Detta är ett gästinlägg skrivet tillsammans med Moulham Zahabi från Matarat.
Förmodligen har alla kontrollerat sitt bagage när de flyger, och väntat spänt på att deras väskor ska dyka upp vid karusellen. Framgångsrik och snabb leverans av dina väskor beror på en massiv infrastruktur som kallas bagagehanteringssystemet (BHS). Denna infrastruktur är en av nyckelfunktionerna för framgångsrik flygplatsverksamhet. Att framgångsrikt hantera bagage och gods för avgående och ankommande flyg är avgörande för att säkerställa kundnöjdhet och leverera flygplatsens operativa excellens. Denna funktion är starkt beroende av den kontinuerliga driften av BHS och effektiviteten av underhållsverksamheten. Som livlina för flygplatserna är en BHS en linjär tillgång som kan överstiga 34,000 70 meter lång (för en enda flygplats) som hanterar över XNUMX miljoner väskor årligen, vilket gör den till ett av de mest komplexa automatiserade systemen och en viktig komponent i flygplatsverksamheten.
Oplanerad stilleståndstid för ett bagagehanteringssystem, oavsett om det är ett transportband, karusell eller sorteringsenhet, kan störa flygplatsdriften. Sådana störningar kommer oundvikligen att skapa en obehaglig passagerarupplevelse och eventuellt ålägga leverantörer av flygplatstjänster påföljder.
Den vanliga utmaningen med att upprätthålla ett bagagehanteringssystem är hur man driver ett integrerat system med över 7,000 XNUMX tillgångar och över en miljon börvärden kontinuerligt. Dessa system hanterar också miljontals påsar i olika former och storlekar. Det är säkert att anta att bagagehanteringssystem är benägna att fel. Eftersom elementen fungerar i en sluten slinga, om ett element går sönder, påverkar det hela linjen. Traditionella underhållsaktiviteter förlitar sig på en ansenlig personalstyrka fördelad på nyckelplatser längs BHS som skickas av operatörer i händelse av ett driftsfel. Underhållsteam förlitar sig också mycket på leverantörsrekommendationer för att schemalägga driftstopp för förebyggande underhåll. Att avgöra om förebyggande underhållsaktiviteter är korrekt implementerade eller att övervaka prestandan för denna typ av tillgång kan vara opålitligt och minskar inte risken för oförutsedda stillestånd.
Reservdelshantering är en extra utmaning eftersom ledtiderna ökar på grund av störningar i globala leveranskedjan, men beslut om lagerpåfyllning baseras på historiska trender. Dessutom inkluderar dessa trender inte den flyktiga dynamiska miljön för att driva BHS-tillgångar när de åldras. För att möta dessa utmaningar måste en seismisk förändring ske i underhållsstrategier – att gå från ett reaktivt till proaktivt tänkesätt. Denna förändring kräver att operatörerna använder den senaste tekniken för att effektivisera underhållsaktiviteter, optimera driften och minimera driftskostnaderna.
I det här inlägget beskriver vi hur AWS Partner Airis Solutions använde Amazon Lookout för utrustning, AWS Internet of Things (IoT) tjänster och CloudRail sensorteknologier för att tillhandahålla en toppmodern lösning för att möta dessa utmaningar.
Översikt över bagagehanteringssystem
Följande diagram och tabell illustrerar mätningarna över en typisk karusell på King Khalid International Airport i Riyadh.
Data samlas in på de olika platserna som visas i diagrammet.
Givartyp | Affärsvärde | dataset | Plats |
IO-länkhastighetssensorer | Homogen karusellhastighet | PDV1 (1 per min) | C |
Vibrationssensor med integrerad Temperaturgivare |
Lös skruv, Axeln felinriktad, Lagerskador, Motorlindningsskador |
Trötthet (v-RMS) (m/s) Effekt (a-Peak) (m/s^2) Friktion (a-RMS) (m/s^2) Temperatur (C) Vapen |
A och B |
Avstånd PEC-sensor | Bagagegenomströmning | Avstånd (cm) | D |
Följande bilder visar miljö och övervakningsutrustning för de olika mätningarna.
Lösningsöversikt
Det prediktiva underhållssystemet (PdMS) för bagagehanteringssystem är en referensarkitektur som hjälper flygplatsunderhållsoperatörer på sin resa att ha data som möjliggör för att förbättra oplanerade stillestånd. Den innehåller byggstenar för att påskynda utvecklingen och distributionen av anslutna sensorer och tjänster. PdMS inkluderar AWS-tjänster för att säkert hantera livscykeln för edge compute-enheter och BHS-tillgångar, molndataintag, lagring, maskininlärningsmodeller (ML) och affärslogik för att driva proaktivt utrustningsunderhåll i molnet.
Den här arkitekturen byggdes från lärdomar som man har lärt sig när man arbetat med flygplatsdrift under flera år. Den föreslagna lösningen utvecklades med stöd av Northbay Solutions, en AWS Premier Partner, och kan distribueras till flygplatser av alla storlekar och skalor till tusentals anslutna enheter inom 90 dagar.
Följande arkitekturdiagram visar de underliggande komponenterna som används för att bygga lösningen för prediktivt underhåll:
Vi använder följande tjänster för att montera vår arkitektur:
- CloudRail.DMC är en mjukvara som en tjänst (SaaS)-lösning av den tyska IoT-experten CloudRail GmbH. Denna organisation hanterar flottor av globalt distribuerade edge-gateways. Med denna tjänst kan industriella sensorer, smarta mätare och OPC UA-servrar anslutas till en AWS-datasjö med bara några klick.
- AWS IoT Core låter dig ansluta miljarder IoT-enheter och dirigera biljoner meddelanden till AWS-tjänster utan att hantera infrastruktur. Den överför säkert meddelanden till och från alla dina IoT-enheter och applikationer med låg latens och hög genomströmning. Vi använder AWS IoT Core för att ansluta till CloudRail-sensorerna och vidarebefordra deras mätningar till AWS Cloud.
- AWS IoT Analytics är en helt hanterad tjänst som gör det enkelt att köra och operationalisera sofistikerad analys på enorma volymer av IoT-data utan att behöva oroa sig för kostnaden och komplexiteten som vanligtvis krävs för att bygga en IoT-analysplattform. Det är ett enkelt sätt att köra analyser på IoT-data för att få korrekta insikter.
- Amazon Lookout för utrustning analyserar data från utrustningssensorer för att skapa en ML-modell automatiskt för din utrustning baserat på tillgångsspecifika data – inga datavetenskapliga kunskaper krävs. Lookout for Equipment analyserar inkommande sensordata i realtid och identifierar noggrant tidiga varningssignaler som kan leda till oväntade driftstopp.
- Amazon QuickSight låter alla i organisationen förstå data genom att ställa frågor på naturligt språk, visualisera information genom interaktiva instrumentpaneler och automatiskt leta efter mönster och extremvärden som drivs av ML.
Som illustreras i följande diagram, möjliggör denna arkitektur sensordata att flöda till operativa insikter.
Datapunkter samlas in med hjälp av IO-Link-sensorer: IO-Link är ett standardiserat gränssnitt för att möjliggöra sömlös kommunikation från kontrollnivån för en industriell tillgång (i vårt fall, bagagehanteringssystemet) till sensornivån. Detta protokoll används för att mata sensordata till en CloudRail edge-gateway och laddas in i AWS IoT Core. Den senare tillhandahåller sedan utrustningsdata till ML-modeller för att identifiera drifts- och utrustningsproblem som kan användas för att bestämma optimal tidpunkt för underhåll eller utbyte av tillgångar utan att det medför onödiga kostnader.
Datainsamling
Att eftermontera befintliga tillgångar och deras kontrollsystem till molnet är fortfarande ett utmanande tillvägagångssätt för operatörer av utrustning. Att lägga till sekundära sensorer ger ett snabbt och säkert sätt att skaffa nödvändig data utan att störa befintliga system. Därför är det enklare, snabbare och icke-invasivt jämfört med direktanslutning av en maskins PLC:er. Dessutom kan eftermonterade sensorer väljas för att exakt mäta de datapunkter som krävs för specifika fellägen.
Med CloudRail kan alla industriella IO-Link-sensorer anslutas till AWS-tjänster som AWS IoT Core, AWS IoT SiteWise, eller AWS IoT Greengrass inom några sekunder genom en molnbaserad enhetshanteringsportal (CloudRail.DMC). Detta gör det möjligt för IoT-experter att arbeta från centraliserade platser och fysiska system ombord som är globalt distribuerade. Lösningen löser utmaningarna med dataanslutning för system för prediktivt underhåll genom en enkel plug-and-play-mekanism.
Gatewayen fungerar som den industriella demilitariserade zonen (IDMZ) mellan utrustningen (OT) och molntjänsten (IT). Genom en integrerad fleet management-applikation säkerställer CloudRail att de senaste säkerhetsuppdateringarna rullas ut automatiskt till tusentals installationer.
Följande bild visar en IO-Link-sensor och CloudRail edge-gateway (i orange):
Utbildning av en avvikelsedetekteringsmodell
Organisationer från de flesta industrisegment ser att moderna underhållsstrategier går bort från de reaktiva tillvägagångssätten som går till misslyckande och går mot mer prediktiva metoder. Att gå över till ett tillståndsbaserat eller förutsägande underhållssätt kräver dock data som samlas in från sensorer installerade i hela anläggningen. Genom att använda historiska data som fångats av dessa sensorer i samband med analys hjälper det att identifiera prekursorer till utrustningsfel, vilket gör att underhållspersonalen kan agera därefter innan haveri.
Förutsägande underhållssystem är beroende av förmågan att identifiera när fel kan inträffa. OEM-tillverkare av utrustning tillhandahåller vanligtvis datablad för sin utrustning och rekommenderar att man övervakar vissa driftsmått baserat på nästan perfekta förhållanden. Dessa förhållanden är dock sällan realistiska på grund av tillgångens naturliga slitage, miljöförhållandena den är verksam i, dess tidigare underhållshistorik eller bara hur du behöver använda den för att uppnå dina affärsresultat. Till exempel installerades två identiska motorer (fabrikat, modell, tillverkningsdatum) i samma karusell för detta proof of concept. Dessa motorer fungerade vid olika temperaturintervall på grund av olika väderexponering (en del av transportbandet på insidan och den andra utanför flygplatsterminalen).
Motor 1 körde i en temperatur från 32–35°C. Vibrationshastigheten RMS kan förändras på grund av motorutmattning (till exempel uppriktningsfel eller obalansproblem). Som visas i följande figur visar denna motor utmattningsnivåer mellan 2–6, med några toppar vid 9.
Motor 2 fungerade i en svalare miljö, där temperaturen varierade mellan 20–25°C. I detta sammanhang visar motor 2 utmattningsnivåer mellan 4–8, med några toppar vid 10:
De flesta ML-metoder förväntar sig mycket specifik domänkunskap och information (ofta svår att få tag på) som måste extraheras från det sätt du driver och underhåller varje tillgång på (till exempel felförsämringsmönster). Detta arbete måste utföras varje gång du vill övervaka en ny tillgång, eller om tillgångens förutsättningar förändras avsevärt (som när du byter ut en del). Detta innebär att en bra modell som levereras i prototypfasen sannolikt kommer att få en prestandaträff när den rullas ut på andra tillgångar, vilket drastiskt minskar systemets noggrannhet och i slutändan förlorar slutanvändarnas förtroende. Detta kan också orsaka många falska positiva resultat, och du skulle behöva den kompetens som krävs för att hitta dina giltiga signaler i allt brus.
Lookout for Equipment analyserar bara dina tidsseriedata för att lära sig de normala sambanden mellan dina signaler. Sedan, när dessa relationer börjar avvika från de normala driftsförhållandena (fångade vid träningstillstånd), kommer tjänsten att flagga anomalien. Vi upptäckte att strikt användning av historiska data för varje tillgång låter dig fokusera på tekniker som kan lära dig de driftsförhållanden som kommer att vara unika för en given tillgång i själva miljön den är verksam i. Detta låter dig leverera förutsägelser som stöder rotorsaksanalys och förutsägande underhållsmetoder på en detaljerad nivå, per tillgångsnivå och makronivå (genom att sammanställa lämplig instrumentpanel så att du kan få en överblick över flera tillgångar samtidigt). Detta är det tillvägagångssätt vi använde och anledningen till att vi valde att använda Lookout for Equipment.
Träningsstrategi: Att ta itu med kallstartsutmaningen
BHS vi riktade oss mot var inte instrumenterad först. Vi installerade CloudRail-sensorer för att börja samla in nya mätningar från vårt system, men detta innebar att vi bara hade ett begränsat historiskt djup för att träna vår ML-modell. Vi tog oss an kallstartsutmaningen i det här fallet genom att inse att vi bygger ett ständigt förbättrande system. Efter att sensorerna installerats samlade vi in en timmes data och duplicerade denna information för att börja använda Lookout for Equipment så snart som möjligt och testa vår övergripande pipeline.
Som väntat var de första resultaten ganska instabila eftersom ML-modellen exponerades för en mycket kort period av operationer. Detta innebar att alla nya beteenden som inte sågs under den första timmen skulle flaggas. När man tittade på de högst rankade sensorerna verkade temperaturen på en av motorerna vara huvudmisstänkt (T2_MUC_ES_MTRL_TMP
i orange i följande bild). Eftersom den initiala datafångsten var mycket snäv (1 timme) kom den största förändringen under dagen från temperaturvärdena (vilket är förenligt med miljöförhållandena vid den tiden).
När vi matchade detta med miljöförhållandena kring detta specifika transportband, bekräftade vi att utomhustemperaturen ökade kraftigt, vilket i sin tur ökade temperaturen som mäts av denna sensor. I det här fallet, efter att de nya data (som står för ökningen av utomhustemperaturen) införlivats i träningsdataset, kommer de att vara en del av det normala beteendet som fångas av Lookout for Equipment och liknande beteende i framtiden kommer att vara mindre sannolikt att evenemang.
Efter 5 dagar tränades modellen om och antalet falska positiva föll omedelbart drastiskt:
Även om detta kallstartsproblem var en första utmaning för att få handlingsbara insikter, använde vi denna möjlighet för att bygga en omskolningsmekanism som slutanvändaren enkelt kan utlösa. En månad in i experimentet tränade vi en ny modell genom att duplicera en månads sensordata till tre månader. Detta fortsatte att minska de falska positiva frekvenserna eftersom modellen exponerades för en bredare uppsättning förhållanden. En liknande falsk positiv taktsänkning inträffade efter denna omskolning: tillståndet som modellerades av systemet var närmare vad användarna upplever i verkligheten. Efter 3 månader hade vi äntligen en datauppsättning som vi kunde använda utan att använda detta dupliceringstrick.
Från och med nu kommer vi att lansera en omskolning var tredje månad och, så snart som möjligt, kommer vi att använda upp till 3 års data för att ta hänsyn till miljöförhållandena säsongsvariationer. När vi distribuerar det här systemet på andra tillgångar kommer vi att kunna återanvända denna automatiserade process och använda den inledande utbildningen för att validera vår sensordatapipeline.
Efter att modellen tränats implementerade vi modellen och började skicka livedata till Lookout for Equipment. Lookout for Equipment låter dig konfigurera en schemaläggare som vaknar regelbundet (till exempel varje timme) för att skicka färska data till den tränade modellen och samla in resultaten.
Nu när vi vet hur man tränar, förbättrar och distribuerar en modell, låt oss titta på de operativa instrumentpanelerna som implementerats för slutanvändarna.
Datavisualisering och insikter
Slutanvändare behöver ett sätt att extrahera mer värde från sina operativa data för att bättre förbättra deras tillgångsanvändning. Med QuickSight kopplade vi instrumentpanelen till de råa mätdata som tillhandahålls av vårt IoT-system, vilket gjorde det möjligt för användare att jämföra och kontrastera viktiga delar av utrustningen på en given BHS.
I följande instrumentpanel kan användare kontrollera nyckelsensorerna som används för att övervaka tillståndet för BHS och erhålla period-över-period mätvärden.
I föregående diagram kan användare visualisera alla oväntade obalanser i mätningen för varje motor (vänster och höger diagram för temperatur, trötthet, vibrationer, friktion och stötar). Längst ner sammanfattas nyckeltal, med prognostrender och trender från period till period.
Slutanvändare kan komma åt information för följande ändamål:
- Visa historisk data i intervaller på 2 timmar upp till 24 timmar.
- Extrahera rådata via CSV-format för extern integration.
- Visualisera tillgångens prestanda under en viss tidsperiod.
- Ta fram insikter för verksamhetsplanering och förbättra tillgångsutnyttjandet.
- Utför korrelationsanalys. I följande plot kan användaren visualisera flera mätningar (som motortrötthet kontra temperatur, eller bagagegenomströmning kontra karusellhastighet) och använda denna instrumentpanel för att bättre informera om den näst bästa underhållsåtgärden.
Eliminera brus från data
Efter några veckor märkte vi att Lookout for Equipment avgav några händelser som ansågs vara falska positiva.
När vi analyserade dessa händelser upptäckte vi oregelbundna fall i karusellmotorns hastighet.
Vi träffade underhållsteamet och de informerade oss om att dessa stopp antingen var nödstopp eller planerade driftstopp. Med denna information märkte vi nödstoppen som avvikelser och matade dem till Lookout for Equipment, medan de planerade stilleståndstiderna ansågs vara normalt beteende för den här karusellen.
Att förstå sådana scenarier där onormala data kan påverkas av kontrollerade externa åtgärder är avgörande för att förbättra avvikelsedetekteringsmodellens noggrannhet över tid.
Röktestning
Efter några timmar från att ha omskolat modellen och uppnått relativt inga anomalier, stressade vårt team tillgångarna fysiskt, vilket omedelbart upptäcktes av systemet. Detta är en vanlig begäran från användare eftersom de behöver bekanta sig med systemet och hur det reagerar.
Vi byggde vår instrumentpanel så att slutanvändare kan visualisera historiska anomalier med en obegränsad period. Genom att använda en business intelligence-tjänst kan de organisera sin data efter behag, och vi har funnit att stapeldiagram över en 24-timmarsperiod eller cirkeldiagram är det bästa sättet att få en bra bild av BHS:s tillstånd. Utöver instrumentpanelerna som användare kan se när de behöver, ställer vi in automatiska varningar som skickas till en angiven e-postadress och via textmeddelande.
Extrahera djupare insikter från anomalidetekteringsmodeller
I framtiden har vi för avsikt att extrahera djupare insikter från anomalidetekteringsmodellerna som tränats med Lookout for Equipment. Vi kommer att fortsätta att använda QuickSight för att bygga en utökad uppsättning widgets. Till exempel har vi funnit att datavisualiseringswidgetarna exponerade i GitHub-prover för Lookout for Equipment gör det möjligt för oss att extrahera ännu mer insikter från våra modellers råa utdata.
Resultat
Reaktivt underhåll i bagagehanteringssystem översätts till följande:
- Lägre passagerarnöjdhet på grund av långa väntetider eller skadat bagage
- Lägre tillgångstillgänglighet på grund av oplanerade fel och lagerbrist på kritiska reservdelar
- Högre driftskostnader på grund av stigande lagernivåer samt högre underhållskostnader
Att utveckla din underhållsstrategi för att införliva pålitlig, förutsägande analys i beslutscykeln syftar till att förbättra driften av tillgångar och hjälpa till att undvika tvångsavstängningar.
Övervakningsutrustningen installerades lokalt på 1 dag och konfigurerades helt på distans av IoT-experter. Molnarkitekturen som beskrivs i lösningsöversikten implementerades sedan framgångsrikt inom 90 dagar. En snabb implementeringstid bevisar de fördelar som föreslås för slutanvändaren, vilket snabbt leder till en förändring av underhållsstrategin från mänskligt baserad reaktiv (fixa haverier) till maskinbaserad, datadriven proaktiv (förebygga driftstopp).
Slutsats
Samarbetet mellan Airis, CloudRail, Northbay Solutions och AWS ledde till nya prestationer på King Khalid International Airport (se pressmeddelandet för mer detaljer). Som en del av deras digitala transformationsstrategi planerar Riyadhs flygplats ytterligare utbyggnader för att täcka andra elektromekaniska system som passagerarbryggor och HVAC-system.
Om du har kommentarer om det här inlägget, vänligen skicka in dem i kommentarsfältet. Om du har frågor om denna lösning eller dess implementering, starta en ny tråd på re: Inlägg, där AWS-experter och det bredare samhället kan stödja dig.
Om författarna
Moulham Zahabi är en flygspecialist med över 11 års erfarenhet av att designa och hantera flygprojekt och hantera kritiska flygplatstillgångar i GCC-regionen. Han är också en av medgrundarna till Airis-Solutions.ai, som syftar till att leda flygindustrins digitala transformation genom innovativa AI/ML-lösningar för flygplatser och logistiska centra. Idag är Moulham chef för Asset Management Directorate i Saudi Civil Aviation Holding Company (Matarat).
Fauzan Khan är en Senior Solutions Architect som arbetar med kunder i den offentliga sektorn och ger vägledning för att designa, distribuera och hantera deras AWS-arbetsbelastningar och arkitekturer. Fauzan brinner för att hjälpa kunder att anta innovativa molntekniker inom området HPC och AI/ML för att möta affärsutmaningar. Utanför jobbet gillar Fauzan att tillbringa tid i naturen.
Michael Hoarau är en AI/ML Specialist Solutions Architect på AWS som alternerar mellan datavetare och maskininlärningsarkitekt, beroende på ögonblicket. Han brinner för att föra AI/ML-kraften till sina industrikunders verkstadsgolv och har arbetat med ett brett spektrum av ML-användningsfall, allt från avvikelsedetektering till prediktiv produktkvalitet eller tillverkningsoptimering. Han publicerade en bok om tidsserieanalys år 2022 och skriver regelbundet om detta ämne på LinkedIn och Medium. När han inte hjälper kunder att utveckla de näst bästa maskininlärningsupplevelserna tycker han om att observera stjärnorna, resa eller spela piano.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :är
- $UPP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Able
- Om Oss
- accelerera
- tillgång
- i enlighet med detta
- Konto
- Redovisning
- noggrannhet
- exakt
- exakt
- Uppnå
- uppnåendet
- uppnå
- förvärva
- tvärs
- Agera
- Handling
- åtgärder
- aktiviteter
- handlingar
- Dessutom
- Annat
- Dessutom
- adress
- adresse
- anta
- Efter
- AI
- AI / ML
- AIDS
- Syftet
- flygplats
- Flygplatser
- Varningar
- uppriktning
- Alla
- tillåta
- tillåter
- amason
- Amazon Lookout för utrustning
- analys
- analytics
- analyser
- analys
- och
- Årligen
- avvikelse av anomali
- visas
- Ansökan
- tillämpningar
- tillvägagångssätt
- tillvägagångssätt
- lämpligt
- arkitektur
- ÄR
- OMRÅDE
- runt
- anländer
- AS
- tillgång
- Kapitalförvaltning
- Tillgångar
- At
- Automatiserad
- automatiskt
- tillgänglighet
- luftfarten
- AWS
- Väskor
- bar
- baserat
- BE
- därför att
- innan
- Fördelarna
- BÄST
- Bättre
- mellan
- miljarder
- Block
- ombordstigning
- boken
- Botten
- Bunden
- Fördelning
- raster
- broar
- Föra
- bredare
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- business intelligence
- by
- kallas
- KAN
- fånga
- Karusellen
- Vid
- fall
- Orsak
- Centers
- centraliserad
- vissa
- kedja
- utmanar
- utmaningar
- utmanande
- byta
- Förändringar
- Diagram
- ta
- stängt
- närmare
- cloud
- grundare
- samla
- Samla
- kommande
- kommentarer
- Gemensam
- Kommunikation
- samfundet
- företag
- jämföra
- jämfört
- fullständigt
- komplex
- Komplexiteten
- komponent
- komponenter
- Compute
- begrepp
- tillstånd
- villkor
- förtroende
- BEKRÄFTAT
- Kontakta
- anslutna
- anslutning
- Anslutningar
- anses
- konsekvent
- innehåller
- sammanhang
- fortsätta
- fortsatte
- kontinuerlig
- kontinuerligt
- Däremot
- kontroll
- kontrolleras
- kontroller
- samarbete
- Kärna
- Korrelation
- Pris
- Kostar
- kunde
- Motverka
- Kurs
- täcka
- skapa
- kritisk
- kund
- Kundnöjdhet
- Kunder
- cykel
- instrumentbräda
- datum
- datasjö
- datapunkter
- datavetenskap
- datavetare
- datavisualisering
- data driven
- Datum
- dag
- Dagar
- beslutade
- Beslutsfattande
- beslut
- djupare
- leverera
- levereras
- leverans
- beroende
- beroende
- beror
- distribuera
- utplacerade
- utplacera
- utplacering
- distributioner
- djup
- beskriva
- beskriven
- Designa
- betecknad
- design
- detaljer
- detekterad
- Detektering
- Bestämma
- bestämmande
- utveckla
- utvecklade
- Utveckling
- anordning
- enheter
- olika
- svårt
- digital
- digital Transformation
- rikta
- upptäckt
- Störa
- Störningar
- störningar
- avstånd
- distribueras
- inte
- domän
- inte
- ner
- stilleståndstid
- drastiskt
- Drop
- Droppar
- under
- dynamisk
- varje
- Tidig
- lättare
- lätt
- kant
- effektivitet
- antingen
- elementet
- element
- nödsituation
- möjliggöra
- möjliggör
- säkerställa
- säkerställer
- Hela
- Miljö
- miljömässigt
- Utrustning
- fel
- fel
- Även
- händelse
- händelser
- Varje
- alla
- exempel
- exempel
- överstiga
- Excellence
- befintliga
- expanderade
- förvänta
- förväntat
- kostnader
- erfarenhet
- Erfarenheter
- upplever
- expert
- experter
- utsatta
- Exponering
- extern
- extrahera
- Misslyckande
- Bekanta
- SNABB
- snabbare
- trötthet
- Fed
- få
- Figur
- Slutligen
- hitta
- Förnamn
- flaggad
- FLOTTA
- Flyg
- flöda
- flygande
- Fokus
- efter
- För
- Prognos
- format
- Framåt
- hittade
- färsk
- friktion
- från
- fullständigt
- fungera
- funktioner
- ytterligare
- framtida
- Få
- nätbryggan
- GCC
- GCC-regionen
- tyska
- skaffa sig
- ges
- Välgörenhet
- Globalt
- GmBH
- god
- stor
- Gäst
- gäst inlägg
- vägleda
- hantera
- Arbetsmiljö
- hända
- hänt
- Har
- har
- Rubrik
- kraftigt
- hjälpa
- hjälpa
- hjälper
- Hög
- högre
- historisk
- historia
- Träffa
- innehav
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- Men
- HPC
- HTTPS
- identiska
- identifierar
- identifiera
- bild
- bilder
- obalans
- blir omedelbart
- Inverkan
- genomförande
- genomföras
- ålagts
- förbättra
- förbättra
- in
- innefattar
- Inkommande
- införliva
- Inkorporerad
- Öka
- ökat
- ökande
- indikatorer
- industriell
- industrins
- påverkas
- underrätta
- informationen
- informeras
- Infrastruktur
- inledande
- innovativa
- insikter
- installerad
- exempel
- integrerade
- integrering
- Intelligens
- avser
- interaktiva
- Gränssnitt
- interfererande
- Internationell
- Internet
- sakernas Internet
- lager
- iot
- iot enheter
- problem
- IT
- DESS
- resa
- jpg
- Nyckel
- King
- Vet
- kunskap
- sjö
- språk
- Latens
- senaste
- lansera
- leda
- ledande
- LÄRA SIG
- lärt
- inlärning
- Led
- Längd
- Lärdomar
- Lärdomar
- Lets
- Nivå
- nivåer
- livet
- livscykel
- tycka om
- sannolikt
- Begränsad
- linje
- LINK
- lever
- livedata
- lokalt
- platser
- se
- du letar
- förlora
- Låg
- Maskinen
- maskininlärning
- Makro
- Huvudsida
- bibehålla
- upprätthålla
- underhåll
- göra
- GÖR
- Framställning
- hantera
- förvaltade
- ledning
- förvaltar
- hantera
- Produktion
- många
- massiv
- matchande
- Maj..
- betyder
- mäta
- mätningar
- mätning
- mekanism
- Medium
- meddelande
- meddelanden
- metoder
- Metrics
- miljon
- miljoner
- Attityd
- ML
- modell
- modeller
- Modern Konst
- lägen
- ögonblick
- Övervaka
- övervakning
- Månad
- månader
- mer
- mest
- Motor
- Motorer
- rörliga
- multipel
- Natural
- Natur
- nödvändigt för
- Behöver
- behov
- Nya
- Nästa
- Brus
- normala
- få
- of
- on
- Ombord
- ONE
- driva
- drivs
- fungerar
- drift
- drift
- operativa
- Verksamhet
- operatörer
- Möjlighet
- optimala
- optimering
- Optimera
- Orange
- organisation
- Övriga
- utanför
- övergripande
- Översikt
- del
- partnern
- reservdelar till din klassiker
- brinner
- Tidigare
- Plåster
- mönster
- prestanda
- perioden
- Personal
- fas
- fysisk
- Fysiskt
- bitar
- rörledning
- planeras
- planering
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- i
- snälla du
- poäng
- Portal
- positiv
- möjlig
- Inlägg
- kraft
- drivs
- praxis
- exakt
- Förutsägelser
- Predictive Analytics
- Premier
- tryck
- förhärskande
- förebyggande
- Proaktiv
- sond
- Problem
- problem
- process
- Produkt
- Produktkvalitet
- Produktion
- skrider
- projekt
- bevis
- bevis på koncept
- ordentligt
- föreslagen
- protokoll
- prototyping
- bevisar
- ge
- förutsatt
- leverantörer
- ger
- tillhandahålla
- allmän
- publicerade
- syfte
- kvalitet
- frågor
- snabbt
- höja
- område
- som sträcker sig
- Betygsätta
- rates
- Raw
- reagerar
- verklig
- verkliga livet
- realtid
- realistisk
- Anledningen
- rekommenderar
- rekommendationer
- minska
- reducerande
- region
- regelbundet
- Förhållanden
- relativt
- pålitlig
- resterna
- ersätta
- begära
- Obligatorisk
- Kräver
- Resultat
- återanvända
- stigande
- Risk
- Rullad
- rot
- Rutt
- Körning
- SaaS
- säker
- Samma
- tillfredsställande
- Saudi
- skalor
- scenarier
- tidtabellen
- Vetenskap
- Forskare
- sömlös
- sekundär
- sekunder
- §
- sektor
- säkra
- säkert
- säkerhet
- verkade
- segment
- vald
- skicka
- senior
- sensor
- Serier
- Servrar
- service
- tjänsteleverantörer
- Tjänster
- in
- flera
- former
- skifta
- Butik
- brist
- show
- visas
- Visar
- avstängningar
- Syn
- signaler
- signifikant
- liknande
- enda
- ganska stor
- storlekar
- färdigheter
- Small
- smarta
- Rök
- Mjukvara
- mjukvara som en service
- lösning
- Lösningar
- Löser
- några
- sofistikerade
- specialist
- specifik
- fart
- Spendera
- Stjärnor
- starta
- igång
- Ange
- state-of-the-art
- Stoppar
- förvaring
- strategier
- Strategi
- effektivisera
- skicka
- framgångsrik
- Framgångsrikt
- sådana
- leverera
- leveranskedjan
- stödja
- Stödjande
- system
- System
- bord
- riktade
- grupp
- lag
- Tekniken
- Teknologi
- terminal
- testa
- Testning
- den där
- Smakämnen
- Området
- Framtiden
- deras
- Dem
- sig själva
- därför
- termisk
- Dessa
- saker
- trodde
- tusentals
- Genom
- hela
- genomströmning
- tid
- Tidsföljder
- gånger
- Tidpunkten
- till
- i dag
- ämne
- mot
- traditionell
- Tåg
- tränad
- Utbildning
- Transformation
- Transformationsstrategi
- Traveling
- Trender
- utlösa
- biljoner
- SVÄNG
- typisk
- typiskt
- underliggande
- förstå
- Oväntat
- unika
- enhet
- obegränsat
- us
- användning
- Användare
- användare
- vanligen
- utnyttja
- BEKRÄFTA
- värde
- Värden
- olika
- Hastighet
- via
- utsikt
- visualisering
- avgörande
- flyktiga
- volymer
- vs
- vänta
- varning
- Sätt..
- Väder
- veckor
- Vad
- om
- som
- medan
- VEM
- bred
- Brett utbud
- kommer
- med
- inom
- utan
- Arbete
- arbetade
- arbetskraft
- arbetssätt
- värt
- skulle
- år
- år
- Om er
- Din
- zephyrnet