Esta é uma postagem de convidado de Neslihan Erdogan, gerente global de TI industrial da HAYAT HOLDING.
Com a digitalização contínua dos processos de fabricação e a Indústria 4.0, há um enorme potencial para usar aprendizado de máquina (ML) para previsão de qualidade. A fabricação por processo é um método de produção que usa fórmulas ou receitas para produzir mercadorias combinando ingredientes ou matérias-primas.
A qualidade preditiva compreende o uso de métodos de ML na produção para estimar e classificar a qualidade relacionada ao produto com base nos dados do processo de fabricação com os seguintes objetivos[1]:
- Descrição da qualidade – A identificação das relações entre as variáveis do processo e a qualidade do produto. Por exemplo, como o volume de um ingrediente adesivo afeta os parâmetros de qualidade, como sua resistência e elasticidade.
- Previsão de qualidade – A estimativa de uma variável de qualidade com base em variáveis de processo para suporte à decisão ou para automação. Por exemplo, quanto kg/m3 ingrediente adesivo deve ser ingerido para atingir certa resistência e elasticidade.
- Classificação de qualidade – Além da previsão de qualidade, isso envolve a estimativa de certos tipos de qualidade do produto.
Nesta postagem, compartilhamos como a HAYAT HOLDING, uma empresa global com 41 empresas que operam em diferentes setores, incluindo a HAYAT, a quarta maior fabricante de fraldas de marca do mundo, e a KEAS, a quinta maior fabricante de painéis derivados de madeira do mundo, colaborou com a AWS para criar uma solução que usa Amazon SageMaker Model Training, Amazon SageMaker Automatic Model Tuning e Amazon SageMaker Model Deployment para melhorar continuamente o desempenho operacional, aumentar a qualidade do produto e otimizar a produção de painéis de madeira de fibra de densidade média (MDF).
Os resultados de previsão de qualidade do produto e recomendação de consumo de adesivo podem ser observados por especialistas de campo por meio de painéis quase em tempo real, resultando em um ciclo de feedback mais rápido. Os resultados do laboratório indicam um impacto significativo equivalente a uma economia de US$ 300,000 por ano, reduzindo a pegada de carbono na produção ao evitar o desperdício químico desnecessário.
Qualidade preditiva baseada em ML em HAYAT HOLDING
A HAYAT é a quarta maior fabricante de fraldas de marca do mundo e a maior fabricante de lenços de papel da região EMEA. A KEAS (Kastamonu Entegre Ağaç Sanayi) é uma subsidiária da HAYAT HOLDING, para produção na indústria de painéis derivados de madeira, e está posicionada como a quarta na Europa e a quinta no mundo.
O painel de fibras de média densidade (MDF) é um produto de madeira engenheirado feito pela decomposição de resíduos de madeira em fibras, combinando-os com adesivos e formando painéis por meio da aplicação de alta temperatura e pressão. Tem muitas áreas de aplicação, como móveis, armários e pisos.
A produção de painéis de madeira MDF requer uso extensivo de adesivos (toneladas de dois dígitos consumidas a cada ano na HAYAT HOLDING).
Em uma linha de produção típica, centenas de sensores são usados. A qualidade do produto é identificada por dezenas de parâmetros. Aplicar o volume correto de adesivos é um item de custo importante, bem como um importante fator de qualidade para o painel produzido, como densidade, capacidade de fixação do parafuso, resistência à tração, módulo de elasticidade e resistência à flexão. Enquanto o uso excessivo de cola aumenta os custos de produção de forma redundante, a má utilização de cola gera problemas de qualidade. O uso incorreto causa até dezenas de milhares de dólares em um único turno. O desafio é que existe uma dependência regressiva da qualidade no processo de produção.
Os operadores humanos decidem a quantidade de cola a ser usada com base na experiência do domínio. Este know-how é apenas empírico e leva anos de experiência para construir competência. Para apoiar a tomada de decisão do operador humano, testes de laboratório são realizados em amostras selecionadas para medir com precisão a qualidade durante a produção. Os resultados do laboratório fornecem feedback aos operadores, revelando os níveis de qualidade do produto. No entanto, os testes de laboratório não são em tempo real e são aplicados com um atraso de até várias horas. O operador humano usa os resultados do laboratório para ajustar gradualmente o consumo de cola para atingir o limite de qualidade exigido.
Visão geral da solução
A previsão de qualidade usando ML é poderosa, mas requer esforço e habilidade para projetar, integrar com o processo de fabricação e manter. Com o suporte de especialistas em prototipagem da AWS e da AWS Partner Deloitte, a HAYAT HOLDING construiu um pipeline de ponta a ponta da seguinte forma:
- Ingerir dados do sensor da planta de produção para a AWS
- Execute a preparação de dados e a geração de modelos de ML
- Implantar modelos na borda
- Criar painéis do operador
- Orquestre o fluxo de trabalho
O diagrama a seguir ilustra a arquitetura da solução.
Ingestão de dados
A HAYAT HOLDING possui uma infraestrutura de ponta para aquisição, registro, análise e processamento de dados de medição.
Existem dois tipos de fontes de dados para este caso de uso. Os parâmetros do processo são definidos para a produção de um determinado produto e geralmente não são alterados durante a produção. Os dados do sensor são obtidos durante o processo de fabricação e representam a condição real da máquina.
Os dados de entrada são transmitidos da planta via OPC-UA através do SiteWise Edge Gateway em AWS IoT Greengrass. No total, 194 sensores foram importados e utilizados para aumentar a precisão das previsões.
Treinamento e otimização de modelos com o ajuste automático de modelos do SageMaker
Antes do treinamento do modelo, um conjunto de atividades de preparação de dados é realizado. Por exemplo, uma fábrica de painéis de MDF produz vários produtos distintos na mesma linha de produção (vários tipos e tamanhos de painéis de madeira). Cada lote está associado a um produto diferente, com diferentes matérias-primas e diferentes características físicas. Embora as séries temporais de equipamentos e processos sejam registradas continuamente e possam ser vistas como uma série temporal de fluxo único indexada por tempo, elas precisam ser segmentadas pelo lote ao qual estão associadas. Por exemplo, em um turno, painéis de produtos podem ser produzidos por diferentes durações. Periodicamente, uma amostra do MDF produzido é enviada ao laboratório para testes de qualidade. Outras tarefas de engenharia de recursos incluem redução de recursos, dimensionamento, redução de dimensionalidade não supervisionada usando PCA (Análise de Componentes Principais), importância de recursos e detecção de valores discrepantes.
Após a fase de preparação de dados, uma abordagem de dois estágios é usada para construir os modelos de ML. As amostras de teste de laboratório são conduzidas por amostragem aleatória intermitente de produtos da correia transportadora. As amostras são enviadas a um laboratório para testes de qualidade. Como os resultados do laboratório não podem ser apresentados em tempo real, o ciclo de feedback é relativamente lento. O primeiro modelo é treinado para prever resultados de laboratório para parâmetros de qualidade do produto: densidade, elasticidade, resistência à tração, inchaço, absorção de água, durabilidade da superfície, umidade, sucção da superfície e resistência à flexão. O segundo modelo é treinado para recomendar a quantidade de cola a ser utilizada na produção, dependendo da qualidade de saída prevista.
Configurar e gerenciar ambientes de ML personalizados pode ser demorado e complicado. Amazon Sage Maker oferece um conjunto de algoritmos integrados, modelos pré-treinados e modelos de solução pré-criados para ajudar cientistas de dados e profissionais de ML a começar a treinar e implantar modelos de ML rapidamente.
Vários modelos de ML foram treinados usando algoritmos integrados do SageMaker para os N tipos de produtos mais produzidos e para diferentes parâmetros de qualidade. Os modelos de previsão de qualidade identificam as relações entre o uso de cola e nove parâmetros de qualidade. Os modelos de recomendação preveem o uso mínimo de cola para atender aos requisitos de qualidade usando a seguinte abordagem: um algoritmo parte da maior quantidade de cola permitida e a reduz passo a passo se todos os requisitos forem atendidos até a quantidade mínima de cola permitida. Se a quantidade máxima de cola não atender a todos os requisitos, ocorrerá um erro.
O ajuste automático de modelo do SageMaker, também conhecido como ajuste de hiperparâmetros, encontra a melhor versão de um modelo executando muitos trabalhos de treinamento em seu conjunto de dados usando o algoritmo e intervalos de hiperparâmetros que você especifica. Em seguida, ele escolhe os valores de hiperparâmetros que resultam em um modelo com melhor desempenho, conforme medido por uma métrica que você escolher.
Com o ajuste automático do modelo, a equipe se concentrou em definir o objetivo certo, definir o escopo dos hiperparâmetros e do espaço de busca. O ajuste automático do modelo cuida do resto, incluindo a infraestrutura, executando e orquestrando trabalhos de treinamento em paralelo e melhorando a seleção de hiperparâmetros. O ajuste automático de modelo fornece uma ampla variedade de tipos de instância de treinamento. O modelo foi ajustado nos tipos de instância c5.x2large usando uma versão inteligente dos métodos de ajuste de hiperparâmetros baseados na teoria de busca Bayesiana e projetado para encontrar o melhor modelo no menor tempo.
Inferência na borda
Vários métodos estão disponíveis para implantar modelos de ML para obter previsões.
Inferência em tempo real do SageMaker é ideal para cargas de trabalho em que há requisitos de tempo real, interativos e de baixa latência. Durante a fase de prototipagem, a HAYAT HOLDING implantou modelos nos serviços de hospedagem SageMaker e obteve endpoints totalmente gerenciados pela AWS. Pontos de extremidade de vários modelos do SageMaker fornecem uma solução escalável e econômica para implantar um grande número de modelos. Eles usam a mesma frota de recursos e um contêiner de serviço compartilhado para hospedar todos os seus modelos. Isso reduz os custos de hospedagem melhorando a utilização do endpoint em comparação com o uso de endpoints de modelo único. Ele também reduz a sobrecarga de implantação porque o SageMaker gerencia o carregamento de modelos na memória e os dimensiona com base nos padrões de tráfego para seu endpoint.
A inferência em tempo real do SageMaker é usada com endpoints de vários modelos para otimização de custos e para disponibilizar todos os modelos o tempo todo durante o desenvolvimento. Embora o uso de um modelo de ML para cada tipo de produto resulte em maior precisão de inferência, o custo de desenvolvimento e teste desses modelos aumenta proporcionalmente e também torna-se difícil gerenciar vários modelos. Os endpoints de vários modelos do SageMaker abordam esses pontos problemáticos e fornecem à equipe uma solução rápida e econômica para implantar vários modelos de ML.
Borda do Amazon SageMaker fornece gerenciamento de modelo para dispositivos de borda para que você possa otimizar, proteger, monitorar e manter modelos de ML em frotas de dispositivos de borda. A operação de modelos de ML em dispositivos periféricos é um desafio, porque os dispositivos, ao contrário das instâncias de nuvem, têm computação, memória e conectividade limitadas. Depois que o modelo é implantado, você precisa monitorar continuamente os modelos, porque o desvio do modelo pode fazer com que a qualidade do modelo diminua com o tempo. Monitorar modelos em suas frotas de dispositivos é difícil porque você precisa escrever um código personalizado para coletar amostras de dados de seu dispositivo e reconhecer distorções nas previsões.
Para produção, o agente SageMaker Edge Manager é usado para fazer previsões com modelos carregados em um dispositivo AWS IoT Greengrass.
Conclusão
A HAYAT HOLDING estava avaliando uma plataforma de análise avançada como parte de sua estratégia de transformação digital e queria trazer IA para a organização para previsão de qualidade na produção.
Com o suporte de especialistas em prototipagem da AWS e da AWS Partner Deloitte, a HAYAT HOLDING criou uma arquitetura de plataforma de dados exclusiva e um pipeline de ML para atender às necessidades técnicas e de negócios de longo prazo.
A HAYAT KIMYA integrou a solução ML em uma de suas plantas. Os resultados do laboratório indicam um impacto significativo equivalente a uma economia de US$ 300,000 por ano, reduzindo a pegada de carbono na produção ao evitar o desperdício químico desnecessário. A solução fornece um ciclo de feedback mais rápido para os operadores humanos, apresentando previsões de qualidade do produto e resultados de recomendação de consumo de adesivo por meio de painéis quase em tempo real. A solução será eventualmente implantada em outras fábricas de painéis de madeira da HAYAT HOLDING.
ML é um processo altamente iterativo; ao longo de um único projeto, os cientistas de dados treinam centenas de modelos, conjuntos de dados e parâmetros diferentes em busca da máxima precisão. O SageMaker oferece o conjunto mais completo de ferramentas para aproveitar o poder do ML. Ele permite que você organize, rastreie, compare e avalie experimentos de ML em escala. Você pode aumentar o impacto final de suas equipes de ML para obter melhorias significativas de produtividade usando algoritmos integrados do SageMaker, ajuste automático de modelo, inferência em tempo real e endpoints de vários modelos.
Acelere o tempo para obter resultados e otimize as operações modernizando sua abordagem de negócios da borda à nuvem usando Aprendizado de máquina na AWS. Aproveite as inovações e soluções específicas do setor usando AWS para indústria.
Compartilhe seus comentários e perguntas nos comentários.
Sobre a HAYAT HOLDING
A HAYAT HOLDING, cujas fundações foram lançadas em 1937, é hoje um player global, com 41 empresas operando em diferentes setores, incluindo HAYAT no setor de bens de consumo de alta rotatividade, KEAS (Kastamonu Entegre Ağaç Sanayi) no setor de painéis derivados de madeira, e a LIMAS no sector da gestão portuária, com mais de 17,000 colaboradores. A HAYAT HOLDING fornece 49 marcas produzidas com tecnologias avançadas em 36 instalações de produção em 13 países para milhões de consumidores em todo o mundo.
Operando no setor de bens de consumo de rápida evolução, a Hayat foi fundada em 1987. Hoje, avançando rapidamente no caminho da globalização com 21 instalações de produção em 8 países ao redor do mundo, a Hayat é a quarta maior fabricante de fraldas de marca do mundo e a maior fabricante de tecidos produtor no Oriente Médio, Europa Oriental e África, e um player importante no setor de bens de consumo de alta rotatividade. Com suas 16 marcas poderosas, incluindo Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare e Evony nas categorias de higiene, cuidados domésticos, tecidos e saúde pessoal, a Hayat leva o HAYAT* a milhões de lares em mais de 100 países.
Kastamonu Entegre Ağaç Sanayi (KEAS), o primeiro investimento da HAYAT HOLDING em seu movimento de industrialização, foi fundada em 1969. Continuando seu crescimento ininterrupto para se tornar uma potência global em seu setor, ocupa o quarto lugar na Europa e o quinto no mundo. A KEAS ocupa o primeiro lugar no setor com seus aproximadamente 7,000 funcionários e exporta para mais de 100 países.
*“Hayat” significa “vida” em turco.
Referências
- Tercan H, “Aprendizado de máquina e qualidade preditiva baseada em aprendizado profundo na fabricação: uma revisão sistemática”, Journal of Intelligent Manufacturing, 2022.
Sobre os autores
Neslihan Erdogan, (Licenciatura e Mestrado em Engenharia Electrotécnica), desempenhou várias funções técnicas e empresariais como especialista, arquitecto e gestor em Tecnologias de Informação. Ela tem trabalhado na HAYAT como Gerente Global de TI Industrial e liderou projetos de Indústria 4.0, Transformação Digital, OT Security e Data & AI.
Çağrı Yurtseven (BSc em Engenharia Elétrica-Eletrônica, Bogazici University) é o Enterprise Account Manager da Amazon Web Services. Ele está liderando iniciativas de IOT industrial e de sustentabilidade na Turquia, enquanto ajuda os clientes a realizar todo o seu potencial, mostrando a arte do possível na AWS.
Cenk Sezgin (PhD – Electrical Electronics Engineering) é gerente principal do AWS EMEA Prototyping Labs. Ele oferece suporte aos clientes com exploração, concepção, engenharia e desenvolvimento de soluções de ponta usando tecnologias emergentes, como IoT, Analytics, AI/ML e Serverless.
Hasan-Basri AKIRMAK (BSc e MSc em Engenharia da Computação e MBA Executivo na Graduate School of Business) é Principal Arquiteto de Soluções da Amazon Web Services. Ele é um tecnólogo de negócios que assessora clientes do segmento empresarial. Sua área de especialidade é projetar arquiteturas e casos de negócios em sistemas de processamento de dados de larga escala e soluções de Machine Learning. Hasan forneceu desenvolvimento de negócios, integração de sistemas e gerenciamento de programas para clientes na Europa, Oriente Médio e África. Desde 2016, ele orientou centenas de empreendedores em programas de incubação de startups pro-bono.
Mustafá Aldemir (BSc em Engenharia Elétrica-Eletrônica, MSc em Mecatrônica e candidato a PhD em Ciência da Computação) é o Líder de Prototipagem de Robótica na Amazon Web Services. Ele tem projetado e desenvolvido soluções de Internet das Coisas e Aprendizado de Máquina para alguns dos maiores clientes da EMEA e liderado suas equipes na implementação dessas soluções. Enquanto isso, ele ministra cursos de IA na Amazon Machine Learning University e na Oxford University.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :é
- $UP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- habilidade
- conformemente
- Conta
- precisão
- Alcançar
- aquisição de
- em
- atividades
- Adição
- endereço
- avançado
- Vantagem
- aconselhando
- África
- Depois de
- Agente
- AI
- AI / ML
- algoritmo
- algoritmos
- Todos os Produtos
- Apesar
- Amazon
- Aprendizado de máquina da Amazon
- Amazon Sage Maker
- Amazon Web Services
- quantidade
- análise
- analítica
- análise
- e
- Anualmente
- Aplicação
- aplicado
- Aplicando
- abordagem
- aproximadamente
- arquitetura
- SOMOS
- ÁREA
- áreas
- por aí
- Arte
- AS
- associado
- At
- Automático
- Automação
- disponível
- AWS
- AWS IoT Greengrass
- Bebê
- baseado
- base
- Bayesiano
- BE
- Porque
- torna-se
- tornando-se
- MELHOR
- entre
- O maior
- pino
- impulsionar
- de marca
- marcas
- Quebra
- trazer
- Traz
- BSC
- construir
- construído
- construídas em
- negócio
- desenvolvimento de negócios
- by
- CAN
- carbono
- Cuidado
- casas
- casos
- Categorias
- Causar
- causas
- certo
- desafiar
- desafiante
- características
- químico
- Escolha
- classificar
- clientes
- Na nuvem
- código
- coletar
- combinando
- comentários
- Empresas
- comparar
- comparado
- completar
- componente
- Computar
- computador
- Engenharia computacional
- Ciência da Computação
- condição
- conduzido
- Conectividade
- consumida
- consumidor
- Consumidores
- consumo
- Recipiente
- continuar
- continuamente
- Custo
- relação custo-benefício
- custos
- países
- Para
- cursos
- personalizadas
- Clientes
- dados,
- Plataforma de dados
- Preparação de dados
- informática
- conjuntos de dados
- decidir
- decisão
- Tomada de Decisão
- profundo
- deep learning
- definição
- atraso
- entregue
- entregando
- entrega
- Deloitte
- Dependência
- Dependendo
- implantar
- implantado
- Implantação
- desenvolvimento
- Design
- projetado
- concepção
- Detecção
- em desenvolvimento
- Desenvolvimento
- dispositivo
- Dispositivos/Instrumentos
- diferente
- difícil
- digital
- Transformação Digital
- digitalização
- distinto
- Não faz
- dólares
- domínio
- down
- durabilidade
- durante
- cada
- Leste
- oriental
- Europa Oriental
- borda
- efeito
- esforço
- Eletrônicos
- EMEA
- emergente
- tecnologias emergentes
- colaboradores
- end-to-end
- Ponto final
- Engenharia
- enorme
- Empreendimento
- empresários
- ambientes
- equipamento
- Erdogan
- erro
- estimativa
- Europa
- avaliar
- avaliação
- eventualmente
- exemplo
- executivo
- experiência
- especialistas
- exploração
- exportações
- extenso
- movendo rápido
- mais rápido
- Característica
- retornos
- fibras
- campo
- Encontre
- encontra
- Primeiro nome
- ANIMARIS
- Foco
- focado
- seguinte
- segue
- Pegada
- Escolha
- Fundações
- Fundado
- Quarto
- da
- cheio
- totalmente
- porta de entrada
- ter
- OFERTE
- dá
- Global
- Globalização
- bens
- gradualmente
- pós-graduação
- Growth
- Locatário
- Visitante Mensagem
- arreios
- Ter
- Saúde
- Herói
- ajudar
- ajuda
- Alta
- superior
- mais
- altamente
- segurando
- Início
- cuidados domiciliários
- Casas
- hospedeiro
- hospedagem
- custos de hospedagem
- serviços de hospedagem
- HORÁRIO
- Como funciona o dobrador de carta de canal
- HTML
- HTTPS
- humano
- Centenas
- Ajuste de hiperparâmetros
- ideal
- identificação
- identificado
- identificar
- Impacto
- implementação
- importância
- importante
- melhorar
- melhorias
- melhorar
- in
- incluir
- Incluindo
- Crescimento
- Aumenta
- incubação
- indicam
- industrial
- IoT industrial
- indústrias
- indústria
- indústria 4.0
- específico da indústria
- INFORMAÇÕES
- Infraestrutura
- iniciativas
- e inovações
- instância
- integrar
- integrado
- integração
- Inteligente
- interativo
- Internet
- internet das coisas
- investimento
- iot
- IT
- ESTÁ
- Empregos
- revista
- jpg
- conhecido
- laboratório
- laboratório
- Laboratório
- grande
- maior
- conduzir
- principal
- aprendizagem
- levou
- Permite
- níveis
- Limitado
- Line
- carregamento
- longo prazo
- máquina
- aprendizado de máquina
- moldadas
- a manter
- principal
- fazer
- Fazendo
- gerencia
- gerenciados
- de grupos
- Gerente
- gestão
- gestão
- Fabricante
- fabrica
- muitos
- materiais
- max
- máximo
- significa
- Entretanto
- a medida
- Memória
- método
- métodos
- métrico
- Coração
- Médio Oriente
- milhões
- mínimo
- ML
- modelo
- modelos
- Monitore
- monitoração
- mais
- a maioria
- mover
- múltiplo
- você merece...
- Cria
- mesmo assim
- números
- objetivo
- of
- Oferece
- on
- ONE
- contínuo
- operando
- operacional
- Operações
- operador
- operadores
- otimização
- Otimize
- organização
- Outros
- saída
- Oxford
- Universidade de Oxford
- Dor
- painel
- painéis
- Papel
- Paralelo
- parâmetros
- parte
- particular
- parceiro
- caminho
- padrões
- Pessoas
- atuação
- executa
- pessoal
- fase
- físico
- oleoduto
- Plants
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- jogador
- pontos
- pobre
- posicionado
- possível
- Publique
- potencial
- poder
- poderoso
- justamente
- predizer
- previsto
- predição
- Previsões
- apresentado
- pressão
- impedindo
- Diretor
- problemas
- processo
- processos
- em processamento
- produzir
- Produzido
- produtor
- Produto
- Qualidade do produto
- Produção
- produtividade
- Produtos
- Agenda
- Programas
- projeto
- projetos
- prototipagem
- fornecer
- fornece
- puxando
- qualidade
- Frequentes
- rapidamente
- raises
- acaso
- alcance
- fileiras
- rápido
- rapidamente
- Cru
- reais
- em tempo real
- perceber
- reconhecer
- recomendar
- Recomendação
- gravado
- gravação
- reduz
- redução
- Relacionamentos
- relativamente
- representa
- requeridos
- Requisitos
- exige
- Resistência
- Recursos
- DESCANSO
- resultar
- resultando
- Resultados
- revelando
- robótica
- papéis
- corrida
- sábio
- Ajuste automático de modelos do SageMaker
- mesmo
- satisfeito
- poupança
- Poupança
- escalável
- Escala
- dimensionamento
- Escola
- Ciência
- cientistas
- Escopo
- Pesquisar
- Segundo
- setor
- seguro
- segmento
- selecionado
- doadores,
- sensor
- Série
- Serverless
- Serviços
- de servir
- conjunto
- vários
- Partilhar
- compartilhado
- mudança
- periodo
- desde
- Desde 2016
- solteiro
- tamanhos
- inclinar
- habilidade
- lento
- So
- solução
- Soluções
- alguns
- Fontes
- Espaço
- especialista
- especialistas
- Especialidade
- começado
- começa
- inicialização
- estado-da-arte
- Passo
- Estratégia
- fluídas
- força
- subvenção
- tal
- suíte
- ajuda
- suportes
- superfície
- Sustentabilidade
- sistemas
- Tire
- toma
- tarefas
- Profissionais
- equipes
- Dados Técnicos:
- Tecnologias
- tecnólogo
- modelos
- teste
- ensaio
- testes
- que
- A
- o mundo
- deles
- Eles
- Este
- coisas
- milhares
- limiar
- Através da
- tempo
- Séries temporais
- demorado
- vezes
- para
- hoje
- toneladas
- ferramentas
- topo
- Total
- para
- pista
- tráfego
- Trem
- treinado
- Training
- Transformação
- Estratégia de Transformação
- Peru
- Turco
- tipos
- típico
- único
- universidade
- Uso
- usar
- caso de uso
- geralmente
- Valores
- vário
- versão
- via
- volume
- querido
- Desperdício
- Água
- web
- serviços web
- BEM
- enquanto
- Largo
- Ampla variedade
- precisarão
- de
- Força de trabalho
- trabalhar
- mundo
- do mundo
- no mundo todo
- escrever
- ano
- anos
- Vocês
- investimentos
- zefirnet