În lumea luării deciziilor bazate pe date, prognoza serii temporale este esențială pentru a permite companiilor să utilizeze modele de date istorice pentru a anticipa rezultatele viitoare. Indiferent dacă lucrați în gestionarea riscului de active, tranzacționare, prognoză meteo, prognoza cererii de energie, monitorizarea semnelor vitale sau analiza traficului, abilitatea de a prognoza cu precizie este crucială pentru succes.
În aceste aplicații, datele serii temporale pot avea coadă grea distribuții, unde frac reprezintă valori extreme. Prognoza precisă în aceste regiuni este importantă pentru a determina cât de probabil este un eveniment extrem și dacă să se tragă o alarmă. Cu toate acestea, aceste valori aberante influențează semnificativ estimarea distribuției de bază, ceea ce face ca prognoza robustă să fie dificilă. Instituțiile financiare se bazează pe modele robuste pentru a prezice valori anormale, cum ar fi prăbușirile pieței. În sectoarele de energie, vreme și asistență medicală, prognozele precise ale evenimentelor rare, dar cu impact ridicat, cum ar fi dezastrele naturale și pandemiile, permit o planificare eficientă și alocarea resurselor. Neglijarea comportamentului cozii poate duce la pierderi, oportunități ratate și siguranță compromisă. Prioritizarea preciziei la cozi ajută la realizarea de previziuni fiabile și acționabile. În această postare, antrenăm un model robust de prognoză în serie de timp capabil să surprindă astfel de evenimente extreme folosind Amazon SageMaker.
Pentru a antrena eficient acest model, stabilim o infrastructură MLOps pentru a eficientiza procesul de dezvoltare a modelului prin automatizarea preprocesării datelor, ingineriei caracteristicilor, reglajul hiperparametrilor și selecția modelului. Această automatizare reduce eroarea umană, îmbunătățește reproductibilitatea și accelerează ciclul de dezvoltare a modelului. Cu un canal de instruire, companiile pot încorpora în mod eficient noi date și își pot adapta modelele la condițiile în evoluție, ceea ce ajută la asigurarea faptului că previziunile rămân fiabile și actualizate.
După ce modelul de prognoză în serie de timp este antrenat, implementarea acestuia într-un punct final oferă capabilități de predicție în timp real. Acest lucru vă permite să luați decizii bine informate și receptive, pe baza celor mai recente date. În plus, implementarea modelului într-un punct final permite scalabilitatea, deoarece mai mulți utilizatori și aplicații pot accesa și utiliza modelul simultan. Urmând acești pași, companiile pot valorifica puterea unei previziuni solide în serie de timp pentru a lua decizii informate și a rămâne în frunte într-un mediu în schimbare rapidă.
Prezentare generală a soluției
Această soluție prezintă formarea unui model de prognoză în serie de timp, conceput special pentru a gestiona valorile aberante și variabilitatea datelor folosind un Temporal Convolutional Network (TCN) cu o distribuție Spliced Binned Pareto (SBP).. Pentru mai multe informații despre o versiune multimodală a acestei soluții, consultați Știința din spatele noii valori de trecere a NFL Next Gen Stats. Pentru a ilustra în continuare eficacitatea distribuției SBP, o comparăm cu același model TCN, dar utilizând o distribuție Gaussiană.
Acest proces beneficiază în mod semnificativ de Caracteristici MLOps de SageMaker, care eficientizează fluxul de lucru al științei datelor prin valorificarea puternicei infrastructuri cloud a AWS. În soluția noastră, folosim Reglarea automată a modelelor Amazon SageMaker pentru căutarea hiperparametrului, Experimente Amazon SageMaker pentru gestionarea experimentelor, Registrul de modele Amazon SageMaker pentru a gestiona versiunile modelului și Pipelines Amazon SageMaker pentru a orchestra procesul. Apoi implementăm modelul nostru la un punct final SageMaker pentru a obține predicții în timp real.
Următoarea diagramă ilustrează arhitectura conductei de antrenament.
Următoarea diagramă ilustrează conducta de inferență.
Puteți găsi codul complet în GitHub repo. Pentru a implementa soluția, rulați celulele SBP_main.ipynb
.
Faceți clic aici pentru a deschide consola AWS și urmați-l.
Conducta SageMaker
SageMaker Pipelines oferă un utilizator ușor de utilizat Python SDK pentru a crea fluxuri de lucru integrate de învățare automată (ML). Aceste fluxuri de lucru, reprezentate ca grafice aciclice direcționate (DAG), constau în pași cu diferite tipuri și dependențe. Cu SageMaker Pipelines, puteți eficientiza procesul end-to-end de instruire și evaluare a modelelor, sporind eficiența și reproductibilitatea fluxurilor dvs. de lucru ML.
Canalul de instruire începe cu generarea unui set de date sintetice care este împărțit în seturi de instruire, validare și testare. Setul de antrenament este folosit pentru a antrena două modele TCN, unul utilizând Distribuție Binned-Pareto îmbinată iar celălalt utilizând distribuția gaussiană. Ambele modele trec printr-o reglare hiperparametrică folosind setul de validare pentru a optimiza fiecare model. Ulterior, se efectuează o evaluare față de setul de testare pentru a determina modelul cu cea mai mică eroare pătratică medie (RMSE). Modelul cu cea mai bună măsurătoare de precizie este încărcat în registrul de modele.
Următoarea diagramă ilustrează pașii conductei.
Să discutăm pașii mai detaliat.
Generarea datelor
Primul pas în conducta noastră generează un set de date sintetice, care este caracterizat printr-o formă de undă sinusoidală și zgomot asimetric cu coadă grea. Datele au fost create folosind o serie de parametri, cum ar fi grade de libertate, un multiplicator de zgomot și un parametru de scară. Aceste elemente influențează forma distribuției datelor, modulează variabilitatea aleatorie a datelor noastre și, respectiv, ajustează răspândirea distribuției datelor.
Această sarcină de prelucrare a datelor se realizează folosind a PyTorchProcessor, care rulează codul PyTorch (generate_data.py) într-un container gestionat de SageMaker. Datele și alte artefacte relevante pentru depanare sunt localizate implicit Serviciul Amazon de stocare simplă găleată (Amazon S3) asociată contului SageMaker. Jurnalele pentru fiecare pas din conductă pot fi găsite în Amazon CloudWatch.
Următoarea figură este un eșantion de date generate de conductă.
Puteți înlocui intrarea cu o mare varietate de date din seria temporală, cum ar fi distribuția simetrică, asimetrică, cu coadă ușoară, cu coadă grea sau multimodală. Robustețea modelului îi permite să fie aplicabil la o gamă largă de probleme cu serii de timp, cu condiția să fie disponibile suficiente observații.
Antrenamentul modelului
După generarea datelor, antrenăm două TCN-uri: unul folosind distribuția SBP și altul folosind distribuția Gaussiană. Distribuția SBP folosește o distribuție discretă în compartimente ca bază predictivă, unde axa reală este împărțită în compartimente discrete, iar modelul prezice probabilitatea ca o observație să se încadreze în fiecare bin. Această metodologie permite capturarea asimetriilor și a mai multor moduri, deoarece probabilitatea fiecărui bin este independentă. Un exemplu de distribuție binată este prezentat în figura următoare.
Distribuția predictivă binată din stânga este robustă la evenimente extreme, deoarece log-probabilitatea nu depinde de distanța dintre media prezisă și punctul observat, diferă de distribuțiile parametrice precum Gaussian sau t al lui Student. Prin urmare, evenimentul extrem reprezentat de punctul roșu nu va influența media învățată a distribuției. Cu toate acestea, evenimentul extrem va avea probabilitate zero. Pentru a surprinde evenimentele extreme, formăm o distribuție SBP prin definirea cozii inferioare la a 5-a cuantilă și a cozii superioare la a 95-a cuantilă, înlocuind ambele cozi cu distribuții Pareto generalizate ponderate (GPD), care pot cuantifica probabilitatea evenimentului. TCN va scoate parametrii pentru baza de distribuție binată și cozile GPD.
Căutare prin hiperparametri
Pentru rezultate optime, folosim reglare automată a modelului pentru a găsi cea mai bună versiune a unui model prin intermediul reglarea hiperparametrului. Acest pas este integrat în SageMaker Pipelines și permite rularea în paralel a mai multor joburi de instruire, utilizând diverse metode și intervale de hiperparametri predefinite. Rezultatul este selectarea celui mai bun model pe baza valorii specificate a modelului, care este RMSE. În cursul nostru, ajustăm în mod special rata de învățare și numărul de epoci de antrenament pentru a optimiza performanța modelului nostru. Cu capacitatea de reglare a hiperparametrilor din SageMaker, creștem probabilitatea ca modelul nostru să obțină acuratețe și generalizare optime pentru sarcina dată.
Datorită naturii sintetice a datelor noastre, păstrăm lungimea contextului și timpul de livrare ca parametri statici. Lungimea contextului se referă la numărul de pași de timp istorici introduși în model, iar Timpul de livrare reprezintă numărul de pași de timp din orizontul nostru de prognoză. Pentru exemplul de cod, reglam doar rata de învățare și numărul de epoci pentru a economisi timp și costuri.
Parametrii specifici SBP sunt menținuți constant pe baza unor teste extinse de către autori pe lucrarea originală în diferite seturi de date:
- Număr de coșuri (100) – Acest parametru determină numărul de containere utilizate pentru modelarea bazei distribuției. Este menținut la 100, ceea ce s-a dovedit a fi cel mai eficient în mai multe industrii.
- Coadă percentilă (0.05) – Aceasta denotă dimensiunea distribuțiilor Pareto generalizate la coadă. Ca și parametrul anterior, acesta a fost testat exhaustiv și s-a dovedit a fi cel mai eficient.
Experimente
Procesul de hiperparametru este integrat cu Experimentele SageMaker, care ajută la organizarea, analizarea și compararea experimentelor ML iterative, oferind informații și facilitând urmărirea modelelor cu cele mai bune performanțe. Învățarea automată este un proces iterativ care implică numeroase experimente care cuprind variații de date, alegeri de algoritm și reglare a hiperparametrilor. Aceste experimente servesc la rafinarea progresivă a preciziei modelului. Cu toate acestea, numărul mare de curse de antrenament și iterații de model poate face dificilă identificarea celor mai performante modele și realizarea de comparații semnificative între experimentele actuale și trecute. SageMaker Experiments abordează acest lucru prin urmărirea automată a lucrărilor noastre de reglare a hiperparametrilor și permițându-ne să obținem mai multe detalii și informații despre procesul de reglare, așa cum se arată în următoarea captură de ecran.
Evaluarea modelului
Modelele sunt supuse antrenamentului și reglajului hiperparametrului și sunt ulterior evaluate prin intermediul evalua.py scenariu. Acest pas utilizează setul de testare, diferit de etapa de reglare a hiperparametrului, pentru a măsura acuratețea modelului în lumea reală. RMSE este utilizat pentru a evalua acuratețea predicțiilor.
Pentru compararea distribuției, folosim un grafic probabilitate-probabilitate (PP), care evaluează potrivirea dintre distribuțiile reale și cele prezise. Apropierea punctelor de diagonală indică o potrivire perfectă. Comparațiile noastre între distribuțiile prezise SBP și Gaussian față de distribuția reală arată că predicțiile SBP se aliniază mai strâns cu datele reale.
După cum putem observa, SBP are RMSE mai mic pe bază, coada inferioară și coada superioară. Distribuția SBP a îmbunătățit acuratețea distribuției gaussiene cu 61% pe bază, 56% pe coada inferioară și cu 30% pe coada superioară. În general, distribuția SBP are rezultate semnificativ mai bune.
Selectarea modelului
Folosim un pas de condiție în SageMaker Pipelines pentru a analiza rapoartele de evaluare a modelului, optând pentru modelul cu cel mai mic RMSE pentru o acuratețe îmbunătățită a distribuției. Modelul selectat este convertit într-un obiect model SageMaker, pregătindu-l pentru implementare. Aceasta implică crearea unui pachet model cu parametri cruciali și ambalarea acestuia într-un ModelStep.
Registrul modelului
Modelul selectat este apoi încărcat în Registrul de modele SageMaker, care joacă un rol critic în gestionarea modelelor pregătite pentru producție. Stochează modele, organizează versiuni de model, captează metadate și artefacte esențiale, cum ar fi imaginile containerului și guvernează starea de aprobare a fiecărui model. Folosind registrul, putem implementa eficient modele în medii accesibile SageMaker și putem stabili o bază pentru integrarea continuă și pipeline de implementare continuă (CI/CD).
deducție
După finalizarea canalului nostru de instruire, modelul nostru este apoi implementat folosind Servicii de gazduire SageMaker, care permite crearea unui punct final de inferență pentru predicții în timp real. Acest punct final permite integrarea perfectă cu aplicațiile și sistemele, oferind acces la cerere la capacitățile de predicție ale modelului printr-o interfață HTTPS securizată. Predicțiile în timp real pot fi utilizate în scenarii precum prețul acțiunilor și prognoza cererii de energie. Punctul nostru final oferă o prognoză într-un singur pas pentru datele din seria temporală furnizate, prezentate ca percentile și mediană, așa cum se arată în figura și tabelul de mai jos.
1st percentilă | 5th percentilă | Median | 95th percentilă | 99th percentilă |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
A curăța
După ce rulați această soluție, asigurați-vă că curățați orice resurse AWS inutile pentru a evita costurile neașteptate. Puteți curăța aceste resurse folosind SDK-ul SageMaker Python, care poate fi găsit la sfârșitul notebook-ului. Prin ștergerea acestor resurse, preveniți alte taxe pentru resursele pe care nu le mai utilizați.
Concluzie
A avea o prognoză precisă poate avea un impact puternic asupra planificării viitoare a unei afaceri și poate oferi, de asemenea, soluții la o varietate de probleme din diferite industrii. Explorarea noastră a previziunii robuste a seriilor de timp cu MLOps pe SageMaker a demonstrat o metodă de a obține o prognoză precisă și eficiența unei conducte de instruire optimizate.
Modelul nostru, alimentat de o rețea convoluțională temporală cu distribuție Pareto îmbinată, a demonstrat acuratețe și adaptabilitate la valori aberante prin îmbunătățirea RMSE cu 61% pe bază, 56% pe coada inferioară și 30% pe coada superioară peste aceeași. TCN cu distribuție Gaussiană. Aceste cifre îl fac o soluție de încredere pentru nevoile de prognoză din lumea reală.
Conducta demonstrează valoarea automatizării caracteristicilor MLOps. Acest lucru poate reduce efortul uman manual, permite reproductibilitatea și accelera implementarea modelului. Caracteristicile SageMaker, cum ar fi SageMaker Pipelines, reglarea automată a modelului, SageMaker Experiments, SageMaker Model Registry și punctele finale fac acest lucru posibil.
Soluția noastră folosește un TCN miniatural, optimizând doar câțiva hiperparametri cu un număr limitat de straturi, care sunt suficiente pentru a evidenția eficient performanța modelului. Pentru cazuri de utilizare mai complexe, luați în considerare utilizarea PyTorch sau a altor biblioteci bazate pe PyTorch pentru a construi un TCN mai personalizat, care să se alinieze nevoilor dumneavoastră specifice. În plus, ar fi benefic să explorezi altele Caracteristicile SageMaker pentru a îmbunătăți și mai mult funcționalitatea conductei dvs. Pentru a automatiza complet procesul de implementare, puteți utiliza Kit AWS Cloud Development (AWS CDK) sau Formarea AWS Cloud.
Pentru mai multe informații despre prognoza seriilor temporale pe AWS, consultați următoarele:
Simțiți-vă liber să lăsați un comentariu cu orice gânduri sau întrebări!
Despre Autori
Nick Biso este inginer de învățare automată la AWS Professional Services. El rezolvă provocări organizaționale și tehnice complexe folosind știința datelor și inginerie. În plus, el construiește și implementează modele AI/ML pe AWS Cloud. Pasiunea sa se extinde la tendința sa pentru călătorii și diverse experiențe culturale.
Alston Chan este inginer de dezvoltare software la Amazon Ads. El construiește conducte de învățare automată și sisteme de recomandare pentru recomandări de produse pe pagina de detalii. În afara serviciului, îi place dezvoltarea jocurilor și alpinismul.
Maria Masood este specializată în construirea de conducte de date și vizualizări de date la AWS Commerce Platform. Ea are experiență în învățarea automată, acoperind procesarea limbajului natural, viziunea computerizată și analiza serii de timp. O pasionată de sustenabilitate la inimă, Mariei îi place să facă grădinărit și să se joace cu câinele ei în timpul liber.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :are
- :este
- :nu
- :Unde
- $UP
- 100
- 5
- 7
- a
- capacitate
- Despre Noi
- accelera
- Accelerează
- acces
- accesibil
- realizat
- Cont
- precizie
- precis
- precis
- Realizeaza
- peste
- curent
- aciclic
- adapta
- plus
- În plus,
- adrese
- Anunţuri
- împotriva
- înainte
- AI / ML
- alarmă
- Algoritmul
- alinia
- Se aliniază
- alocare
- Permiterea
- permite
- de-a lungul
- de asemenea
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- analiză
- analiza
- și
- anticipa
- Orice
- aplicabil
- aplicatii
- aprobare
- arhitectură
- SUNT
- AS
- evalua
- evaluează
- activ
- asociate
- At
- Autorii
- automatizarea
- Automat
- în mod automat
- automatizarea
- Automatizare
- disponibil
- evita
- AWS
- Servicii profesionale AWS
- Axă
- de bază
- bazat
- BE
- deoarece
- fost
- comportament
- în spatele
- benefică
- Beneficiile
- CEL MAI BUN
- Mai bine
- între
- părtinire
- BIN
- atât
- larg
- Clădire
- construiește
- întreprinderi
- dar
- buton
- by
- CAN
- capacități
- capacitate
- capabil
- captura
- capturi
- capturarea
- cazuri
- Celule
- provocări
- provocare
- schimbarea
- caracterizat
- taxe
- alegeri
- clic
- Alpinism
- îndeaproape
- Cloud
- infrastructura cloud
- cod
- comentariu
- Comerț
- comparaţie
- comparație
- Completă
- completare
- complex
- compromis
- calculator
- Computer Vision
- condiție
- Condiții
- efectuat
- Lua în considerare
- Consoleze
- constant
- construi
- Recipient
- context
- continuu
- convertit
- A costat
- Cheltuieli
- acoperire
- crea
- a creat
- Crearea
- creaţie
- critic
- crucial
- cultural
- Curent
- personalizate
- ciclu
- de date
- de prelucrare a datelor
- știința datelor
- Pe bază de date
- seturi de date
- Data
- Luarea deciziilor
- Deciziile
- Mod implicit
- definire
- Cerere
- Prognoza cererii
- demonstrat
- demonstrează
- denotă
- dependențe
- Dependent/ă
- implementa
- dislocate
- Implementarea
- desfășurarea
- implementează
- proiectat
- detaliu
- detalii
- Determina
- determină
- determinarea
- Dezvoltare
- diferit
- diferite
- dirijat
- dezastre
- discuta
- distanţă
- distinct
- distribuire
- distribuții
- diferit
- împărțit
- Câine
- DOT
- nefuncționare
- în timpul
- fiecare
- Eficace
- în mod eficient
- eficacitate
- eficiență
- eficient
- eficient
- efort
- element
- angajarea
- angajează
- imputerniceste
- permite
- permite
- permițând
- care să cuprindă
- capăt
- un capăt la altul
- Punct final
- energie
- inginer
- Inginerie
- spori
- consolidarea
- asigura
- entuziast
- Mediu inconjurator
- medii
- epoci
- eroare
- esenţial
- stabili
- evaluat
- evaluarea
- evaluare
- eveniment
- evenimente
- evoluție
- exemplu
- Experiențe
- experimente
- expertiză
- explorare
- explora
- extinde
- extensiv
- extremă
- facilitând
- Cădere
- Caracteristică
- DESCRIERE
- puțini
- Figura
- cifre
- financiar
- Institutii financiare
- Găsi
- First
- potrivi
- urma
- următor
- Pentru
- Prognoză
- prognoze
- formă
- găsit
- Fundație
- Gratuit
- Libertate
- din
- complet
- funcționalitate
- mai mult
- În plus
- viitor
- Câştig
- joc
- dezvoltarea jocului
- ecartament
- Gen
- generată
- generează
- generator
- generaţie
- dat
- Go
- guvernează
- GPD
- subvenții
- grafice
- manipula
- valorifica
- Cablaje
- Avea
- he
- de asistență medicală
- inimă
- ajută
- ei
- aici
- subliniind
- extrem de
- lui
- istoric
- orizont
- găzduire
- Cum
- Totuși
- HTML
- HTTPS
- uman
- Reglarea hiperparametrului
- identifica
- ilustrează
- imagini
- Impactul
- punerea în aplicare a
- important
- îmbunătățit
- îmbunătăţeşte
- îmbunătățirea
- in
- incorpora
- Crește
- independent
- indică
- industrii
- influență
- informații
- informat
- Infrastructură
- intrare
- înţelegere
- perspective
- in schimb
- instituții
- integrate
- integrare
- interfaţă
- în
- implicând
- IT
- iterații
- ESTE
- Loc de munca
- Locuri de munca
- jpg
- doar
- păstrare
- ținut
- Cheie
- limbă
- mare
- straturi
- conduce
- învățat
- învăţare
- Părăsi
- stânga
- Lungime
- biblioteci
- ca
- probabilitate
- Probabil
- Limitat
- situat
- mai lung
- pierderi
- LOWER
- cel mai mic
- maşină
- masina de învățare
- face
- Efectuarea
- administra
- gestionate
- administrare
- de conducere
- manual
- Mary
- Piață
- prăbușirile pieței
- însemna
- semnificativ
- Metadata
- metodă
- Metodologie
- Metode
- metric
- ratat
- ML
- MLOps
- model
- Modele
- moduri de
- Monitorizarea
- mai mult
- cele mai multe
- multiplu
- Natural
- Procesarea limbajului natural
- Natură
- nevoilor
- neglijând
- reţea
- Nou
- următor
- următoarea generație
- NFL
- Nu.
- Zgomot
- caiet
- număr
- numeroși
- obiect
- observa
- obține
- of
- promoții
- on
- La cerere
- ONE
- afară
- deschide
- Oportunităţi
- optimă
- Optimizați
- optimizarea
- or
- de organizare
- organizează
- original
- Altele
- al nostru
- rezultate
- producție
- exterior
- peste
- global
- pachet
- ambalaje
- pagină
- pandemiile
- Hârtie
- Paralel
- parametru
- parametrii
- Pareto
- Care trece
- pasiune
- trecut
- modele
- Perfect
- performanță
- conducte
- planificare
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- joc
- joacă
- Punct
- puncte
- posibil
- Post
- putere
- alimentat
- puternic
- prezice
- a prezis
- prezicere
- Predictii
- prezice
- prezentat
- împiedica
- precedent
- preţ
- Stabilirea priorităților
- probleme
- proces
- prelucrare
- Produs
- producere
- profesional
- dovedit
- furniza
- prevăzut
- furnizează
- furnizarea
- Piton
- pirtorh
- ridica
- aleator
- gamă
- repede
- rată
- gata
- Pregătirea
- real
- lumea reală
- în timp real
- recent
- Recomandare
- Recomandări
- Roșu
- reduce
- reduce
- trimite
- se referă
- rafina
- regiuni
- registru
- de încredere
- se bazează
- rămâne
- înlocui
- Rapoarte
- reprezenta
- reprezentate
- reprezintă
- resursă
- Resurse
- respectiv
- sensibil
- rezultat
- REZULTATE
- Risc
- de gestionare a riscurilor
- robust
- robusteţe
- stâncă
- Rol
- rădăcină
- Alerga
- ruleaza
- Siguranţă
- sagemaker
- Conducte SageMaker
- acelaşi
- Economisiți
- scalabilitate
- Scară
- scenarii
- Ştiinţă
- scenariu
- sdk
- fără sudură
- Caută
- sectoare
- sigur
- selectate
- selecţie
- serie
- servi
- Servicii
- set
- Seturi
- Modela
- ea
- Arăta
- indicat
- semna
- semnificativ
- simplu
- simultan
- Mărimea
- Software
- de dezvoltare de software
- soluţie
- soluţii
- rezolvă
- specializată
- specific
- specific
- specificată
- împărţi
- răspândire
- Squared
- Etapă
- Stare
- şedere
- Pas
- paşi
- stoc
- depozitare
- magazine
- simplifica
- raționalizate
- Ulterior
- succes
- astfel de
- suficient
- sigur
- Durabilitate
- sintetic
- sisteme
- tabel
- Sarcină
- Tehnic
- test
- testat
- Testarea
- acea
- lumea
- lor
- apoi
- prin urmare
- Acestea
- acest
- Prin
- timp
- Seria de timp
- la
- Urmărire
- Trading
- trafic
- Tren
- dresat
- Pregătire
- călătorie
- Două
- Tipuri
- suferi
- Neașteptat
- inutil
- încărcat
- us
- utilizare
- utilizat
- ușor de utilizat
- utilizatorii
- folosind
- folosi
- utilizează
- Utilizand
- validare
- valoare
- Valori
- varietate
- diverse
- versiune
- Versiunile
- de
- viziune
- vital
- vs
- a fost
- we
- Vreme
- web
- servicii web
- dacă
- care
- larg
- voi
- cu
- în
- Apartamente
- flux de lucru
- fluxuri de lucru
- de lucru
- lume
- ar
- Tu
- Ta
- zephyrnet
- zero