER
- AREA
- områder
- rundt
- Kunst
- AS
- assosiert
- At
- Automatisk
- Automatisering
- tilgjengelig
- AWS
- AWS IoT Greengrass
- Baby
- basert
- basis
- Bayesiansk
- BE
- fordi
- blir
- bli
- BEST
- mellom
- Biggest
- pin
- øke
- branded
- merker
- Breaking
- bringe
- Bringer
- BSC
- bygge
- bygget
- innebygd
- virksomhet
- forretningsutvikling
- by
- CAN
- karbon
- hvilken
- saken
- saker
- kategorier
- Årsak
- årsaker
- viss
- utfordre
- utfordrende
- egenskaper
- kjemisk
- Velg
- Klassifisere
- klienter
- Cloud
- kode
- samle
- kombinere
- kommentarer
- Selskaper
- sammenligne
- sammenlignet
- fullføre
- komponent
- Beregn
- datamaskin
- Datateknikk
- informatikk
- tilstand
- gjennomført
- Tilkobling
- forbrukes
- forbruker
- Forbrukere
- forbruk
- Container
- fortsetter
- kontinuerlig
- Kostnad
- kostnadseffektiv
- Kostnader
- land
- Kurs
- kurs
- skikk
- Kunder
- dato
- Dataplattform
- Dataklargjøring
- databehandling
- datasett
- bestemme
- avgjørelse
- Beslutningstaking
- dyp
- dyp læring
- definere
- forsinkelse
- levert
- levere
- leverer
- deloitte
- Avhengighet
- avhengig
- utplassere
- utplassert
- utplasserings
- distribusjon
- utforming
- designet
- utforme
- Gjenkjenning
- utvikle
- Utvikling
- enhet
- Enheter
- forskjellig
- vanskelig
- digitalt
- Digital Transformation
- digitalisering
- distinkt
- ikke
- dollar
- domene
- ned
- slitestyrke
- under
- hver enkelt
- øst
- østlige
- Øst-Europa
- Edge
- effekt
- innsats
- Elektronikk
- EMEA
- Emery
- Nye teknologier
- ansatte
- ende til ende
- Endpoint
- Ingeniørarbeid
- enorm
- Enterprise
- gründere
- miljøer
- utstyr
- Erdogan
- feil
- anslag
- Europa
- evaluere
- evaluere
- etter hvert
- eksempel
- utøvende
- ekspertise
- eksperter
- leting
- eksporten
- omfattende
- raskt bevegelige
- raskere
- Trekk
- tilbakemelding
- fibrene
- felt
- Finn
- funn
- Først
- FLÅTE
- Fokus
- fokuserte
- etter
- følger
- Fotspor
- Til
- Foundations
- Stiftet
- Fjerde
- fra
- fullt
- fullt
- gateway
- få
- Gi
- gir
- Global
- globalisering
- varer
- gradvis
- oppgradere
- Vekst
- Gjest
- gjest innlegg
- seletøy
- Ha
- Helse
- Held
- hjelpe
- hjelpe
- Høy
- høyere
- høyest
- svært
- holder
- Hjemprodukt
- hjemmehjelp
- Hjem
- vert
- Hosting
- hosting kostnader
- hostingtjenester
- TIMER
- Hvordan
- HTML
- HTTPS
- menneskelig
- Hundrevis
- Innstilling av hyperparameter
- ideell
- Identifikasjon
- identifisert
- identifisere
- Påvirkning
- implementere
- betydning
- viktig
- forbedre
- forbedringer
- bedre
- in
- inkludere
- Inkludert
- Øke
- øker
- INKUBASJON
- indikerer
- industriell
- Industriell IoT
- bransjer
- industri
- industri 4.0
- bransjespesifikke
- informasjon
- Infrastruktur
- initiativer
- innovasjoner
- f.eks
- integrere
- integrert
- integrering
- Intelligent
- interaktiv
- Internet
- Internett av ting
- investering
- IOT
- IT
- DET ER
- Jobb
- journal
- jpg
- kjent
- lab
- laboratorium
- Labs
- stor
- største
- føre
- ledende
- læring
- Led
- Lar
- nivåer
- Begrenset
- linje
- lasting
- langsiktig
- maskin
- maskinlæring
- laget
- vedlikeholde
- større
- gjøre
- Making
- administrer
- fikk til
- ledelse
- leder
- forvalter
- administrerende
- Produsent
- produksjon
- mange
- materialer
- max
- maksimal
- midler
- Mellomtiden
- måle
- Minne
- metode
- metoder
- metrisk
- Middle
- Midtøsten
- millioner
- minimum
- ML
- modell
- modeller
- Overvåke
- overvåking
- mer
- mest
- flytte
- flere
- Trenger
- behov
- likevel
- tall
- Målet
- of
- Tilbud
- on
- ONE
- pågående
- drift
- operasjonell
- Drift
- operatør
- operatører
- optimalisering
- Optimalisere
- organisasjon
- Annen
- produksjon
- Oxford
- Oxford universitet
- Smerte
- panel
- paneler
- Papir
- Parallel
- parametere
- del
- Spesielt
- partner
- banen
- mønstre
- Ansatte
- ytelse
- utfører
- personlig
- fase
- fysisk
- rørledning
- Hvordan få de til å trives
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- spiller
- poeng
- dårlig
- posisjonert
- mulig
- Post
- potensiell
- makt
- kraftig
- nettopp
- forutsi
- spådd
- prediksjon
- Spådommer
- presentert
- press
- hindre
- Principal
- problemer
- prosess
- Prosesser
- prosessering
- produsere
- produsert
- produsent
- Produkt
- Produktkvalitet
- Produksjon
- produktivitet
- Produkter
- program
- programmer
- prosjekt
- prosjekter
- prototyping
- gi
- gir
- trekke
- kvalitet
- spørsmål
- raskt
- hever
- tilfeldig
- område
- rekkene
- rask
- raskt
- Raw
- ekte
- sanntids
- realisere
- gjenkjenne
- anbefaler
- Anbefaling
- registrert
- innspilling
- reduserer
- redusere
- Relasjoner
- relativt
- representerer
- påkrevd
- Krav
- Krever
- Motstand
- Ressurser
- REST
- resultere
- resulterende
- Resultater
- avslørende
- robotikk
- roller
- rennende
- sagemaker
- SageMaker Automatisk modellinnstilling
- samme
- fornøyd
- besparende
- Besparelser
- skalerbar
- Skala
- skalering
- Skole
- Vitenskap
- forskere
- Omfang
- Søk
- Sekund
- sektor
- sikre
- segmentet
- valgt
- utvalg
- sensorer
- Serien
- server~~POS=TRUNC
- Tjenester
- servering
- sett
- flere
- Del
- delt
- skift
- signifikant
- siden
- siden 2016
- enkelt
- størrelser
- skjev
- ferdighet
- langsom
- So
- løsning
- Solutions
- noen
- Kilder
- Rom
- spesialist
- spesialister
- Spesialitet
- startet
- starter
- oppstart
- state-of-the-art
- Trinn
- Strategi
- streames
- styrke
- subsidie
- slik
- suite
- støtte
- Støtter
- overflaten
- Bærekraft
- Systemer
- Ta
- tar
- oppgaver
- lag
- lag
- Teknisk
- Technologies
- teknolog
- maler
- test
- Testing
- tester
- Det
- De
- verden
- deres
- Dem
- Disse
- ting
- tusener
- terskel
- Gjennom
- tid
- Tidsserier
- tidkrevende
- ganger
- til
- i dag
- Tone
- verktøy
- topp
- Totalt
- mot
- spor
- trafikk
- Tog
- trent
- Kurs
- Transformation
- Transformasjonsstrategi
- Kalkun
- tyrkisk
- typer
- typisk
- unik
- universitet
- bruk
- bruke
- bruk sak
- vanligvis
- Verdier
- ulike
- versjon
- av
- volum
- ønsket
- Avfall
- Vann
- web
- webtjenester
- VI VIL
- mens
- bred
- Bred rekkevidde
- vil
- med
- arbeidsstyrke
- arbeid
- verden
- Verdens
- verdensomspennende
- skrive
- år
- år
- Du
- Din
- zephyrnet