İmalat endüstrilerinde yaygın makine arızası türlerini tahmin etmek çok önemlidir. Belirli bir hata türüne bağlı bir ürünün bir dizi özelliği verildiğinde, bu nitelikleri bir makine öğrenimi (ML) modeline beslediğinizde hata türünü tahmin edebilen bir model geliştirebilirsiniz. Makine öğrenimi, içgörülere yardımcı olabilir, ancak şimdiye kadar, makine arızası türlerini tahmin etmek için modeller oluşturmak için makine öğrenimi uzmanlarına ihtiyaç duyuyordunuz; bunların eksikliği, işletmelerin verimlilik veya iyileştirme için ihtiyaç duyduğu düzeltici eylemleri geciktirebilir.
Bu gönderide, iş analistlerinin aşağıdakilerle nasıl bir makine arızası türü tahmini ML modeli oluşturabileceğini gösteriyoruz. Amazon SageMaker Tuval. Canvas size, herhangi bir ML deneyimi gerektirmeden veya tek bir kod satırı yazmanıza gerek kalmadan modeller oluşturmanıza ve doğru ML tahminleri oluşturmanıza olanak tanıyan görsel bir tıkla ve tıkla arabirimi sağlar.
Çözüme genel bakış
Büyük bir üretim organizasyonunun bakım ekibine atanmış bir iş analisti olduğunuzu varsayalım. Bakım ekibiniz, yaygın arızaları tahmin etmenize yardımcı olmanızı istedi. Size belirli bir arıza tipine bağlı özellikleri içeren bir geçmiş veri seti sağladılar ve gelecekte hangi arızanın meydana geleceğini tahmin etmenizi istiyorlar. Arıza türleri, Arıza Yok, Aşırı Gerilme ve Güç Kesintilerini içerir. Veri şeması aşağıdaki tabloda listelenmiştir.
Sütun adı | Veri tipi | Açıklama |
UID | INT | 1-10,000 arasında değişen benzersiz tanımlayıcı |
ürün kimliği | STRING | Ürün kalitesi varyantları olarak düşük, orta veya yüksek için L, M veya H harfinden ve varyanta özel seri numarasından oluşur |
tip | STRING | Yalnızca L, M veya H'den oluşan ürün kimliğiyle ilişkili ilk harf |
hava sıcaklığı [K] | ONDALIK | Kelvin cinsinden belirtilen hava sıcaklığı |
proses sıcaklığı [K] | ONDALIK | Kelvin cinsinden belirtilen belirli bir ürün tipinin kalitesini sağlamak için hassas şekilde kontrol edilen sıcaklıklar |
dönme hızı [rpm] | ONDALIK | Bir eksen etrafında dönen bir nesnenin dönme hızı, dakikadaki devir olarak belirtilen nesnenin dönüş sayısının zamana bölümüdür. |
tork [Nm] | ONDALIK | Newton metre olarak ifade edilen bir yarıçap boyunca makine döndürme kuvveti |
takım aşınması [dk] | INT | Dakika olarak ifade edilen takım aşınması |
hata türü (hedef) | STRING | Arıza Yok, Güç Kesintisi veya Aşırı Gerilme Arızası |
Arıza türü belirlendikten sonra işletmeler düzeltici önlemleri alabilir. Bunu yapmak için, tabloda özetlendiği gibi bir ürünün belirli özelliklerini içeren bir CSV dosyasındaki verileri kullanırsınız. Aşağıdaki adımları gerçekleştirmek için Canvas'ı kullanırsınız:
- Bakım veri kümesini içe aktarın.
- Tahmine dayalı makine bakım modelini eğitin ve oluşturun.
- Model sonuçlarını analiz edin.
- Modele karşı tahminleri test edin.
Önkoşullar
Bir bulut yöneticisi AWS hesabı aşağıdaki ön koşulları tamamlamak için uygun izinlere sahip olmak gerekir:
- dağıtmak Amazon Adaçayı Yapıcı alan Talimatlar için bkz. Amazon SageMaker Etki Alanında Yerleşik.
- Canvas'ı başlatın. Talimatlar için bkz. Amazon SageMaker Canvas'ı kurma ve yönetme (BT yöneticileri için).
- Canvas için çıkış noktaları arası kaynak paylaşımı (CORS) ilkelerini yapılandırın. Talimatlar için bkz. Kullanıcılarınıza yerel dosyalar yükleme olanağı verin.
Veri kümesini içe aktar
İlk önce, bakım veri seti ve tüm verilerin orada olduğundan emin olmak için dosyayı inceleyin.
Canvas, başlamanıza yardımcı olmak için uygulamanızda birkaç örnek veri kümesi sağlar. Deneme yapabileceğiniz SageMaker tarafından sağlanan örnek veri kümeleri hakkında daha fazla bilgi edinmek için bkz. Örnek veri kümelerini kullanın. Örnek veri kümesini kullanırsanız (canvas-sample-maintenance.csv
) mevcutsa, bakım veri setini içe aktarmanız gerekmez.
Farklı veri kaynaklarından verileri Canvas'a aktarabilirsiniz. Kendi veri kümenizi kullanmayı planlıyorsanız, aşağıdaki adımları izleyin: Amazon SageMaker Canvas'ta verileri içe aktarma.
Bu gönderi için indirdiğimiz tam bakım veri setini kullanıyoruz.
- Adresinde oturum açın AWS Yönetim Konsolu, Canvas'a erişmek için uygun izinlere sahip bir hesap kullanarak.
- Canvas konsolunda oturum açın.
- Klinik ithalat.
- Klinik Foto Yükle Seçin ve
maintenance_dataset.csv
dosyası. - Klinik Tarihleri içe aktar Canvas'a yüklemek için.
İçe aktarma işlemi yaklaşık 10 saniye sürer (bu, veri kümesi boyutuna bağlı olarak değişebilir). Tamamlandığında, veri kümesinin içinde olduğunu görebilirsiniz. Ready
durumu.
İçe aktarılan veri kümesinin ready
, modelinizi oluşturabilirsiniz.
Modeli oluşturun ve eğitin
Modelinizi oluşturmak ve eğitmek için aşağıdaki adımları tamamlayın:
- Klinik Yeni modelve modeliniz için bir ad girin.
- Klinik oluşturmak.
- seçmek
maintenance_dataset.csv
veri kümesi ve seçin Veri kümesini seçin.
Model görünümünde, bir model oluşturmak ve bunu tahminler oluşturmak için kullanmak için dört adıma karşılık gelen dört sekme görebilirsiniz: seç, İnşa etmek, Çözümlemek, ve Tahmin. - Üzerinde seç sekmesine gidin,
maintenance_dataset.csv
daha önce yüklediğiniz veri kümesini seçin ve Veri kümesini seçin.
Bu veri kümesi 9 sütun ve 10,000 satır içerir. Canvas otomatik olarak Oluşturma aşamasına geçer. - Bu sekmede, bizim durumumuzda hedef sütunu seçin Arıza Türü.Bakım ekibi, bu sütunun, mevcut makinelerinden alınan geçmiş verilere dayalı olarak tipik olarak görülen arıza türlerini gösterdiğini size bildirmiştir. Modelinizi tahmin etmek için eğitmek istediğiniz şey budur. Canvas otomatik olarak bunun bir 3 Kategori sorun (olarak da bilinir) çok sınıflı sınıflandırma). Yanlış model tipi tespit edilirse, manuel olarak değiştirebilirsiniz. Türünü değiştir seçeneği.
Bu veri kümesinin No Failure sınıfına göre oldukça dengesiz olduğuna dikkat edilmelidir. Arıza Türü. Canvas ve temel alınan AutoML yetenekleri, veri kümesi dengesizliğini kısmen kaldırabilse de, bu, bazı performanslarda sapmalara neden olabilir. Ek bir sonraki adım olarak, bkz. Amazon SageMaker Data Wrangler ile verilerinizi makine öğrenimi için dengeleyin. Paylaşılan bağlantıdaki adımları izleyerek bir Amazon SageMaker Stüdyosu SageMaker konsolundan uygulama ve bu veri kümesini içe aktarın Amazon SageMaker Veri Düzenleyicisi ve Balance veri dönüşümünü kullanın, ardından dengeli veri kümesini Canvas'a geri alın ve aşağıdaki adımlara devam edin. Canvas'ın dengesiz veri kümelerini de işleyebileceğini göstermek için bu gönderide dengesiz veri kümesiyle ilerliyoruz.
Sayfanın alt yarısında, eksik ve uyumsuz değerler, benzersiz değerler ve ortalama ve medyan değerler dahil olmak üzere veri kümesinin bazı istatistiklerine bakabilirsiniz. Ayrıca, yalnızca seçimlerini kaldırarak tahmin için kullanmak istemiyorsanız bazı sütunları bırakabilirsiniz.
Bu bölümü keşfettikten sonra, modeli eğitmenin zamanı geldi! Tam bir model oluşturmadan önce, bir Hızlı Model eğiterek model performansı hakkında genel bir fikir edinmek iyi bir uygulamadır. Hızlı bir model, özellikle kullanım durumunuz için bir ML modeli eğitiminin değerini kanıtlamak istediğiniz durumlarda, doğruluk yerine hıza öncelik vermek için daha az model ve hiper parametre kombinasyonunu eğitir. Hızlı oluşturma seçeneğinin 50,000 satırdan büyük modeller için mevcut olmadığını unutmayın. - Klinik Hızlı inşa.
Şimdi 2-15 dakika arasında herhangi bir yerde beklersiniz. Bir kez yapıldığında, Canvas otomatik olarak Çözümlemek sekmesi size hızlı eğitimin sonuçlarını göstermek için. Hızlı derleme kullanılarak gerçekleştirilen analiz, modelinizin zamanın %99.2'sinde doğru arıza türünü (sonucunu) tahmin edebildiğini tahmin eder. Biraz farklı değerler yaşayabilirsiniz. Bu bekleniyor.
İlk sekmeye odaklanalım, Genel Bakış. Bu, size aşağıdakileri gösteren sekmedir. sütun etkisiveya hedef sütunu tahmin etmede her sütunun tahmini önemi. Bu örnekte, Tork [Nm] ve Dönme hızı [rpm] sütunları, ne tür bir arıza meydana geleceğini tahmin etmede en önemli etkiye sahiptir.
Model performansını değerlendirin
taşındığında Puanlama Analizinizin bir bölümünde, tahmin edilen değerlerimizin gerçek değerlere göre dağılımını temsil eden bir grafik görebilirsiniz. Çoğu arızanın Arıza Yok kategorisinde olacağına dikkat edin. Canvas'ın ML'ye açıklanabilirlik sağlamak için SHAP temellerini nasıl kullandığı hakkında daha fazla bilgi edinmek için bkz. Amazon SageMaker Canvas'ta Modelinizin Performansını Değerlendirme, Hem de Açıklanabilirlik için SHAP Temelleri.
Canvas, orijinal veri kümesini eğitimden önce tren ve doğrulama kümelerine böler. Puanlama, Canvas'ın modele göre doğrulama setini çalıştırmasının bir sonucudur. Bu, arıza türünü seçebileceğiniz etkileşimli bir arayüzdür. Eğer seçersen Aşırı Gerilme Başarısızlığı grafikte, modelin zamanın bu %84'ünü tanımladığını görebilirsiniz. Bu, önlem almak için yeterince iyidir - belki bir operatör veya mühendisin daha fazla kontrol etmesini sağlayın. Seçebilirsiniz Elektrik kesilmesi Daha fazla yorum ve eylemler için ilgili puanlamayı görmek için grafikte.
Arıza türleri ve modelin bir dizi girdiye dayalı olarak arıza türlerini ne kadar iyi tahmin ettiği ile ilgilenebilirsiniz. Sonuçlara daha yakından bakmak için seçin Gelişmiş metrikler. Bu, sonuçları daha yakından incelemenizi sağlayan bir matris görüntüler. ML'de buna denir karışıklık matrisi.
Bu matris, varsayılan olarak baskın sınıf olan No Failure (Hata Yok) olarak ayarlanır. Üzerinde Sınıf menüsünde, Aşırı Gerilme Arızası ve Güç Kesintisi olmak üzere diğer iki arıza türünün gelişmiş ölçümlerini görüntülemeyi seçebilirsiniz.
ML'de modelin doğruluğu, toplam tahmin sayısına bölünen doğru tahminlerin sayısı olarak tanımlanır. Mavi kutular, modelin bilinen bir sonucun olduğu bir test verisi alt kümesine karşı yaptığı doğru tahminleri temsil eder. Burada, modelin belirli bir makine arızası tipini tahmin ettiği zamanın yüzde kaçı ile ilgileniyoruz (diyelim ki Başarısızlık Yok) aslında bu hata türü olduğunda (Başarısızlık Yok). ML'de bunu ölçmek için kullanılan bir oran TP / (TP + FN). Bu olarak adlandırılır geri çağırmak. Varsayılan durumda, Hata Yok, 1,923 genel kayıttan 1,926 doğru tahmin vardı ve bu da %99 ile sonuçlandı. geri çağırmak. Alternatif olarak, Aşırı Gerilme Başarısızlığı sınıfında, 32'den 38'si vardı ve bu da %84 ile sonuçlandı. geri çağırmak. Son olarak, Elektrik Kesintisi sınıfında 16 kişiden 19'sı vardı ve bu da %84 ile sonuçlandı. geri çağırmak.
Şimdi, iki seçeneğiniz var:
- Seçerek bazı tahminleri çalıştırmak için bu modeli kullanabilirsiniz. Tahmin.
- ile eğitmek için bu modelin yeni bir sürümünü oluşturabilirsiniz. Standart yapı seçenek. Bu işlem çok daha uzun sürer (yaklaşık 1-2 saat), ancak verilerin, algoritmaların ve ayar yinelemelerinin tam bir AutoML incelemesinden geçtiği için daha sağlam bir model sağlar.
Arızaları tahmin etmeye çalıştığınız ve modelin arızaları zamanın %84'ünde doğru tahmin ettiği için, olası arızaları belirlemek için modeli güvenle kullanabilirsiniz. Böylece 1. seçeneğe ilerleyebilirsiniz. Kendinizden emin değilseniz, bir veri bilimcisinin Canvas'ın yaptığı modellemeyi incelemesini ve seçenek 2 aracılığıyla potansiyel iyileştirmeler sunmasını sağlayabilirsiniz.
Tahminler oluştur
Artık model eğitildiğine göre, tahminler oluşturmaya başlayabilirsiniz.
- Klinik Tahmin altındaki Çözümlemek sayfasını seçin veya Tahmin sekmesi.
- Klinik Veri kümesini seçinve seçin
maintenance_dataset.csv
dosyası. - Klinik Tahminler oluştur.
Canvas, tahminlerimizi oluşturmak için bu veri kümesini kullanır. Hem eğitim hem de test için aynı veri kümesini kullanmamak genellikle iyi bir fikir olsa da, bu durumda basitlik adına aynı veri kümesini kullanabilirsiniz. Alternatif olarak, eğitim için kullandığınız orijinal veri kümenizden bazı kayıtları kaldırabilir ve bu kayıtları bir CSV dosyasında kullanabilir ve eğitim sonrası test için aynı veri kümesini kullanmamak için buradaki toplu tahmine besleyebilirsiniz.
Birkaç saniye sonra tahmin tamamlanır. Canvas, her veri satırı için bir tahmin ve tahminin doğru olma olasılığını döndürür. Seçebilirsiniz Önizleme tahminleri görüntülemek için veya İndir tam çıktıyı içeren bir CSV dosyasını indirmek için.
Seçerek değerleri tek tek tahmin etmeyi de seçebilirsiniz. Tek tahmin yerine Toplu tahmin. Kanvas, her bir özellik için değerleri manuel olarak sağlayabileceğiniz ve bir tahmin oluşturabileceğiniz bir görünüm gösterir. Bu, ne olursa olsun senaryoları gibi durumlar için idealdir, örneğin: Takım aşınması arıza türünü nasıl etkiler? Proses sıcaklığı artar veya azalırsa ne olur? Dönme hızı değişirse ne olur?
Standart yapı
The Standart yapı seçeneği hız yerine doğruluğu seçer. Modelin yapılarını veri bilimciniz ve makine öğrenimi mühendislerinizle paylaşmak istiyorsanız, daha sonra standart bir yapı oluşturabilirsiniz.
- Klinik Sürüm ekle
- Yeni bir sürüm seçin ve Standart yapı.
- Standart bir yapı oluşturduktan sonra, daha fazla değerlendirme ve yineleme için modeli veri bilimcileri ve makine öğrenimi mühendisleriyle paylaşabilirsiniz.
Temizlemek
Gelecekle karşılaşmamak için seans ücretleri, Canvas'tan çıkış yapın.
Sonuç
Bu gönderide, bir iş analistinin bakım verilerini kullanarak Canvas ile nasıl makine arızası tipi tahmin modeli oluşturabileceğini gösterdik. Canvas, güvenilirlik mühendisleri gibi iş analistlerinin doğru ML modelleri oluşturmasına ve kodsuz, görsel, tıkla ve tıkla arabirimi kullanarak tahminler oluşturmasına olanak tanır. Analistler, modellerini veri bilimcisi meslektaşlarıyla paylaşarak bunu bir sonraki seviyeye taşıyabilir. Veri bilimcileri, Canvas modelini Studio'da görüntüleyebilir, burada Canvas'ın yaptığı seçimleri keşfedebilir, model sonuçlarını doğrulayabilir ve hatta modeli birkaç tıklamayla üretime alabilir. Bu, makine öğrenimi tabanlı değer yaratmayı hızlandırabilir ve iyileştirilmiş sonuçların daha hızlı ölçeklenmesine yardımcı olabilir.
Canvas'ı kullanma hakkında daha fazla bilgi edinmek için bkz. Oluşturun, Paylaşın, Dağıtın: İş analistleri ve veri bilimcileri kodsuz ML ve Amazon SageMaker Canvas kullanarak nasıl daha hızlı pazara sunma süresi elde ediyor?. Kodsuz bir çözümle ML modelleri oluşturma hakkında daha fazla bilgi için bkz. Amazon SageMaker Canvas – İş Analistleri için Görsel, Kodsuz Makine Öğrenimi Yeteneği Duyurusu.
Yazarlar Hakkında
Rajakumar Sampathkumar AWS'de Baş Teknik Hesap Yöneticisidir, müşterilere iş-teknoloji uyumu konusunda rehberlik eder ve bulut operasyon modellerinin ve süreçlerinin yeniden icat edilmesini destekler. Bulut ve makine öğrenimi konusunda tutkulu. Raj aynı zamanda bir makine öğrenimi uzmanıdır ve AWS iş yüklerini ve mimarilerini tasarlamak, dağıtmak ve yönetmek için AWS müşterileriyle birlikte çalışır.
Twann Atkins Amazon Web Servisleri için Kıdemli Çözüm Mimarıdır. İş sorunlarını belirlemek için Tarım, Perakende ve İmalat müşterileriyle çalışmaktan ve uygulanabilir ve ölçeklenebilir teknik çözümleri belirlemek için geriye doğru çalışmaktan sorumludur. Twann, yakın zamanda müşteriler ve yarının kurucuları için analitik, yapay zeka ve makine öğrenimini demokratikleştirmeye odaklanarak 10 yılı aşkın bir süredir müşterilerin kritik iş yüklerini planlamasına ve geçirmesine yardımcı oluyor.
Omkar Mukadam Amazon Web Services'de bir Uç Uzmanı Çözüm Mimarisi. Şu anda, ticari müşterilerin AWS Snow Ailesi'ni içeren ancak bununla sınırlı olmayan AWS Edge hizmet tekliflerini etkili bir şekilde tasarlamasını, oluşturmasını ve ölçeklendirmesini sağlayan çözümlere odaklanmaktadır.
- Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
- KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- kabiliyet
- Hakkımızda
- hızlandırmak
- erişim
- Hesap
- doğru
- Başarmak
- Action
- eylemler
- Ek
- Gizem
- yöneticiler
- ileri
- karşı
- tarım
- algoritmalar
- Türkiye
- veriyor
- Rağmen
- Amazon
- Amazon Web Servisleri
- çözümlemek
- analiz
- analist
- analytics
- hiçbir yerde
- uygulamayı yükleyeceğiz
- Uygulama
- uygun
- yaklaşık olarak
- mimari
- etrafında
- yapay
- yapay zeka
- Yapay Zeka ve Makine Öğrenimi
- atanmış
- ilişkili
- öznitelikleri
- otomatik olarak
- mevcut
- AWS
- eksen
- Çünkü
- önce
- olmak
- büyük
- sınır
- getirmek
- inşa etmek
- bina
- iş
- işletmeler
- tuval
- yetenekleri
- dava
- durumlarda
- Kategoriler
- belli
- değişiklik
- choices
- Klinik
- sınıf
- yakın
- bulut
- kod
- arkadaşları
- Sütun
- kombinasyonları
- ticari
- ortak
- tamamlamak
- emin
- konsolos
- içeren
- devam etmek
- olabilir
- yaratmak
- Oluşturma
- oluşturma
- kritik
- Şu anda
- Müşteriler
- veri
- veri bilimcisi
- geciktirmek
- bağlı
- dağıtmak
- Dizayn
- algılandı
- geliştirmek
- DID
- farklı
- görüntüler
- dağıtım
- domain
- indir
- Damla
- her
- kenar
- etkili bir şekilde
- sağlar
- mühendis
- Mühendisler
- özellikle
- tahmini
- tahminleri
- değerlendirmek
- değerlendirme
- örnek
- mevcut
- beklenen
- deneyim
- deneme
- uzmanlara göre
- keşfetmek
- ifade
- Başarısızlık
- aile
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- Ad
- odak
- odaklanır
- takip et
- takip etme
- itibaren
- tam
- daha fazla
- gelecek
- genel
- genellikle
- oluşturmak
- üreten
- Tercih Etmenizin
- sap
- sahip olan
- yardım et
- yardım
- okuyun
- büyük ölçüde
- tarihsel
- Ne kadar
- HTTPS
- Fikir
- ideal
- belirlemek
- darbe
- önem
- gelişmiş
- iyileşme
- dahil
- içerir
- Dahil olmak üzere
- Endüstri
- bilgi
- bilgi
- anlayışlar
- İstihbarat
- interaktif
- ilgili
- arayüzey
- yorumlama
- IT
- bilinen
- büyük
- başlatmak
- ÖĞRENİN
- öğrenme
- seviye
- Sınırlı
- çizgi
- LINK
- Listelenmiş
- yerel
- Bakın
- makine
- makine öğrenme
- Makineler
- yapılmış
- bakım
- yapmak
- yönetmek
- yönetim
- müdür
- yönetme
- el ile
- üretim
- Matris
- ölçmek
- orta
- Metrikleri
- ML
- model
- modelleri
- Daha
- çoğu
- hareket
- sonraki
- ünlü
- numara
- teklif
- teklifleri
- operasyon
- Şebeke
- seçenek
- Opsiyonlar
- sipariş
- kuruluşlar
- orijinal
- Diğer
- tüm
- kendi
- belirli
- tutkulu
- yüzde
- performans
- performansları
- faz
- politikaları
- mümkün
- potansiyel
- güç kelimesini seçerim
- uygulama
- tahmin
- tahmin
- Tahminler
- Anapara
- Sorun
- sorunlar
- süreç
- Süreçler
- PLATFORM
- Ürün kalitesi
- üretim
- sağlamak
- sağlanan
- sağlar
- sağlama
- kalite
- Hızlı
- değişen
- son
- kayıtlar
- temsil etmek
- temsil
- gereklidir
- kaynak
- sorumlu
- Sonuçlar
- perakende
- İade
- yorum
- koşmak
- koşu
- aynı
- ölçeklenebilir
- ölçek
- bilim adamı
- bilim adamları
- puanlama
- saniye
- seri
- Dizi
- hizmet
- Hizmetler
- set
- birkaç
- paylaş
- Paylaşılan
- paylaşımı
- şov
- önemli
- tek
- beden
- kar
- So
- katı
- çözüm
- Çözümler
- biraz
- uzman
- hız
- Splits
- standart
- başlama
- başladı
- istatistik
- Durum
- stüdyo
- Destek
- Hedef
- takım
- Teknik
- test
- Test yapmak
- The
- İçinden
- bağlı
- zaman
- yarın
- araç
- karşı
- Eğitim
- trenler
- Dönüşüm
- türleri
- tipik
- benzersiz
- kullanım
- kullanıcılar
- onaylama
- değer
- versiyon
- Görüntüle
- beklemek
- ağ
- web hizmetleri
- Ne
- içinde
- çalışma
- çalışır
- olur
- yıl