Ta objava je napisana v sodelovanju z Bradom Duncanom, Rachel Johnson in Richardom Alcockom iz MathWorksa.
MATLAB je priljubljeno programsko orodje za široko paleto aplikacij, kot so obdelava podatkov, vzporedno računalništvo, avtomatizacija, simulacija, strojno učenje in umetna inteligenca. Veliko se uporablja v številnih panogah, kot so avtomobilska, vesoljska, komunikacijska in proizvodna. V zadnjih letih je MathWorks v oblak prinesel številne ponudbe izdelkov, zlasti na Amazonske spletne storitve (AWS). Za več podrobnosti o izdelkih v oblaku MathWorks glejte MATLAB in Simulink v oblaku or po e-pošti Mathworks.
V tej objavi predstavljamo zmožnosti strojnega učenja MATLAB Amazon SageMaker, ki ima več pomembnih prednosti:
- Računalniška sredstva: Uporaba visoko zmogljivega računalniškega okolja, ki ga ponuja SageMaker, lahko pospeši usposabljanje strojnega učenja.
- sodelovanje: MATLAB in SageMaker skupaj zagotavljata robustno platformo, ki jo lahko ekipe uporabljajo za učinkovito sodelovanje pri gradnji, testiranju in uvajanju modelov strojnega učenja.
- Namestitev in dostopnost: Modele je mogoče razmestiti kot končne točke SageMaker v realnem času, zaradi česar so lahko dostopni drugim aplikacijam za obdelavo podatkov pretakanja v živo.
Pokažemo vam, kako usposobiti model strojnega učenja MATLAB kot opravilo za usposabljanje SageMaker in nato uvesti model kot realnočasovno končno točko SageMaker, da lahko obdeluje podatke v živo, pretaka.
Da bi to naredili, bomo uporabili primer predvidenega vzdrževanja, kjer bomo razvrstili napake v delujoči črpalki, ki pretaka podatke senzorja v živo. Imamo dostop do velikega skladišča označenih podatkov, ustvarjenih iz a simulink simulacija, ki ima tri možne vrste napak v različnih možnih kombinacijah (na primer eno zdravo in sedem okvarjenih stanj). Ker imamo model sistema in so napake pri delovanju redke, lahko izkoristimo simulirane podatke za usposabljanje našega algoritma. Model je mogoče nastaviti tako, da se ujema z operativnimi podatki naše prave črpalke z uporabo tehnik ocenjevanja parametrov v MATLAB in Simulink.
Naš cilj je prikazati skupno moč programov MATLAB in Amazon SageMaker s tem primerom klasifikacije napak.
Začnemo z usposabljanjem modela klasifikatorja na našem namizju z MATLAB. Najprej izvlečemo funkcije iz podnabora celotnega nabora podatkov z uporabo Dizajner diagnostičnih funkcij in nato zaženite usposabljanje modela lokalno z modelom odločitvenega drevesa MATLAB. Ko smo zadovoljni z nastavitvami parametrov, lahko ustvarimo funkcijo MATLAB in pošljemo opravilo skupaj z naborom podatkov v SageMaker. To nam omogoča, da proces usposabljanja razširimo na veliko večje nabore podatkov. Po usposabljanju našega modela ga uvedemo kot živo končno točko, ki jo je mogoče integrirati v nadaljnjo aplikacijo ali nadzorno ploščo, kot je spletna aplikacija MATLAB.
Ta primer bo povzel vsak korak in zagotovil praktično razumevanje, kako uporabiti MATLAB in Amazon SageMaker za naloge strojnega učenja. Celotna koda in opis primera sta na voljo tukaj Skladišče.
Predpogoji
- Delovno okolje MATLAB 2023a ali novejše različice s prevajalnikom MATLAB in orodjem za statistiko in strojno učenje v sistemu Linux. Tukaj je a hitri vodnik o tem, kako zagnati MATLAB na AWS.
- Docker postavljen v Amazon Elastic Compute Cloud (Amazon EC2) primerek, kjer se izvaja MATLAB. Bodisi Ubuntu or Linux.
- Namestitev Vmesnik ukazne vrstice AWS (AWS CLI), Konfiguracija AWSin Python3.
- AWS CLI bi moral biti že nameščen, če ste sledili navodilom za namestitev iz korak 1.
- Nastavite AWS Configure za interakcijo z viri AWS.
- Preverite namestitev python3 tako, da zaženete
python -V
orpython --version
ukaz na vašem terminalu. Po potrebi namestite Python.
- Kopirajte ta repo v mapo v vašem računalniku Linux tako, da zaženete:
- Preverite dovoljenje za mapo repo. Če nima dovoljenja za pisanje, zaženite naslednji ukaz lupine:
- Zgradite vsebnik za usposabljanje MATLAB in ga potisnite v Amazon Elastic Container Registry (Amazon ECR).
- Pomaknite se do mape
docker
- Ustvarite Amazon ECR repo z uporabo AWS CLI (zamenjajte REGION z vašo prednostno regijo AWS)
- Zaženite naslednji ukaz docker:
- Pomaknite se do mape
- Odprite MATLAB in odprite skript v živo
PumpFaultClassificationMATLABSageMaker.mlx
v mapiexamples/PumpFaultClassification
. Naj bo ta mapa vaša trenutna delovna mapa v MATLAB-u.
1. del: Priprava podatkov in ekstrakcija funkcij
Prvi korak v vsakem projektu strojnega učenja je priprava vaših podatkov. MATLAB ponuja široko paleto orodij za uvoz, čiščenje in ekstrahiranje funkcij iz vaših podatkov.:
O SensorData.mat
nabor podatkov vsebuje 240 zapisov. Vsak zapis ima dva urnika: flow
in pressure
. Ciljni stolpec je faultcode
, ki je binarna predstavitev treh možnih kombinacij napak v črpalki. Za te tabele časovnih vrst ima vsaka tabela 1,201 vrstico, ki posnemajo 1.2 sekunde merjenja pretoka črpalke in tlaka s korakom 0.001 sekunde.
Nato vam aplikacija Diagnostic Feature Designer omogoča ekstrahiranje, vizualizacijo in razvrščanje različnih funkcij iz podatkov. Tukaj, uporabite Samodejne funkcije, ki iz nabora podatkov hitro izvleče širok nabor funkcij časovne in frekvenčne domene in razvrsti najboljše kandidate za usposabljanje modela. Nato lahko izvozite funkcijo MATLAB, ki bo ponovno izračunala 15 najbolje uvrščenih funkcij iz novih vhodnih podatkov. Pokličimo to funkcijo extractFeaturesTraining
. To funkcijo je mogoče konfigurirati tako, da sprejme vse podatke v enem paketu ali kot pretočne podatke.
Ta funkcija ustvari tabelo funkcij s povezanimi kodami napak, kot je prikazano na naslednji sliki:
2. del: Organizirajte podatke za SageMaker
Nato morate podatke organizirati tako, da jih bo SageMaker lahko uporabil za usposabljanje strojnega učenja. Običajno to vključuje razdelitev podatkov v nabore za usposabljanje in validacijo ter razdelitev napovedovalnih podatkov od ciljnega odziva.
Na tej stopnji bodo morda potrebni drugi bolj zapleteni postopki čiščenja in filtriranja podatkov. V tem primeru so podatki že čisti. Če je obdelava podatkov zelo zapletena in dolgotrajna, se lahko opravila obdelave SageMaker uporabijo za izvajanje teh opravil poleg usposabljanja za SageMaker, tako da jih je mogoče ločiti v dva koraka.
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
3. del: Usposabljanje in testiranje modela strojnega učenja v MATLAB-u
Preden se premaknete na SageMaker, je dobro zgraditi in preizkusiti model strojnega učenja lokalno v MATLAB-u. To vam omogoča hitro ponavljanje in odpravljanje napak v modelu. Preprost klasifikator odločitvenega drevesa lahko nastavite in usposobite lokalno.
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
Posel usposabljanja tukaj bi moral trajati manj kot minuto, da se zaključi in ustvari nekaj grafov, ki prikazujejo napredek usposabljanja. Po končanem usposabljanju se izdela model strojnega učenja MATLAB. The Klasifikacija Učenec Aplikacijo je mogoče uporabiti za preizkušanje številnih vrst klasifikacijskih modelov in njihovo nastavitev za najboljšo zmogljivost, nato pa izdelati potrebno kodo za zamenjavo zgornje kode za usposabljanje modela.
Ko preverimo meritve natančnosti za lokalno usposobljen model, lahko premaknemo usposabljanje v Amazon SageMaker.
4. del: Usposobite model v Amazon SageMaker
Ko ste z modelom zadovoljni, ga lahko usposobite v velikem obsegu s programom SageMaker. Če želite začeti klicati SDK-je SageMaker, morate sprožiti sejo SageMaker.
session = sagemaker.Session();
Določite izvedbo SageMaker Vloga IAM ki jih bodo uporabljala delovna mesta za usposabljanje in gostovanje končne točke.
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
Iz MATLAB-a shranite podatke o usposabljanju kot datoteko .csv v Preprosta storitev shranjevanja Amazon (Amazon S3) vedro.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
Ustvarite ocenjevalec SageMaker
Nato morate ustvariti ocenjevalec SageMaker in mu posredovati vse potrebne parametre, kot so slika dockerja za usposabljanje, funkcija za usposabljanje, spremenljivke okolja, velikost primerka za usposabljanje itd. URI slike za usposabljanje mora biti URI Amazon ECR, ki ste ga ustvarili v koraku predpogoja z obliko ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. Funkcijo usposabljanja je treba zagotoviti na dnu živega skripta MATLAB.
Oddajte izobraževalno nalogo SageMaker
Klicanje metode prileganja iz ocenjevalca predloži opravilo usposabljanja v SageMaker.
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
Status opravila usposabljanja lahko preverite tudi na konzoli SageMaker:
Ko so opravila usposabljanja končana, vas izbira povezave do opravila popelje na stran z opisom opravila, kjer si lahko ogledate model MATLAB, shranjen v namenskem vedru S3:
5. del: Razmestite model kot končno točko SageMaker v realnem času
Po usposabljanju lahko uvedete model kot končno točko SageMaker v realnem času, ki jo lahko uporabite za napovedovanje v realnem času. Če želite to narediti, pokličite metodo razmestitve iz ocenjevalca. Tukaj lahko nastavite želeno velikost primerka za gostovanje glede na delovno obremenitev.
V zakulisju ta korak zgradi sliko dockerja za sklepanje in jo potisne v repozitorij Amazon ECR, od uporabnika ni potrebno nič za izdelavo vsebnika za sklepanje. Slika vsebuje vse potrebne informacije za izvedbo zahteve za sklepanje, kot so lokacija modela, informacije o preverjanju pristnosti MATLAB in algoritmi. Po tem Amazon SageMaker ustvari konfiguracijo končne točke SageMaker in na koncu uvede končno točko v realnem času. Končno točko je mogoče spremljati v konzoli SageMaker in jo lahko kadar koli prekinete, če je ne uporabljate več.
6. del: preizkus končne točke
Zdaj, ko je končna točka pripravljena in deluje, jo lahko preizkusite tako, da ji daste nekaj zapisov za predvidevanje. Uporabite naslednjo kodo, da izberete 10 zapisov iz podatkov o vadbi in jih pošljete na končno točko za predvidevanje. Rezultat napovedi se pošlje nazaj s končne točke in je prikazan na naslednji sliki.
7. del: Integracija nadzorne plošče
Končno točko SageMaker lahko kličejo številne domače storitve AWS. Uporablja se lahko tudi kot standardni API REST, če je uveden skupaj z AWS Lambda funkcijo in prehod API, ki ga je mogoče integrirati s katero koli spletno aplikacijo. Za ta poseben primer uporabe lahko uporabite pretakanje s storitvijo Amazon SageMaker Feature Store in Amazon Managed Streaming za Apache Kafka, MSK, da sprejemate odločitve, podprte s strojnim učenjem, skoraj v realnem času. Druga možna integracija je uporaba kombinacije Amazon Kinesis, SageMaker in Apache Flink za izgradnjo upravljane, zanesljive, razširljive in zelo razpoložljive aplikacije, ki je zmožna sklepanja v toku podatkov v realnem času.
Ko so algoritmi uvedeni v končno točko SageMaker, jih boste morda želeli vizualizirati z uporabo nadzorne plošče, ki prikazuje napovedi pretakanja v realnem času. V spletni aplikaciji MATLAB po meri, ki sledi, si lahko ogledate podatke o tlaku in pretoku po črpalkah ter napovedi napak v živo iz razporejenega modela.
Na tej nadzorni plošči je model preostale uporabne življenjske dobe (RUL) za napovedovanje časa do okvare za vsako zadevno črpalko. Če želite izvedeti, kako trenirati algoritme RUL, glejte Prediktivno orodje za vzdrževanje.
Clean Up
Ko zaženete to rešitev, se prepričajte, da ste očistili vse nepotrebne vire AWS, da se izognete nepričakovanim stroškom. Te vire lahko očistite z SDK SageMaker Python ali AWS Management Console za specifične storitve, ki se tukaj uporabljajo (SageMaker, Amazon ECR in Amazon S3). Z izbrisom teh virov preprečite nadaljnje zaračunavanje virov, ki jih ne uporabljate več.
zaključek
Pokazali smo, kako lahko prenesete MATLAB v SageMaker za primer uporabe predvidenega vzdrževanja črpalke s celotnim življenjskim ciklom strojnega učenja. SageMaker ponuja popolnoma upravljano okolje za izvajanje delovnih obremenitev strojnega učenja in uvajanje modelov z veliko izbiro računalniških primerkov, ki služijo različnim potrebam.
Zavrnitev odgovornosti: Koda, uporabljena v tej objavi, je v lasti in vzdržuje MathWorks. Glejte licenčne pogoje v repo GitHub. Za morebitne težave s kodo ali zahtevami po funkcijah odprite vprašanje GitHub v repozitoriju
Reference
O avtorjih
Brad Duncan je produktni vodja za zmogljivosti strojnega učenja v orodju Statistics and Machine Learning Toolbox pri MathWorks. S strankami sodeluje pri uporabi umetne inteligence na novih področjih inženiringa, kot je vključevanje virtualnih senzorjev v inženirske sisteme, izgradnja razložljivih modelov strojnega učenja in standardizacija delovnih tokov umetne inteligence z uporabo MATLAB in Simulink. Pred prihodom v MathWorks je vodil ekipe za 3D simulacijo in optimizacijo aerodinamike vozil, uporabniško izkušnjo za 3D simulacijo in upravljanje izdelkov za simulacijsko programsko opremo. Brad je tudi gostujoči predavatelj na univerzi Tufts na področju aerodinamike vozil.
Richard Alcock je višji vodja razvoja za integracije platform v oblaku pri MathWorks. V tej vlogi je ključnega pomena pri brezhibni integraciji izdelkov MathWorks v platforme v oblaku in kontejnerjih. Ustvarja rešitve, ki inženirjem in znanstvenikom omogočajo izkoriščanje celotnega potenciala MATLAB in Simulink v okoljih v oblaku. Prej je bil inženir programske opreme pri MathWorks, kjer je razvijal rešitve za podporo vzporednim in porazdeljenim računalniškim potekom dela.
Rachel Johnson je produktni vodja za prediktivno vzdrževanje pri MathWorks in je odgovoren za celotno produktno strategijo in trženje. Pred tem je bila aplikacijski inženir, ki je neposredno podpiral vesoljsko industrijo pri projektih predvidenega vzdrževanja. Pred MathWorks je bila Rachel inženirka za simulacijo aerodinamike in pogona za ameriško mornarico. Več let je tudi poučevala matematiko, fiziko in tehniko.
Izogibajte se Mao je višji arhitekt partnerskih rešitev AI/ML v ekipi za nastajajoče tehnologije pri Amazon Web Services. Navdušen je nad sodelovanjem s podjetniškimi strankami in partnerji pri načrtovanju, uvajanju in prilagajanju aplikacij AI/ML, da izpeljejo svoje poslovne vrednosti. Poleg službe uživa v ribolovu, potovanjih in igranju namiznega tenisa.
Ramesh Jatiya je arhitekt rešitev v ekipi neodvisnega ponudnika programske opreme (ISV) pri Amazon Web Services. Navdušen je nad sodelovanjem s strankami ISV pri načrtovanju, uvajanju in prilagajanju njihovih aplikacij v oblaku, da izpeljejo svoje poslovne vrednosti. Prav tako opravlja MBA iz strojnega učenja in poslovne analitike na Babson College v Bostonu. Izven službe rad teče, igra tenis in kuha.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- $GOR
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- O meni
- nad
- dostop
- dostopen
- prilagoditi
- Račun
- natančnost
- Prednost
- Aerospace
- po
- AI
- AI / ML
- algoritem
- algoritmi
- vsi
- omogoča
- skupaj
- že
- Prav tako
- Amazon
- Amazon EC2
- Amazon SageMaker
- Amazon Web Services
- an
- analitika
- in
- Še ena
- kaj
- Apache
- narazen
- API
- aplikacija
- aplikacija omogoča
- uporaba
- aplikacije
- Uporabi
- SE
- OBMOČJE
- območja
- umetni
- Umetna inteligenca
- AS
- povezan
- At
- Preverjanje pristnosti
- avto
- Avtomatizacija
- avtomobilska
- Na voljo
- izogniti
- AWS
- Konzola za upravljanje AWS
- babson
- nazaj
- BE
- ker
- pred
- začetek
- Prednosti
- BEST
- maribor
- Bottom
- brad
- prinašajo
- široka
- prinesel
- izgradnjo
- Building
- Gradi
- poslovni
- by
- klic
- se imenuje
- kliče
- CAN
- kandidati
- Zmogljivosti
- lahko
- primeru
- Stroški
- preveriti
- preverjanje
- Razvrstitev
- Razvrsti
- čiščenje
- čiščenje
- Cloud
- Platforma v oblaku
- Koda
- Kode
- sodelovati
- sodelovanje
- College
- Stolpec
- COM
- kombinacija
- kombinacije
- kombinirani
- prihajajo
- Komunikacija
- kompleksna
- Izračunajte
- računalništvo
- konfiguracija
- konfigurirano
- Konzole
- porabijo
- Posoda
- Vsebuje
- stroški
- ustvarjajo
- ustvaril
- ustvari
- Trenutna
- po meri
- Stranke, ki so
- Armaturna plošča
- datum
- Priprava podatkov
- obdelava podatkov
- nabor podatkov
- Odločitev
- odločitve
- namenjen
- izkazati
- Dokazano
- Odvisno
- razporedi
- razporejeni
- uvajanja
- razpolaga
- drift
- opis
- Oblikovanje
- oblikovalec
- želeno
- desktop
- Podrobnosti
- razvoju
- Razvoj
- diagnostiko
- neposredno
- prikazovalniki
- porazdeljena
- porazdeljeno računalništvo
- do
- Lučki delavec
- ne
- domena
- duncan
- vsak
- učinkovito
- bodisi
- smirkovim
- nastajajoče tehnologije
- omogočajo
- konec
- Končna točka
- inženir
- inženirstva
- Inženiring
- Inženirji
- Podjetje
- Celotna
- okolje
- okolja
- zlasti
- Primer
- izvedba
- izkušnje
- izvoz
- ekstrakt
- Izvlečki
- Napaka
- napake
- napačno
- Feature
- Lastnosti
- Nekaj
- Slika
- file
- filtriranje
- končno
- konča
- prva
- ribolov
- fit
- Pretok
- sledili
- po
- sledi
- za
- format
- frekvenca
- iz
- polno
- v celoti
- funkcija
- nadalje
- Prehod
- ustvarjajo
- ustvarila
- ustvarja
- GitHub
- Giving
- dobro
- grafi
- veliko
- Gost
- vodi
- plezalni pas
- Imajo
- he
- Zdravje
- zdravo
- močno
- tukaj
- visokozmogljivo
- zelo
- gostovanje
- Kako
- Kako
- HTML
- HTTPS
- Ideja
- if
- slika
- uvoz
- in
- vključuje
- vključujoč
- prirastek
- Neodvisni
- Navedite
- industrij
- Industrija
- Podatki
- sproži
- vhod
- namestitev
- namestitev
- nameščen
- primer
- instrumental
- integrirana
- Povezovanje
- integracija
- integracije
- Intelligence
- interakcijo
- vmesnik
- v
- vprašanje
- Vprašanja
- izv
- IT
- Job
- Delovna mesta
- Johnson
- jpg
- velika
- večja
- pozneje
- Zadnji
- UČITE
- učenje
- Led
- manj
- Vzvod
- Licenca
- življenje
- življenski krog
- LINK
- linux
- v živo
- lokalno
- kraj aktivnosti
- prijava
- več
- stroj
- strojno učenje
- vzdrževanje
- Znamka
- Izdelava
- upravlja
- upravljanje
- upravitelj
- proizvodnja
- več
- Trženje
- Stave
- math
- Merjenje
- Metoda
- Meritve
- morda
- min
- ML
- Model
- modeli
- monitor
- spremljati
- več
- premikanje
- premikanje
- veliko
- Imenovan
- materni
- Blizu
- potrebno
- Nimate
- potrebna
- potrebe
- Novo
- št
- nič
- Cilj
- of
- ponujen
- Ponudbe
- on
- enkrat
- ONE
- odprite
- Delovanje
- operativno
- operacije
- optimizacija
- or
- Ostalo
- naši
- izhod
- zunaj
- Splošni
- v lasti
- Stran
- vzporedno
- parameter
- parametri
- zlasti
- partner
- partnerji
- mimo
- strastno
- performance
- Dovoljenje
- Fizika
- platforma
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- prosim
- Popular
- mogoče
- Prispevek
- potencial
- potencialno
- moč
- Praktično
- napovedati
- napoved
- Napovedi
- Predictor
- prednostno
- Priprava
- Pripravimo
- tlak
- preprečiti
- prej
- Predhodna
- Postopek
- obravnavati
- proizvodnjo
- Proizvedeno
- proizvaja
- Izdelek
- upravljanje izdelkov
- produktni vodja
- Izdelki
- Programiranje
- Napredek
- Projekt
- projekti
- pogon
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- Črpalka
- Push
- potiska
- Python
- vprašanje
- hitro
- območje
- uvrstitev
- uvrstitev
- uvršča
- REDKO
- zlahka
- pravo
- v realnem času
- nedavno
- zapis
- evidence
- glejte
- okolica
- registra
- zanesljiv
- Preostalih
- zamenjajte
- Skladišče
- zastopanje
- zahteva
- zahteva
- obvezna
- viri
- Odgovor
- odgovorna
- REST
- povzroči
- Richard
- robusten
- vloga
- Run
- tek
- sagemaker
- zadovoljni
- zadovoljen z
- Shrani
- shranjena
- razširljive
- Lestvica
- prizori
- Znanstveniki
- script
- sdks
- brez težav
- sekund
- glej
- izbiranje
- izbor
- pošljite
- višji
- senzorji
- poslan
- Serija
- služijo
- Storitev
- Storitve
- služijo
- Zasedanje
- nastavite
- Kompleti
- nastavitve
- sedem
- več
- je
- Shell
- shouldnt
- Prikaži
- pokazale
- pomemben
- Enostavno
- Simulacija
- Velikosti
- So
- Software
- inženiring programske opreme
- Rešitev
- rešitve
- nekaj
- specifična
- hitrost
- porabljen
- Stage
- standardna
- standardiziranje
- Začetek
- Države
- Statistika
- Status
- Korak
- Koraki
- shranjevanje
- trgovina
- Strategija
- tok
- pretakanje
- taka
- Povzamemo
- podpora
- Podpora
- Preverite
- sistem
- sistemi
- miza
- TAG
- Bodite
- meni
- ciljna
- Naloge
- poučevanje
- skupina
- Skupine
- tehnike
- Tehnologije
- terminal
- Pogoji
- Test
- Testiranje
- kot
- da
- O
- Območje
- njihove
- Njih
- POTEM
- te
- jih
- ta
- tisti,
- 3
- čas
- Časovne serije
- do
- skupaj
- orodje
- Toolbox
- orodja
- vrh
- Vlak
- usposabljanje
- Potovanje
- Drevo
- poskusite
- melodija
- uglašen
- dva
- Vrste
- tipično
- razumevanje
- Nepričakovana
- univerza
- us
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniška izkušnja
- uporabo
- potrjevanje
- Vrednote
- raznolikost
- različnih
- vozilo
- Prodajalec
- zelo
- Virtual
- vizualizirati
- želeli
- je
- način..
- we
- web
- spletne aplikacije
- spletne storitve
- ki
- široka
- Širok spekter
- bo
- z
- delo
- delovnih tokov
- deluje
- deluje
- pisati
- pisni
- let
- Vi
- Vaša rutina za
- zefirnet