Це гостьовий пост, написаний у співавторстві з Моулхамом Захабі з Матарату.
Напевно, кожен реєстрував свій багаж під час польоту і з нетерпінням чекав, коли його сумки з'являться на каруселі. Успішна та своєчасна доставка вашого багажу залежить від масивної інфраструктури під назвою система обробки багажу (BHS). Ця інфраструктура є однією з ключових функцій успішної роботи аеропорту. Успішна обробка багажу та вантажу для рейсів, які відправляються та прибувають, має вирішальне значення для забезпечення задоволеності клієнтів та забезпечення бездоганної роботи аеропорту. Ця функція значною мірою залежить від безперервної роботи BHS та ефективності операцій з технічного обслуговування. Будучи рятівною лінією аеропортів, BHS є лінійним активом, який може перевищувати 34,000 70 метрів у довжину (для одного аеропорту), обробляючи понад XNUMX мільйонів мішків щорічно, що робить його однією з найскладніших автоматизованих систем і життєво важливим компонентом роботи аеропорту.
Незапланований простой системи обробки багажу, будь то конвеєрна стрічка, карусель або сортувальник, може порушити роботу аеропорту. Такі збої неодмінно створять неприємні враження для пасажирів і, можливо, накладуть штрафи на постачальників послуг аеропорту.
Основна проблема підтримання системи обробки багажу полягає в тому, як безперервно керувати інтегрованою системою з понад 7,000 активів і понад мільйоном установок. Ці системи також обробляють мільйони мішків різних форм і розмірів. Можна з упевненістю припустити, що системи обробки багажу схильні до помилок. Оскільки елементи працюють у замкнутому циклі, якщо один елемент виходить з ладу, це впливає на всю лінію. Традиційне технічне обслуговування покладається на значну робочу силу, розподілену по ключових місцях уздовж BHS, яку оператори відправляють у разі несправності в роботі. Групи технічного обслуговування також значною мірою покладаються на рекомендації постачальників щодо планування простоїв для профілактичного обслуговування. Визначення того, чи належним чином реалізовано заходи з профілактичного обслуговування, або моніторинг продуктивності цього типу активів може бути ненадійним і не зменшує ризик непередбачених простоїв.
Управління запасними частинами є додатковим викликом, оскільки час виконання робіт зростає через збої в глобальному ланцюжку поставок, але рішення щодо поповнення запасів базуються на історичних тенденціях. Крім того, ці тенденції не враховують мінливе динамічне середовище діючих активів BHS у міру їх старіння. Щоб подолати ці виклики, у стратегіях технічного обслуговування має відбутися сейсмічна зміна — перехід від реактивного мислення до проактивного. Ця зміна вимагає від операторів використання новітніх технологій для оптимізації технічного обслуговування, оптимізації операцій і мінімізації операційних витрат.
У цій публікації ми описуємо, як використовувалися рішення AWS Partner Airis Amazon Lookout для обладнання, служби Інтернету речей (IoT) AWS та CloudRail сенсорні технології, щоб забезпечити сучасне рішення для вирішення цих проблем.
Огляд системи обробки багажу
Наступні діаграма та таблиця ілюструють вимірювання, зроблені на типовій каруселі в Міжнародному аеропорту Короля Халіда в Ер-Ріяді.
Дані збираються в різних місцях, зображених на схемі.
Тип датчика | Цінність бізнесу | Набори даних | Місце розташування |
Датчики швидкості IO Link | Однорідна швидкість каруселі | PDV1 (1 за хв.) | C |
Датчик вібрації з вбудованим Датчик температури |
Ослаблений гвинт, Вал невідрегульований, Пошкодження підшипника, Пошкодження обмотки двигуна |
Втома (v-RMS) (м/с) Удар (а-пік) (м/с^2) Тертя (a-RMS) (м/с^2) Температура (C) гребінь |
А і В |
Датчик відстані PEC | Пропускна здатність багажу | Відстань (см) | D |
На наступних зображеннях показано середовище та обладнання для моніторингу для різних вимірювань.
Огляд рішення
Система передбачуваного технічного обслуговування (PdMS) для систем обробки багажу є еталонною архітектурою, яка допомагає операторам технічного обслуговування аеропорту під час їхньої подорожі мати дані як засіб для покращення незапланованих простоїв. Він містить будівельні блоки для прискорення розробки та розгортання підключених датчиків і служб. PdMS включає сервіси AWS для безпечного керування життєвим циклом периферійних обчислювальних пристроїв і активів BHS, надходження даних у хмару, зберігання, моделі висновків машинного навчання (ML) і бізнес-логіку для проактивного обслуговування обладнання в хмарі.
Ця архітектура була побудована на основі уроків, отриманих під час роботи з операціями аеропорту протягом кількох років. Запропоноване рішення було розроблено за підтримки Northbay Solutions, прем’єр-партнера AWS, і може бути розгорнуто в аеропортах будь-якого розміру та масштабу з тисячами підключених пристроїв протягом 90 днів.
На наступній діаграмі архітектури показано базові компоненти, які використовуються для побудови рішення для прогнозованого обслуговування:
Для складання нашої архітектури ми використовуємо такі послуги:
- CloudRail.DMC — це рішення «програмне забезпечення як послуга» (SaaS) від німецького експерта з Інтернету речей CloudRail GmbH. Ця організація керує парком глобально розподілених периферійних шлюзів. За допомогою цієї послуги промислові датчики, розумні лічильники та сервери OPC UA можна підключити до озера даних AWS лише кількома клацаннями миші.
- Ядро AWS IoT дозволяє підключати мільярди пристроїв IoT і направляти трильйони повідомлень до служб AWS без керування інфраструктурою. Він безпечно передає повідомлення до та з усіх ваших пристроїв і програм IoT з низькою затримкою та високою пропускною здатністю. Ми використовуємо AWS IoT Core для підключення до датчиків CloudRail і пересилання їх вимірювань до AWS Cloud.
- AWS IoT Analytics це повністю керована служба, яка дозволяє легко запускати та вводити в дію складну аналітику величезних обсягів даних IoT, не турбуючись про вартість і складність, які зазвичай потрібні для створення платформи аналітики IoT. Це простий спосіб запустити аналітику даних IoT для отримання точної інформації.
- Amazon Lookout для обладнання аналізує дані з датчиків обладнання, щоб автоматично створити модель ML для вашого обладнання на основі даних, що стосуються конкретних активів. Навики обробки даних не потрібні. Lookout for Equipment аналізує вхідні дані датчиків у реальному часі та точно визначає сигнали раннього попередження, які можуть призвести до несподіваного простою.
- Amazon QuickSight дозволяє кожному в організації розуміти дані, ставлячи запитання природною мовою, візуалізуючи інформацію за допомогою інтерактивних інформаційних панелей і автоматично шукаючи шаблони та викиди за допомогою ML.
Як показано на наведеній нижче схемі, ця архітектура дозволяє надсилати дані датчиків до операційної інформації.
Точки даних збираються за допомогою датчиків IO-Link: IO-Link — це стандартизований інтерфейс для безперебійного зв’язку від рівня управління промисловим активом (у нашому випадку системи обробки багажу) до рівня датчика. Цей протокол використовується для передачі даних датчиків у крайовий шлюз CloudRail і завантаження в AWS IoT Core. Останній потім надає дані про обладнання моделям ML для виявлення операційних проблем і проблем з обладнанням, які можна використовувати для визначення оптимального часу для обслуговування або заміни активів без зайвих витрат.
Збір даних
Модернізація існуючих активів і систем керування ними в хмару залишається складним підходом для операторів обладнання. Додавання додаткових датчиків забезпечує швидкий і безпечний спосіб отримання необхідних даних, не заважаючи існуючим системам. Тому це простіше, швидше та неінвазивно порівняно з прямим підключенням ПЛК машини. Крім того, можна вибрати модернізовані датчики для точного вимірювання точок даних, необхідних для конкретних режимів відмови.
За допомогою CloudRail кожен промисловий датчик IO-Link можна підключити до таких сервісів AWS, як AWS IoT Core, AWS IoT SiteWiseабо AWS IoT Greengrass протягом кількох секунд через хмарний портал керування пристроями (CloudRail.DMC). Це дає змогу експертам з Інтернету речей працювати з централізованих місць і бортових фізичних систем, які розподілені по всьому світу. Рішення вирішує проблеми підключення даних для систем прогнозованого технічного обслуговування за допомогою простого механізму plug-and-play.
Шлюз діє як промислова демілітаризована зона (IDMZ) між обладнанням (OT) і хмарним сервісом (IT). Завдяки інтегрованому додатку для керування автопарком CloudRail забезпечує автоматичне розгортання останніх патчів безпеки для тисяч установок.
На наступному зображенні показано датчик IO-Link і межовий шлюз CloudRail (помаранчевим):
Навчання моделі виявлення аномалій
Організації з більшості промислових сегментів бачать, що сучасні стратегії технічного обслуговування відходять від реактивних підходів до відмови та переходять до більш прогнозованих методів. Однак для переходу до підходу до технічного обслуговування, заснованого на умовах або прогнозування, потрібні дані, зібрані з датчиків, встановлених на всіх об’єктах. Використання історичних даних, отриманих цими датчиками, у поєднанні з аналітикою допомагає виявити провісники несправностей обладнання, що дозволяє обслуговуючому персоналу діяти відповідним чином до поломки.
Системи прогнозованого технічного обслуговування покладаються на здатність визначати, коли можуть статися збої. Виробники обладнання зазвичай надають таблиці даних для свого обладнання та рекомендують контролювати певні робочі показники на основі майже ідеальних умов. Однак ці умови рідко бувають реалістичними через природний знос активу, умови навколишнього середовища, в яких він працює, його минулу історію технічного обслуговування або просто те, як вам потрібно його експлуатувати для досягнення ваших бізнес-результатів. Наприклад, два ідентичні двигуни (марка, модель, дата виробництва) були встановлені в одній каруселі для цього підтвердження концепції. Ці двигуни працювали в різних температурних діапазонах через різні погодні умови (одна частина конвеєрної стрічки всередині, а інша зовні терміналу аеропорту).
Двигун 1 працював у температурному діапазоні 32–35°С. Середньоквадратичне значення швидкості вібрації може змінюватися через втому двигуна (наприклад, помилки вирівнювання або проблеми з дисбалансом). Як показано на наступному малюнку, цей двигун демонструє рівні втоми в діапазоні від 2 до 6, з деякими піками на 9.
Двигун 2 працював у більш прохолодному середовищі, де температура коливалася в межах 20–25°C. У цьому контексті мотор 2 демонструє рівні втоми між 4–8, з деякими піками на 10:
Більшість підходів ML передбачає дуже конкретні знання та інформацію про предметну область (часто важко отримати), які потрібно витягти з того, як ви працюєте та обслуговуєте кожен актив (наприклад, шаблони погіршення якості відмов). Цю роботу потрібно виконувати кожного разу, коли ви хочете контролювати новий актив або якщо умови активу значно змінюються (наприклад, коли ви замінюєте деталь). Це означає, що чудова модель, створена на етапі прототипування, ймовірно, зазнає зниження продуктивності, коли її розгорнуть на інших ресурсах, різко знизивши точність системи та, зрештою, втрачаючи довіру кінцевих користувачів. Це також може спричинити багато хибних спрацьовувань, і вам знадобляться навички, необхідні для того, щоб знайти дійсні сигнали серед усього шуму.
Lookout for Equipment лише аналізує ваші часові ряди даних, щоб дізнатися нормальні зв’язки між вашими сигналами. Тоді, коли ці зв’язки почнуть відхилятися від нормальних робочих умов (зафіксованих у стані навчання), служба позначить аномалію. Ми виявили, що суворе використання історичних даних для кожного активу дає вам змогу зосередитися на технологіях, які можуть вивчати умови експлуатації, які будуть унікальними для даного активу в тому самому середовищі, в якому він працює. Це дає змогу створювати прогнози, що підтримують аналіз першопричин і практики прогнозного технічного обслуговування на детальному рівні, на рівні активів і на макрорівні (шляхом збирання відповідної інформаційної панелі, щоб ви могли отримати огляд кількох активів одночасно). Це наш підхід і причина, чому ми вирішили використовувати Lookout for Equipment.
Стратегія навчання: вирішення проблеми холодного старту
BHS, який ми націлили, спочатку не був оснащений інструментами. Ми встановили датчики CloudRail, щоб почати збирати нові вимірювання з нашої системи, але це означало, що ми мали лише обмежену історичну глибину для навчання нашої моделі ML. У цьому випадку ми вирішили проблему холодного запуску, визнавши, що створюємо систему, яка постійно вдосконалюється. Після встановлення датчиків ми зібрали годину даних і скопіювали цю інформацію, щоб якнайшвидше почати використовувати Lookout for Equipment і протестувати наш загальний конвеєр.
Як і очікувалося, перші результати були досить нестабільними, оскільки модель ML була піддана дуже малому періоду роботи. Це означало, що будь-яка нова поведінка, яку не було помічено протягом першої години, буде позначено. Коли дивитися на датчики найвищого рівня, головним підозрюваним виявилася температура на одному з двигунів (T2_MUC_ES_MTRL_TMP
помаранчевим кольором на наступному малюнку). Оскільки початковий збір даних був дуже вузьким (1 година), протягом дня основна зміна відбувалася через значення температури (що відповідає умовам навколишнього середовища в той час).
Зіставивши це з умовами навколишнього середовища навколо конкретної конвеєрної стрічки, ми підтвердили, що зовнішня температура значно зросла, що, у свою чергу, збільшило температуру, виміряну цим датчиком. У цьому випадку після того, як нові дані (що враховують підвищення зовнішньої температури) будуть включені в навчальний набір даних, вони стануть частиною нормальної поведінки, яку фіксує Lookout for Equipment, і подібна поведінка в майбутньому буде з меншою ймовірністю викликати будь-які події.
Через 5 днів модель була перенавчена, і показники хибних позитивних результатів одразу різко впали:
Незважаючи на те, що ця проблема холодного запуску була першим викликом для отримання корисної інформації, ми використали цю можливість, щоб створити механізм перенавчання, який кінцевий користувач може легко запустити. Через місяць експериментів ми навчили нову модель, дублюючи дані датчиків за місяць у 3 місяці. Це продовжувало знижувати показники хибнопозитивних результатів, оскільки модель піддавалася ширшому набору умов. Подібне падіння показника хибнопозитивних результатів сталося після цього перенавчання: стан, змодельований системою, був ближчим до того, з чим користувачі стикаються в реальному житті. Через 3 місяці ми нарешті отримали набір даних, який ми могли використовувати без використання цього трюку дублювання.
Відтепер ми запускатимемо перенавчання кожні 3 місяці та якнайшвидше використовуватимемо дані за 1 рік для врахування сезонності екологічних умов. Під час розгортання цієї системи на інших об’єктах ми зможемо повторно використовувати цей автоматизований процес і використовувати початкове навчання для перевірки нашого конвеєра даних датчиків.
Після навчання моделі ми розгорнули модель і почали надсилати поточні дані до Lookout for Equipment. Lookout for Equipment дозволяє налаштувати планувальник, який регулярно виходить з режиму сну (наприклад, щогодини), щоб надсилати свіжі дані навченій моделі та збирати результати.
Тепер, коли ми знаємо, як навчати, покращувати та розгортати модель, давайте подивимося на робочі інформаційні панелі, реалізовані для кінцевих користувачів.
Візуалізація даних і інсайти
Кінцевим користувачам потрібен спосіб отримати більше цінності від своїх операційних даних, щоб краще використовувати свої активи. За допомогою QuickSight ми підключили інформаційну панель до необроблених даних вимірювань, наданих нашою системою Інтернету речей, дозволяючи користувачам порівнювати та порівнювати ключові частини обладнання на певній BHS.
На наступній інформаційній панелі користувачі можуть перевірити ключові датчики, які використовуються для моніторингу стану BHS, і отримати зміни показників за періодами.
На попередньому графіку користувачі можуть візуалізувати будь-який неочікуваний дисбаланс вимірювань для кожного двигуна (ліворуч і праворуч графіки для температури, втоми, вібрації, тертя та удару). Унизу наведено підсумкові ключові показники ефективності з прогнозом і тенденціями за попередній період.
Кінцеві користувачі можуть отримати доступ до інформації для таких цілей:
- Перегляд історичних даних з інтервалом від 2 до 24 годин.
- Отримайте необроблені дані у форматі CSV для зовнішньої інтеграції.
- Візуалізуйте продуктивність активів за встановлений період часу.
- Отримайте інформацію для оперативного планування та покращте використання активів.
- Виконайте кореляційний аналіз. На наступному графіку користувач може візуалізувати кілька вимірювань (наприклад, залежність втоми двигуна від температури або пропускної здатності багажу від швидкості каруселі) і використовувати цю інформаційну панель для кращого інформування про наступну найкращу дію технічного обслуговування.
Усунення шуму з даних
Через кілька тижнів ми помітили, що Lookout for Equipment видає деякі події, які вважаються помилковими.
Аналізуючи ці події, ми виявили нерегулярні падіння швидкості двигуна каруселі.
Ми зустрілися з командою технічного обслуговування, і вони повідомили нам, що ці зупинки були або аварійними, або запланованими простоями з технічного обслуговування. Маючи цю інформацію, ми позначили аварійні зупинки як аномалії та передали їх у Lookout for Equipment, тоді як заплановані простої вважалися нормальною поведінкою для цієї каруселі.
Розуміння таких сценаріїв, коли на аномальні дані можуть впливати контрольовані зовнішні дії, має вирішальне значення для підвищення точності моделі виявлення аномалій з часом.
Тестування диму
Через кілька годин після повторного навчання моделі та досягнення відносної відсутності аномалій наша команда фізично навантажила активи, що було негайно виявлено системою. Це звичайний запит користувачів, оскільки їм потрібно ознайомитися з системою та її реакцією.
Ми створили нашу інформаційну панель, щоб дозволити кінцевим користувачам візуалізувати історичні аномалії з необмеженим періодом часу. Використання служби бізнес-аналітики дозволяє їм упорядковувати свої дані за бажанням, і ми виявили, що гістограми за 24-годинний період або кругові діаграми є найкращим способом отримати гарне уявлення про стан BHS. На додаток до інформаційних панелей, які користувачі можуть переглядати в будь-який час, ми налаштовуємо автоматичні сповіщення, які надсилаються на вказану електронну адресу та за допомогою текстових повідомлень.
Отримання глибшої інформації з моделей виявлення аномалій
У майбутньому ми маємо намір отримати глибшу інформацію з моделей виявлення аномалій, навчених за допомогою Lookout for Equipment. Ми продовжуватимемо використовувати QuickSight для створення розширеного набору віджетів. Наприклад, ми виявили, що віджети візуалізації даних, представлені в Зразки GitHub для Lookout for Equipment дозволяють нам отримувати ще більше розуміння з необроблених результатів наших моделей.
результати
Реактивне технічне обслуговування в системах обробки багажу означає наступне:
- Зниження задоволеності пасажирів через тривалий час очікування або пошкодження багажу
- Нижча доступність активів через незаплановані збої та дефіцит критичних запасних частин
- Вищі операційні витрати через збільшення рівня запасів на додаток до вищих витрат на обслуговування
Розвиток вашої стратегії технічного обслуговування для включення надійної прогнозної аналітики в цикл прийняття рішень має на меті покращити роботу активів і допомогти уникнути вимушених зупинок.
Обладнання для моніторингу було встановлено локально за 1 день і налаштовано повністю дистанційно експертами IoT. Хмарна архітектура, описана в огляді рішення, була успішно розгорнута протягом 90 днів. Швидкий час впровадження підтверджує переваги, запропоновані кінцевому користувачеві, що швидко призводить до зміни стратегії технічного обслуговування з реагування на людину (усунення поломок) на проактивне на основі даних, кероване даними (запобігання простоям).
Висновок
Співпраця між Airis, CloudRail, Northbay Solutions і AWS призвела до нових досягнень у міжнародному аеропорту Короля Халіда (див. прес-реліз для більш детальної інформації). У рамках своєї стратегії цифрової трансформації аеропорт Ер-Ріяд планує подальше розгортання, щоб охопити інші електромеханічні системи, такі як траки для посадки пасажирів і системи опалення, вентиляції та кондиціонування повітря.
Якщо у вас є коментарі щодо цієї публікації, надішліть їх у розділі коментарів. Якщо у вас виникли запитання щодо цього рішення або його впровадження, створіть нову тему на re: Пост, де експерти AWS і ширша спільнота можуть підтримати вас.
Про авторів
Мулхем Захабі є авіаційним фахівцем із понад 11-річним досвідом у розробці та управлінні авіаційними проектами, а також у управлінні критичними активами аеропортів у регіоні GCC. Він також є одним із співзасновників Airis-Solutions.ai, яка прагне очолити цифрову трансформацію авіаційної галузі за допомогою інноваційних рішень AI/ML для аеропортів і логістичних центрів. Сьогодні Моулхем очолює управління з управління активами в Саудівській холдинговій компанії цивільної авіації (Матарат).
Фаузан Хан є старшим архітектором рішень, який працює з клієнтами державного сектору, надаючи вказівки щодо проектування, розгортання та керування робочими навантаженнями й архітектурами AWS. Фаузан прагне допомогти клієнтам запровадити інноваційні хмарні технології у сфері HPC та AI/ML для вирішення бізнес-завдань. Поза роботою Фаузан любить проводити час на природі.
Майкл Хоарау є спеціалістом з розробки рішень AI/ML в AWS, який чергує спеціаліста з обробки даних і архітектора машинного навчання залежно від моменту. Він захоплений тим, щоб перенести потужність AI/ML на цехи своїх промислових клієнтів і працював над широким спектром випадків використання ML, починаючи від виявлення аномалій до прогнозування якості продукції або оптимізації виробництва. Він опублікував книга про аналіз часових рядів у 2022 році та регулярно пише на цю тему LinkedIn та Medium. Коли він не допомагає клієнтам розвивати найкращий досвід машинного навчання, він із задоволенням спостерігає за зірками, подорожує або грає на піаніно.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/deploy-a-predictive-maintenance-solution-for-airport-baggage-handling-systems-with-amazon-lookout-for-equipment/
- :є
- $UP
- 000
- 1
- 10
- 100
- 11
- 2022
- 7
- 70
- 9
- a
- Здатний
- МЕНЮ
- прискорювати
- доступ
- відповідно
- рахунки
- бухгалтерський облік
- точність
- точний
- точно
- Achieve
- досягнення
- досягнення
- набувати
- через
- Діяти
- дію
- дії
- діяльності
- акти
- доповнення
- Додатковий
- Додатково
- адреса
- адресація
- прийняти
- після
- AI
- AI / ML
- посібник
- Цілі
- аеропорт
- Аеропорти
- Alerts
- вирівнювання
- ВСІ
- Дозволити
- дозволяє
- Amazon
- Amazon Lookout для обладнання
- аналіз
- аналітика
- аналізи
- Аналізуючи
- та
- Щорічно
- виявлення аномалії
- з'являтися
- додаток
- застосування
- підхід
- підходи
- відповідний
- архітектура
- ЕСТЬ
- ПЛОЩА
- навколо
- прибувають
- AS
- активи
- управління активами
- Активи
- At
- Автоматизований
- автоматично
- наявність
- авіація
- AWS
- сумки
- бар
- заснований
- BE
- оскільки
- перед тим
- Переваги
- КРАЩЕ
- Краще
- між
- мільярди
- блоки
- посадка
- книга
- дно
- Кордон
- Пробій
- ламається
- мости
- Приведення
- ширше
- будувати
- Створюємо
- побудований
- бізнес
- бізнес-аналітика
- by
- званий
- CAN
- захоплення
- карусель
- випадок
- випадків
- Викликати
- Центри
- централізована
- певний
- ланцюг
- виклик
- проблеми
- складні
- зміна
- Зміни
- Чарти
- перевірка
- закрито
- ближче
- хмара
- співзасновники
- збирати
- Збір
- майбутній
- коментарі
- загальний
- Комунікація
- співтовариство
- компанія
- порівняти
- порівняний
- повністю
- комплекс
- складність
- компонент
- Компоненти
- обчислення
- концепція
- стан
- Умови
- довіра
- Підтверджено
- З'єднуватися
- підключений
- зв'язку
- зв'язок
- вважається
- послідовний
- містить
- контекст
- продовжувати
- триває
- безперервний
- постійно
- контрастність
- контроль
- контроль
- управління
- співробітництво
- Core
- Кореляція
- Коштувати
- витрати
- може
- Counter
- Курс
- обкладинка
- створювати
- критичний
- клієнт
- Задоволеність клієнтів
- Клієнти
- цикл
- приладова панель
- дані
- Озеро даних
- точки даних
- наука про дані
- вчений даних
- візуалізація даних
- керовані даними
- Дата
- день
- Днів
- вирішене
- Прийняття рішень
- рішення
- глибше
- доставляти
- поставляється
- доставка
- залежний
- Залежно
- залежить
- розгортання
- розгорнути
- розгортання
- розгортання
- розгортання
- глибина
- описувати
- описаний
- дизайн
- призначені
- проектування
- деталі
- виявлено
- Виявлення
- Визначати
- визначення
- розвивати
- розвиненою
- розробка
- пристрій
- прилади
- різний
- важкий
- цифровий
- цифрове перетворення
- прямий
- відкритий
- Зривати
- Зрив
- збої
- відстань
- розподілений
- Ні
- домен
- Не знаю
- вниз
- час простою
- різко
- Падіння
- краплі
- під час
- динамічний
- кожен
- Рано
- легше
- легко
- край
- ефективність
- або
- елемент
- елементи
- аварійний
- включіть
- дозволяє
- забезпечувати
- гарантує
- Весь
- Навколишнє середовище
- навколишній
- обладнання
- помилка
- помилки
- Навіть
- Event
- Події
- Кожен
- все
- приклад
- Приклади
- перевищувати
- Перевага
- існуючий
- розширений
- очікувати
- очікуваний
- витрати
- досвід
- Досліди
- зазнають
- експерт
- experts
- піддаватися
- експонування
- зовнішній
- витяг
- Провал
- ознайомити
- ШВИДКО
- швидше
- втому
- Fed
- кілька
- Рисунок
- в кінці кінців
- знайти
- Перший
- позначений прапором
- ФЛЕТ
- Авіаквитки
- потік
- політ
- Сфокусувати
- після
- для
- Прогноз
- формат
- Вперед
- знайдений
- свіжий
- тертя
- від
- повністю
- функція
- Функції
- далі
- майбутнє
- Отримувати
- шлюз
- GCC
- регіон GCC
- німецька
- отримати
- даний
- Глобальний
- Глобально
- GmBH
- добре
- великий
- гість
- Guest Post
- керівництво
- обробляти
- Обробка
- траплятися
- сталося
- Мати
- має
- Тема
- сильно
- допомога
- допомогу
- допомагає
- Високий
- вище
- історичний
- історія
- хіт
- проведення
- ГОДИННИК
- Як
- How To
- Однак
- к.с.
- HTTPS
- однаковий
- ідентифікує
- ідентифікувати
- зображення
- зображень
- дисбаланс
- негайно
- Impact
- реалізація
- реалізовані
- накладений
- удосконалювати
- поліпшення
- in
- includes
- Вхідний
- включати
- Зареєстрований
- Augmenter
- збільшений
- зростаючий
- індикатори
- промислові
- промисловості
- під впливом
- повідомити
- інформація
- повідомив
- Інфраструктура
- початковий
- інноваційний
- розуміння
- встановлений
- екземпляр
- інтегрований
- інтеграція
- Інтелект
- мати намір
- інтерактивний
- інтерфейс
- втручається
- Міжнародне покриття
- інтернет
- Інтернет речей
- інвентаризація
- КАТО
- прилади іоту
- питання
- IT
- ЙОГО
- подорож
- JPG
- ключ
- King
- Знати
- знання
- озеро
- мова
- Затримка
- останній
- запуск
- вести
- провідний
- УЧИТЬСЯ
- вчений
- вивчення
- Led
- довжина
- Уроки
- Уроки, витягнуті
- дозволяє
- рівень
- рівні
- життя
- Життєвий цикл
- як
- Ймовірно
- обмеженою
- Лінія
- LINK
- жити
- живі дані
- локально
- місць
- подивитися
- шукати
- програш
- низький
- машина
- навчання за допомогою машини
- Macro
- головний
- підтримувати
- Підтримка
- обслуговування
- зробити
- РОБОТИ
- Робить
- управляти
- вдалося
- управління
- управляє
- управління
- виробництво
- багато
- масивний
- узгодження
- Може..
- засоби
- вимір
- вимірювання
- вимір
- механізм
- середа
- повідомлення
- повідомлення
- методика
- Метрика
- мільйона
- мільйони
- Розум
- ML
- модель
- Моделі
- сучасний
- Режими
- момент
- монітор
- моніторинг
- місяць
- місяців
- більше
- найбільш
- двигун
- Двигуни
- переміщення
- множинний
- Природний
- природа
- необхідно
- Необхідність
- потреби
- Нові
- наступний
- шум
- нормальний
- отримувати
- of
- on
- Onboard
- ONE
- працювати
- працювати
- працює
- операційний
- операція
- оперативний
- операції
- Оператори
- Можливість
- оптимальний
- оптимізація
- Оптимізувати
- помаранчевий
- організація
- Інше
- поза
- загальний
- огляд
- частина
- партнер
- частини
- пристрасний
- Минуле
- Патчі
- моделі
- продуктивність
- period
- Персонал
- фаза
- фізичний
- Фізично
- частин
- трубопровід
- запланований
- планування
- плани
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- ігри
- будь ласка
- точок
- Портал
- позитивний
- це можливо
- пошта
- влада
- Харчування
- практики
- точно
- Прогнози
- Прогностична аналітика
- прем'єр-міністр
- press
- поширений
- попередження
- Проактивний
- зонд
- Проблема
- проблеми
- процес
- Product
- Якість продукції
- Production
- прогресує
- проектів
- доказ
- доказ концепції
- правильно
- запропонований
- протокол
- макетування
- доводить
- забезпечувати
- за умови
- провайдери
- забезпечує
- забезпечення
- громадськість
- опублікований
- цілей
- якість
- питань
- швидко
- підвищення
- діапазон
- ранжування
- ставка
- ставки
- Сировина
- вступає в реакцію
- реальний
- справжнє життя
- реального часу
- реалістичний
- причина
- рекомендувати
- рекомендації
- зменшити
- зниження
- регіон
- регулярно
- Відносини
- щодо
- надійний
- залишається
- замінювати
- запросити
- вимагається
- Вимагається
- результати
- знову використовувати
- підвищення
- Risk
- Прокат
- корінь
- Маршрут
- прогін
- SaaS
- сейф
- то ж
- задоволення
- Саудівська
- ваги
- сценарії
- розклад
- наука
- вчений
- безшовні
- вторинний
- seconds
- розділ
- сектор
- безпечний
- безпечно
- безпеку
- здавалося
- сегменти
- обраний
- відправка
- старший
- датчиків
- Серія
- Сервери
- обслуговування
- постачальники послуг
- Послуги
- комплект
- кілька
- форми
- зсув
- Магазин
- нестача
- Показувати
- показаний
- Шоу
- остановов
- зір
- сигнали
- істотно
- аналогічний
- один
- значний
- розміри
- навички
- невеликий
- розумний
- Дим
- Софтвер
- програмне забезпечення як послуга
- рішення
- Рішення
- Вирішує
- деякі
- складний
- спеціаліст
- конкретний
- швидкість
- Витрати
- Зірки
- старт
- почалася
- стан
- впроваджений
- Зупиняє
- зберігання
- стратегії
- Стратегія
- раціоналізувати
- представляти
- успішний
- Успішно
- такі
- поставка
- ланцюжка поставок
- підтримка
- Підтримуючий
- система
- Systems
- таблиця
- цільове
- команда
- команди
- Технології
- Технологія
- термінал
- тест
- Тестування
- Що
- Команда
- Площа
- Майбутнє
- їх
- Їх
- самі
- отже
- теплової
- Ці
- речі
- думка
- тисячі
- через
- по всьому
- пропускна здатність
- час
- Часовий ряд
- times
- синхронізація
- до
- сьогодні
- тема
- до
- традиційний
- поїзд
- навчений
- Навчання
- Перетворення
- Стратегія трансформації
- Подорож
- Тенденції
- викликати
- трильйони
- ПЕРЕГЛЯД
- типовий
- типово
- що лежить в основі
- розуміти
- Unexpected
- створеного
- блок
- необмежений
- us
- використання
- користувач
- користувачі
- зазвичай
- використовувати
- ПЕРЕВІР
- значення
- Цінності
- різний
- VeloCity
- через
- вид
- візуалізації
- життєво важливий
- летючий
- Обсяги
- vs
- чекати
- попередження
- шлях..
- погода
- тижня
- Що
- Чи
- який
- в той час як
- ВООЗ
- широкий
- Широкий діапазон
- волі
- з
- в
- без
- Work
- працював
- Трудові ресурси
- робочий
- вартість
- б
- рік
- років
- Ти
- вашу
- зефірнет