Este é um post convidado co-escrito com Moulham Zahabi de Matarat.
Provavelmente todo mundo já despachou sua bagagem durante o voo e esperou ansiosamente que suas malas aparecessem na esteira. A entrega bem-sucedida e pontual de suas malas depende de uma enorme infraestrutura chamada sistema de manuseio de bagagem (BHS). Essa infraestrutura é uma das principais funções do sucesso das operações aeroportuárias. O manuseio bem-sucedido de bagagem e carga para voos de partida e chegada é fundamental para garantir a satisfação do cliente e oferecer excelência operacional no aeroporto. Esta função depende fortemente da operação contínua do BHS e da eficácia das operações de manutenção. Como a linha de vida dos aeroportos, um BHS é um ativo linear que pode exceder 34,000 metros de comprimento (para um único aeroporto), movimentando mais de 70 milhões de malas anualmente, tornando-o um dos sistemas automatizados mais complexos e um componente vital das operações aeroportuárias.
O tempo de inatividade não planejado de um sistema de manuseio de bagagem, seja uma esteira transportadora, carrossel ou unidade classificadora, pode interromper as operações do aeroporto. Tal interrupção certamente criará uma experiência desagradável para o passageiro e possivelmente imporá penalidades aos prestadores de serviços aeroportuários.
O desafio predominante na manutenção de um sistema de manuseio de bagagem é como operar um sistema integrado de mais de 7,000 ativos e mais de um milhão de pontos de ajuste continuamente. Esses sistemas também lidam com milhões de sacolas em diferentes formas e tamanhos. É seguro presumir que os sistemas de manuseio de bagagem são propensos a erros. Como os elementos funcionam em um loop fechado, se um elemento quebrar, isso afetará toda a linha. As atividades tradicionais de manutenção contam com uma força de trabalho considerável distribuída em locais-chave ao longo da BHS despachados pelos operadores em caso de falha operacional. As equipes de manutenção também dependem muito das recomendações dos fornecedores para programar o tempo de inatividade para manutenção preventiva. Determinar se as atividades de manutenção preventiva são implementadas corretamente ou monitorar o desempenho desse tipo de ativo pode não ser confiável e não reduz o risco de paradas imprevistas.
O gerenciamento de peças sobressalentes é um desafio adicional, pois os prazos de entrega estão aumentando devido a interrupções na cadeia de suprimentos global, mas as decisões de reabastecimento de estoque são baseadas em tendências históricas. Além disso, essas tendências não incorporam o ambiente dinâmico volátil dos ativos operacionais da BHS à medida que envelhecem. Para enfrentar esses desafios, uma mudança sísmica precisa acontecer nas estratégias de manutenção, passando de uma mentalidade reativa para proativa. Essa mudança exige que os operadores utilizem a tecnologia mais recente para agilizar as atividades de manutenção, otimizar as operações e minimizar as despesas operacionais.
Nesta postagem, descrevemos como o AWS Partner Airis Solutions usou Amazon Lookout para Equipamentos, serviços de Internet das Coisas (IoT) da AWS e CloudRailName tecnologias de sensores para fornecer uma solução de ponta para enfrentar esses desafios.
Visão geral do sistema de manuseio de bagagem
O diagrama e a tabela a seguir ilustram as medições feitas em um carrossel típico no Aeroporto Internacional King Khalid em Riad.
Os dados são coletados nos diferentes locais ilustrados no diagrama.
Tipo de sensor | Valor do negócio | Conjuntos de dados | Localização |
Sensores de velocidade do link IO | Velocidade do Carrossel Homogêneo | PDV1 (1 por minuto) | C |
Sensor de Vibração com Integrado Sensor De Temperatura |
Parafuso solto, Eixo Desalinhado, Danos ao Rolamento, Danos no enrolamento do motor |
Fadiga (v-RMS) (m/s) Impacto (a-Pico) (m/s^2) Atrito (a-RMS) (m/s^2) Temperatura (C) CREST |
A e B |
Sensor PEC de distância | Transferência de Bagagem | Distância (cm) | D |
As imagens a seguir mostram o ambiente e os equipamentos de monitoramento para as diversas medições.
Visão geral da solução
O sistema de manutenção preditiva (PdMS) para sistemas de manuseio de bagagem é uma arquitetura de referência que auxilia os operadores de manutenção aeroportuária em sua jornada para ter dados como um facilitador na melhoria do tempo de inatividade não planejado. Ele contém blocos de construção para acelerar o desenvolvimento e a implantação de sensores e serviços conectados. O PdMS inclui serviços da AWS para gerenciar com segurança o ciclo de vida de dispositivos de computação de ponta e ativos BHS, ingestão de dados em nuvem, armazenamento, modelos de inferência de aprendizado de máquina (ML) e lógica de negócios para potencializar a manutenção proativa de equipamentos na nuvem.
Essa arquitetura foi construída a partir de lições aprendidas ao trabalhar com operações aeroportuárias ao longo de vários anos. A solução proposta foi desenvolvida com o suporte da Northbay Solutions, um AWS Premier Partner, e pode ser implantada em aeroportos de todos os tamanhos e escalas para milhares de dispositivos conectados em 90 dias.
O diagrama de arquitetura a seguir expõe os componentes subjacentes usados para criar a solução de manutenção preditiva:
Utilizamos os seguintes serviços para montar nossa arquitetura:
- CloudRail.DMC é uma solução de software como serviço (SaaS) do especialista alemão em IoT CloudRail GmbH. Essa organização gerencia frotas de edge gateways distribuídos globalmente. Com esse serviço, sensores industriais, medidores inteligentes e servidores OPC UA podem ser conectados a um data lake da AWS com apenas alguns cliques.
- Núcleo da AWS IoT permite conectar bilhões de dispositivos IoT e rotear trilhões de mensagens para serviços da AWS sem gerenciar a infraestrutura. Ele transmite com segurança mensagens de e para todos os seus dispositivos e aplicativos IoT com baixa latência e alta taxa de transferência. Usamos o AWS IoT Core para conectar aos sensores CloudRail e encaminhar suas medições para a Nuvem AWS.
- Análise de IoT da AWS é um serviço totalmente gerenciado que facilita a execução e operacionalização de análises sofisticadas em grandes volumes de dados de IoT sem a necessidade de se preocupar com o custo e a complexidade normalmente necessários para criar uma plataforma de análise de IoT. É uma maneira fácil de executar análises em dados de IoT para obter insights precisos.
- Amazon Lookout para Equipamentos analisa os dados dos sensores do equipamento para criar um modelo de ML automaticamente para o seu equipamento com base em dados específicos do ativo, sem necessidade de habilidades em ciência de dados. O Lookout for Equipment analisa os dados do sensor de entrada em tempo real e identifica com precisão os primeiros sinais de alerta que podem levar a um tempo de inatividade inesperado.
- AmazonQuickSight permite que todos na organização entendam os dados fazendo perguntas em linguagem natural, visualizando informações por meio de painéis interativos e procurando automaticamente por padrões e outliers alimentados por ML.
Conforme ilustrado no diagrama a seguir, essa arquitetura permite que os dados do sensor fluam para insights operacionais.
Os pontos de dados são coletados usando sensores IO-Link: IO-Link é uma interface padronizada para permitir a comunicação contínua do nível de controle de um ativo industrial (no nosso caso, o sistema de manuseio de bagagem) ao nível do sensor. Esse protocolo é usado para alimentar dados do sensor em um edge gateway CloudRail e carregado no AWS IoT Core. Este último fornece dados de equipamentos para modelos de ML para identificar problemas operacionais e de equipamentos que podem ser usados para determinar o tempo ideal para manutenção ou substituição de ativos sem incorrer em custos desnecessários.
A coleta de dados
Adaptar os ativos existentes e seus sistemas de controle para a nuvem continua sendo uma abordagem desafiadora para os operadores de equipamentos. Adicionar sensores secundários fornece uma maneira rápida e segura de adquirir os dados necessários sem interferir nos sistemas existentes. Portanto, é mais fácil, rápido e não invasivo em comparação com a conexão direta dos CLPs de uma máquina. Além disso, sensores adaptados podem ser selecionados para medir com precisão os pontos de dados necessários para modos de falha específicos.
Com o CloudRail, todo sensor IO-Link industrial pode ser conectado a serviços da AWS como AWS IoT Core, AWS IoT Site Wiseou AWS IoT Greengrass dentro de alguns segundos através de um portal de gerenciamento de dispositivo baseado em nuvem (CloudRail.DMC). Isso permite que os especialistas em IoT trabalhem a partir de locais centralizados e sistemas físicos integrados distribuídos globalmente. A solução resolve os desafios de conectividade de dados para sistemas de manutenção preditiva por meio de um mecanismo plug-and-play fácil.
O gateway atua como a Zona Desmilitarizada Industrial (IDMZ) entre o equipamento (OT) e o serviço de nuvem (IT). Por meio de um aplicativo de gerenciamento de frota integrado, o CloudRail garante que os patches de segurança mais recentes sejam implantados automaticamente em milhares de instalações.
A imagem a seguir mostra um sensor IO-Link e o edge gateway CloudRail (em laranja):
Como treinar um modelo de detecção de anomalias
As organizações da maioria dos segmentos industriais veem as estratégias de manutenção modernas se afastando das abordagens reativas e indo até a falha e progredindo em direção a métodos mais preditivos. No entanto, mudar para uma abordagem de manutenção preditiva ou baseada em condição requer dados coletados de sensores instalados em todas as instalações. O uso de dados históricos capturados por esses sensores em conjunto com análises ajuda a identificar precursores de falhas de equipamentos, o que permite que o pessoal de manutenção aja de acordo antes da falha.
Os sistemas de manutenção preditiva contam com a capacidade de identificar quando podem ocorrer falhas. Os OEMs de equipamentos geralmente fornecem planilhas de dados para seus equipamentos e recomendam o monitoramento de determinadas métricas operacionais com base em condições quase perfeitas. No entanto, essas condições raramente são realistas devido ao desgaste natural do ativo, às condições ambientais em que ele opera, ao histórico de manutenção anterior ou apenas à maneira como você precisa operá-lo para atingir os resultados do seu negócio. Por exemplo, dois motores idênticos (marca, modelo, data de produção) foram instalados no mesmo carrossel para esta prova de conceito. Esses motores operavam em diferentes faixas de temperatura devido a diferentes exposições climáticas (uma parte da esteira dentro e outra fora do terminal aeroportuário).
O motor 1 operou em uma temperatura variando de 32–35°C. A velocidade de vibração RMS pode mudar devido à fadiga do motor (por exemplo, erros de alinhamento ou problemas de desbalanceamento). Conforme mostrado na figura a seguir, este motor apresenta níveis de fadiga variando entre 2–6, com alguns picos em 9.
O motor 2 operou em um ambiente mais frio, onde a temperatura variou entre 20–25°C. Nesse contexto, o motor 2 apresenta níveis de fadiga entre 4–8, com alguns picos em 10:
A maioria das abordagens de ML espera conhecimento e informações de domínio muito específicas (geralmente difíceis de obter) que devem ser extraídas da maneira como você opera e mantém cada ativo (por exemplo, padrões de degradação de falha). Esse trabalho precisa ser executado toda vez que você quiser monitorar um novo ativo ou se as condições do ativo mudarem significativamente (como quando você substitui uma peça). Isso significa que um ótimo modelo entregue na fase de prototipagem provavelmente terá um impacto no desempenho quando implementado em outros ativos, reduzindo drasticamente a precisão do sistema e, no final, perdendo a confiança dos usuários finais. Isso também pode causar muitos falsos positivos, e você precisaria das habilidades necessárias para encontrar seus sinais válidos em meio a todo o ruído.
O Lookout for Equipment analisa apenas seus dados de série temporal para aprender as relações normais entre seus sinais. Então, quando esses relacionamentos começarem a se desviar das condições normais de operação (capturadas no estado de treinamento), o serviço sinalizará a anomalia. Descobrimos que o uso estrito de dados históricos para cada ativo permite que você se concentre em tecnologias que podem aprender as condições operacionais que serão exclusivas de um determinado ativo no próprio ambiente em que está operando. Isso permite que você forneça previsões que suportam a análise de causa raiz e práticas de manutenção preditiva em um nível granular, por ativo e nível macro (montando o painel apropriado para permitir que você obtenha uma visão geral de vários ativos de uma só vez). Esta é a abordagem que adotamos e a razão pela qual decidimos usar o Lookout for Equipment.
Estratégia de treinamento: enfrentando o desafio da partida a frio
O BHS que visamos não foi instrumentado no início. Instalamos sensores CloudRail para começar a coletar novas medições de nosso sistema, mas isso significava que tínhamos apenas uma profundidade histórica limitada para treinar nosso modelo de ML. Abordamos o desafio da partida a frio neste caso, reconhecendo que estamos construindo um sistema de melhoria contínua. Depois que os sensores foram instalados, coletamos uma hora de dados e duplicamos essas informações para começar a usar o Lookout for Equipment o mais rápido possível e testar nosso pipeline geral.
Como esperado, os primeiros resultados foram bastante instáveis porque o modelo ML foi exposto a um período muito pequeno de operações. Isso significava que qualquer novo comportamento não visto durante a primeira hora seria sinalizado. Ao olhar para os sensores de alto escalão, a temperatura em um dos motores parecia ser o principal suspeito (T2_MUC_ES_MTRL_TMP
em laranja na figura a seguir). Como a captura inicial de dados foi muito estreita (1 hora), ao longo do dia, a principal mudança veio dos valores de temperatura (o que é consistente com as condições ambientais naquele momento).
Ao comparar isso com as condições ambientais em torno dessa correia transportadora específica, confirmamos que a temperatura externa aumentou muito, o que, por sua vez, aumentou a temperatura medida por esse sensor. Nesse caso, depois que os novos dados (considerando o aumento da temperatura externa) forem incorporados ao conjunto de dados de treinamento, eles farão parte do comportamento normal conforme capturado pelo Lookout for Equipment e um comportamento semelhante no futuro terá menos probabilidade de gerar qualquer eventos.
Após 5 dias, o modelo foi treinado novamente e as taxas de falsos positivos imediatamente caíram drasticamente:
Embora esse problema de inicialização a frio tenha sido um desafio inicial para obter insights acionáveis, usamos essa oportunidade para criar um mecanismo de retreinamento que o usuário final possa acionar facilmente. Após um mês de experimentação, treinamos um novo modelo duplicando os dados do sensor de um mês em 3 meses. Isso continuou a reduzir as taxas de falsos positivos, pois o modelo foi exposto a um conjunto mais amplo de condições. Uma queda semelhante na taxa de falsos positivos aconteceu após esse retreinamento: a condição modelada pelo sistema estava mais próxima do que os usuários estão experimentando na vida real. Após 3 meses, finalmente tínhamos um conjunto de dados que poderíamos usar sem usar esse truque de duplicação.
A partir de agora, lançaremos um retreinamento a cada 3 meses e, assim que possível, utilizaremos até 1 ano de dados para contabilizar a sazonalidade das condições ambientais. Ao implantar esse sistema em outros ativos, poderemos reutilizar esse processo automatizado e usar o treinamento inicial para validar nosso pipeline de dados do sensor.
Depois que o modelo foi treinado, implantamos o modelo e começamos a enviar dados ao vivo para o Lookout for Equipment. O Lookout for Equipment permite configurar um agendador que é ativado regularmente (por exemplo, a cada hora) para enviar dados atualizados ao modelo treinado e coletar os resultados.
Agora que sabemos como treinar, melhorar e implantar um modelo, vamos ver os painéis operacionais implementados para os usuários finais.
Visualização de dados e insights
Os usuários finais precisam de uma maneira de extrair mais valor de seus dados operacionais para melhorar a utilização de seus ativos. Com o QuickSight, conectamos o painel aos dados brutos de medição fornecidos por nosso sistema IoT, permitindo que os usuários comparem e contrastem os principais equipamentos em um determinado BHS.
No painel a seguir, os usuários podem verificar os principais sensores usados para monitorar a condição do BHS e obter alterações nas métricas período a período.
No gráfico anterior, os usuários podem visualizar qualquer desequilíbrio inesperado da medição para cada motor (gráficos esquerdo e direito para temperatura, fadiga, vibração, atrito e impacto). Na parte inferior, os principais indicadores de desempenho são resumidos, com previsões e tendências de período a período destacadas.
Os usuários finais podem acessar informações para os seguintes fins:
- Visualize dados históricos em intervalos de 2 horas até 24 horas.
- Extraia dados brutos via formato CSV para integração externa.
- Visualize o desempenho do ativo durante um período de tempo definido.
- Produza insights para planejamento operacional e melhore a utilização de ativos.
- Execute a análise de correlação. No gráfico a seguir, o usuário pode visualizar várias medições (como fadiga do motor versus temperatura ou produção de bagagem versus velocidade do carrossel) e usar esse painel para informar melhor a próxima melhor ação de manutenção.
Eliminando o ruído dos dados
Depois de algumas semanas, notamos que o Lookout for Equipment estava emitindo alguns eventos considerados falsos positivos.
Ao analisar esses eventos, descobrimos quedas irregulares na velocidade do motor do carrossel.
Reunimo-nos com a equipe de manutenção e eles nos informaram que essas paradas eram paradas de emergência ou atividades planejadas de manutenção de tempo de inatividade. Com essas informações, rotulamos as paradas de emergência como anomalias e as alimentamos ao Vigia de Equipamentos, enquanto as paradas planejadas foram consideradas comportamento normal para esse carrossel.
Compreender tais cenários em que dados anormais podem ser influenciados por ações externas controladas é fundamental para melhorar a precisão do modelo de detecção de anomalias ao longo do tempo.
Teste de fumaça
Depois de algumas horas retreinando o modelo e obtendo relativamente nenhuma anomalia, nossa equipe estressou fisicamente os ativos, que foram imediatamente detectados pelo sistema. Essa é uma solicitação comum dos usuários, pois eles precisam se familiarizar com o sistema e como ele reage.
Construímos nosso painel para permitir que os usuários finais visualizem anomalias históricas com um período ilimitado. O uso de um serviço de inteligência de negócios permite que eles organizem seus dados à vontade, e descobrimos que os gráficos de barras em um período de 24 horas ou gráficos de pizza são a melhor maneira de obter uma boa visão da condição do BHS. Além dos painéis que os usuários podem visualizar sempre que precisam, configuramos alertas automatizados enviados para um endereço de e-mail designado e via mensagem de texto.
Extraindo insights mais profundos de modelos de detecção de anomalias
No futuro, pretendemos extrair insights mais profundos dos modelos de detecção de anomalias treinados com o Lookout for Equipment. Continuaremos a usar o QuickSight para criar um conjunto expandido de widgets. Por exemplo, descobrimos que os widgets de visualização de dados expostos no Amostras do GitHub para Lookout for Equipment nos permitem extrair ainda mais insights das saídas brutas de nossos modelos.
Resultados
A manutenção reativa em sistemas de manuseio de bagagem se traduz no seguinte:
- Menor satisfação do passageiro devido a longos tempos de espera ou bagagem danificada
- Menor disponibilidade de ativos devido a falhas não planejadas e falta de estoque de peças de reposição críticas
- Maiores despesas operacionais devido ao aumento dos níveis de estoque, além de maiores custos de manutenção
Desenvolver sua estratégia de manutenção para incorporar análises preditivas confiáveis no ciclo de tomada de decisões visa melhorar a operação de ativos e ajudar a evitar paradas forçadas.
O equipamento de monitoramento foi instalado localmente em 1 dia e configurado de forma totalmente remota por especialistas em IoT. A arquitetura de nuvem descrita na visão geral da solução foi implantada com sucesso em 90 dias. Um tempo de implementação rápido comprova os benefícios propostos ao usuário final, levando rapidamente a uma mudança na estratégia de manutenção de reativa baseada em humanos (consertando falhas) para proativa baseada em máquina e orientada por dados (evitando paradas).
Conclusão
A cooperação entre Airis, CloudRail, Northbay Solutions e AWS levou a uma nova conquista no Aeroporto Internacional King Khalid (consulte o comunicado de imprensa para mais detalhes). Como parte de sua estratégia de transformação digital, o Aeroporto de Riyadh planeja novas implantações para cobrir outros sistemas eletromecânicos, como pontes de embarque de passageiros e sistemas HVAC.
Se você tiver comentários sobre esta postagem, envie-os na seção de comentários. Se você tiver dúvidas sobre esta solução ou sua implementação, inicie um novo tópico em re: Postar, onde os especialistas da AWS e a comunidade em geral podem oferecer suporte a você.
Sobre os autores
Moulham Zahabi é um especialista em aviação com mais de 11 anos de experiência em design e gerenciamento de projetos de aviação e gerenciamento de ativos aeroportuários críticos na região do GCC. Ele também é um dos cofundadores da Airis-Solutions.ai, que visa liderar a transformação digital do setor de aviação por meio de soluções inovadoras de AI/ML para aeroportos e centros logísticos. Hoje, Moulham dirige a Diretoria de Gestão de Ativos da Saudi Civil Aviation Holding Company (Matarat).
Fauzan Khan é um Arquiteto de Soluções Sênior que trabalha com clientes do setor público, fornecendo orientação para projetar, implantar e gerenciar suas cargas de trabalho e arquiteturas da AWS. Fauzan é apaixonado por ajudar os clientes a adotar tecnologias de nuvem inovadoras na área de HPC e AI/ML para enfrentar os desafios de negócios. Fora do trabalho, Fauzan gosta de passar o tempo na natureza.
Michael Hoarau é um AI/ML Specialist Solutions Architect na AWS que alterna entre cientista de dados e arquiteto de machine learning, dependendo do momento. Ele é apaixonado por trazer o poder AI/ML para os chãos de fábrica de seus clientes industriais e trabalhou em uma ampla gama de casos de uso de ML, desde a detecção de anomalias até a qualidade preditiva do produto ou a otimização da fabricação. Ele publicou um livro sobre análise de séries temporais em 2022 e escreve regularmente sobre este tópico em LinkedIn e Médio. Quando não está ajudando os clientes a desenvolver as próximas melhores experiências de aprendizado de máquina, ele gosta de observar as estrelas, viajar ou tocar piano.
- 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/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :é
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Capaz
- Sobre
- acelerar
- Acesso
- conformemente
- Conta
- Contabilidade
- precisão
- preciso
- exatamente
- Alcançar
- realização
- alcançar
- adquirir
- em
- Aja
- Açao Social
- ações
- atividades
- atos
- Adição
- Adicional
- Adicionalmente
- endereço
- endereçando
- adotar
- Depois de
- AI
- AI / ML
- SIDA
- visa
- aeroporto
- Aeroportos
- Alertas
- alinhamento
- Todos os Produtos
- Permitindo
- permite
- Amazon
- Amazon Lookout para Equipamentos
- análise
- analítica
- análises
- análise
- e
- Anualmente
- detecção de anomalia
- aparecer
- Aplicação
- aplicações
- abordagem
- se aproxima
- apropriado
- arquitetura
- SOMOS
- ÁREA
- por aí
- chegando
- AS
- ativo
- gestão de activos
- Ativos
- At
- Automatizado
- automaticamente
- disponibilidade
- aviação
- AWS
- sacos
- Barra
- baseado
- BE
- Porque
- antes
- Benefícios
- MELHOR
- Melhor
- entre
- bilhões
- Blocos
- embarque
- livro
- Inferior
- Bound
- Breakdown
- quebra
- pontes
- Trazendo
- mais amplo
- construir
- Prédio
- construído
- negócio
- inteligência de negócios
- by
- chamado
- CAN
- capturar
- carrossel
- casas
- casos
- Causar
- Centros
- centralizada
- certo
- cadeia
- desafiar
- desafios
- desafiante
- alterar
- Alterações
- charts
- verificar
- fechado
- mais próximo
- Na nuvem
- co-fundadores
- coletar
- Coleta
- vinda
- comentários
- comum
- Comunicação
- comunidade
- Empresa
- comparar
- comparado
- completamente
- integrações
- complexidade
- componente
- componentes
- Computar
- conceito
- condição
- condições
- confiança
- CONFIRMADO
- Contato
- conectado
- da conexão
- Conectividade
- considerado
- consistente
- contém
- contexto
- continuar
- continuou
- contínuo
- continuamente
- contraste
- ao controle
- controlado
- controles
- cooperação
- núcleo
- Correlação
- Custo
- custos
- poderia
- Contador
- Para
- cobrir
- crio
- crítico
- cliente
- A satisfação do cliente
- Clientes
- ciclo
- painel de instrumentos
- dados,
- lago data
- Os pontos de dados
- ciência de dados
- cientista de dados
- Visualização de dados
- orientado por dados
- Data
- dia
- dias
- decidido
- Tomada de Decisão
- decisões
- mais profunda
- entregar
- entregue
- Entrega
- dependente
- Dependendo
- depende
- implantar
- implantado
- Implantação
- desenvolvimento
- Implantações
- profundidade
- descreve
- descrito
- Design
- designado
- concepção
- detalhes
- detectou
- Detecção
- Determinar
- determinando
- desenvolver
- desenvolvido
- Desenvolvimento
- dispositivo
- Dispositivos/Instrumentos
- diferente
- difícil
- digital
- Transformação Digital
- diretamente
- descoberto
- perturbe
- Rompimento
- interrupções
- distância
- distribuído
- Não faz
- domínio
- não
- down
- tempo de inatividade
- drasticamente
- Cair
- Drops
- durante
- dinâmico
- cada
- Cedo
- mais fácil
- facilmente
- borda
- eficácia
- ou
- elemento
- elementos
- kit
- permitir
- permite
- garantir
- garante
- Todo
- Meio Ambiente
- ambiental
- equipamento
- erro
- erros
- Mesmo
- Evento
- eventos
- Cada
- todos
- exemplo
- exemplos
- excedem
- Excelência
- existente
- expandido
- esperar
- esperado
- despesas
- vasta experiência
- Experiências
- experimentando
- especialista
- especialistas
- exposto
- Exposição
- externo
- extrato
- Falha
- familiarizar
- RÁPIDO
- mais rápido
- fadiga
- Alimentado
- poucos
- Figura
- Finalmente
- Encontre
- Primeiro nome
- marcado
- ANIMARIS
- Voos
- fluxo
- Vôo
- Foco
- seguinte
- Escolha
- Previsão
- formato
- para a frente
- encontrado
- recentes
- atrito
- da
- totalmente
- função
- funções
- mais distante
- futuro
- Ganho
- porta de entrada
- GCC
- região GCC
- Alemão
- ter
- dado
- Global
- Globalmente
- GmBH
- Bom estado, com sinais de uso
- ótimo
- Locatário
- Visitante Mensagem
- orientações
- manipular
- Manipulação
- acontecer
- aconteceu
- Ter
- ter
- Título
- fortemente
- ajudar
- ajuda
- ajuda
- Alta
- superior
- histórico
- história
- Acertar
- segurando
- HORÁRIO
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- hpc
- HTTPS
- idêntico
- identifica
- identificar
- imagem
- imagens
- desequilíbrio
- imediatamente
- Impacto
- implementação
- implementado
- impor
- melhorar
- melhorar
- in
- inclui
- Entrada
- incorporar
- Incorporado
- Crescimento
- aumentou
- aumentando
- indicadores
- industrial
- da indústria
- influenciado
- informar
- INFORMAÇÕES
- informado
- Infraestrutura
- do estado inicial,
- inovadores
- insights
- instalado
- instância
- integrado
- integração
- Inteligência
- pretender
- interativo
- Interface
- interferente
- Internacionais
- Internet
- internet das coisas
- inventário
- iot
- dispositivos muito
- questões
- IT
- ESTÁ
- viagem
- jpg
- Chave
- Rei
- Saber
- Conhecimento
- lago
- língua
- Latência
- mais recente
- lançamento
- conduzir
- principal
- APRENDER
- aprendido
- aprendizagem
- levou
- Comprimento
- lições
- Lições Aprendidas
- Permite
- Nível
- níveis
- vida
- wifecycwe
- como
- Provável
- Limitado
- Line
- LINK
- viver
- dados ao vivo
- localmente
- locais
- olhar
- procurando
- perder
- Baixo
- máquina
- aprendizado de máquina
- Macro
- a Principal
- a manter
- Manter
- manutenção
- fazer
- FAZ
- Fazendo
- gerencia
- gerenciados
- de grupos
- gestão
- gestão
- fabrica
- muitos
- maciço
- correspondente
- Posso..
- significa
- a medida
- medições
- medição
- mecanismo
- média
- mensagem
- mensagens
- métodos
- Métrica
- milhão
- milhões
- Mindset
- ML
- modelo
- modelos
- EQUIPAMENTOS
- modos
- momento
- Monitore
- monitoração
- Mês
- mês
- mais
- a maioria
- Motor
- Motores
- em movimento
- múltiplo
- natural
- Natureza
- necessário
- você merece...
- Cria
- Novo
- Próximo
- Ruído
- normal
- obter
- of
- on
- A bordo
- ONE
- operar
- operado
- opera
- operando
- operação
- operacional
- Operações
- operadores
- Oportunidade
- ideal
- otimização
- Otimize
- Laranja
- organização
- Outros
- lado de fora
- global
- Visão geral
- parte
- parceiro
- peças
- apaixonado
- passado
- Patches
- padrões
- atuação
- significativo
- Pessoal
- fase
- físico
- Fisicamente
- peças
- oleoduto
- planejado
- planejamento
- planos
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- jogar
- por favor
- pontos
- Portal
- positivo
- possível
- Publique
- poder
- alimentado
- práticas
- justamente
- Previsões
- Análise Preditiva
- premier
- imprensa
- prevalecente
- impedindo
- Proactive
- sonda
- Problema
- problemas
- processo
- Produto
- Qualidade do produto
- Produção
- progredindo
- projetos
- prova
- prova de conceito
- devidamente
- proposto
- protocolo
- prototipagem
- Prova
- fornecer
- fornecido
- fornecedores
- fornece
- fornecendo
- público
- publicado
- fins
- qualidade
- Frequentes
- rapidamente
- aumentar
- alcance
- variando
- Taxa
- Preços
- Cru
- Reage
- reais
- vida real
- em tempo real
- realista
- razão
- recomendar
- recomendações
- reduzir
- redução
- região
- regularmente
- Relacionamentos
- relativamente
- confiável
- permanece
- substituir
- solicitar
- requeridos
- exige
- Resultados
- reutilizar
- ascensão
- Risco
- Enrolado
- raiz
- Rota
- Execute
- SaaS
- seguro
- mesmo
- satisfação
- Arábia
- Escalas
- cenários
- cronograma
- Ciência
- Cientista
- desatado
- secundário
- segundo
- Seção
- setor
- seguro
- firmemente
- segurança
- parecia
- segmentos
- selecionado
- envio
- senior
- sensor
- Série
- Servidores
- serviço
- provedores de serviço
- Serviços
- conjunto
- vários
- formas
- mudança
- Loja
- escassez
- mostrar
- mostrando
- Shows
- paralisações
- Vista
- sinais
- de forma considerável
- semelhante
- solteiro
- considerável
- tamanhos
- Habilidades
- pequeno
- smart
- Fumaça
- Software
- software como serviço
- solução
- Soluções
- Resolve
- alguns
- sofisticado
- especialista
- específico
- velocidade
- Passar
- Estrelas
- começo
- começado
- Estado
- estado-da-arte
- Pára
- armazenamento
- estratégias
- Estratégia
- simplificar
- enviar
- bem sucedido
- entraram com sucesso
- tal
- supply
- cadeia de suprimentos
- ajuda
- Apoiar
- .
- sistemas
- mesa
- visadas
- Profissionais
- equipes
- Tecnologias
- Tecnologia
- terminal
- teste
- ensaio
- que
- A
- A área
- O Futuro
- deles
- Eles
- si mesmos
- assim sendo
- térmico
- Este
- coisas
- pensamento
- milhares
- Através da
- todo
- Taxa de transferência
- tempo
- Séries temporais
- vezes
- cronometragem
- para
- hoje
- tópico
- para
- tradicional
- Trem
- treinado
- Training
- Transformação
- Estratégia de Transformação
- Viagens
- Tendências
- desencadear
- trilhões
- VIRAR
- típico
- tipicamente
- subjacente
- compreender
- Inesperado
- único
- unidade
- ilimitado
- us
- usar
- Utilizador
- usuários
- geralmente
- utilizar
- VALIDAR
- valor
- Valores
- vário
- Velocidade
- via
- Ver
- visualização
- vital
- volátil
- volumes
- vs
- esperar
- aviso
- Caminho..
- Clima
- semanas
- O Quê
- se
- qual
- enquanto
- QUEM
- Largo
- Ampla variedade
- precisarão
- de
- dentro
- sem
- Atividades:
- trabalhou
- Força de trabalho
- trabalhar
- Equivalente há
- seria
- ano
- anos
- Vocês
- investimentos
- zefirnet