Це гостьовий пост Несліхан Ердоган, глобального промислового IT-менеджера HAYAT HOLDING.
З поточною цифровізацією виробничих процесів і Індустрією 4.0 існує величезний потенціал для використання машинного навчання (ML) для прогнозування якості. Процес виробництва — це метод виробництва, який використовує формули або рецепти для виробництва товарів шляхом поєднання інгредієнтів або сировини.
Прогностична якість включає використання методів ML у виробництві для оцінки та класифікації пов’язаної з продуктом якості на основі даних виробничого процесу з наступними цілями [1]:
- Опис якості – Виявлення зв’язків між змінними процесу та якістю продукції. Наприклад, як об’єм клейового компонента впливає на параметри якості, такі як його міцність і еластичність.
- Прогноз якості – Оцінка змінної якості на основі змінних процесу для підтримки прийняття рішень або для автоматизації. Наприклад, скільки кг/м3 для досягнення певної міцності та еластичності слід проковтнути клейовий інгредієнт.
- Класифікація якості – Окрім прогнозування якості, це передбачає оцінку окремих видів якості продукції.
У цьому дописі ми розповідаємо про те, як HAYAT HOLDING — глобальний гравець із 41 компанією, що працює в різних галузях, у тому числі HAYAT, четвертий за величиною фірмовий виробник підгузників, і KEAS, п’ятий за величиною виробник деревних плит — співпрацювали з AWS створити рішення, яке використовує Amazon SageMaker Model Training, Amazon SageMaker Automatic Model Tuning і Amazon SageMaker Model Deployment для постійного покращення операційної продуктивності, підвищення якості продукції та оптимізації виробництва дерев’яних плит середньої щільності (MDF).
Експерти на місцях можуть спостерігати за результатами прогнозування якості продукції та рекомендацій щодо споживання клею за допомогою інформаційних панелей майже в реальному часі, що забезпечує швидший цикл зворотного зв’язку. Лабораторні результати свідчать про значний вплив, який прирівнюється до економії 300,000 XNUMX доларів США на рік, зменшуючи викиди вуглекислого газу у виробництво шляхом запобігання непотрібним хімічним відходам.
Якість прогнозування на основі ML в HAYAT HOLDING
HAYAT є четвертим у світі виробником дитячих підгузників під торговою маркою та найбільшим виробником паперових серветок у регіоні EMEA. KEAS (Kastamonu Entegre Ağaç Sanayi) є субсидією HAYAT HOLDING для виробництва деревних плит і займає четверте місце в Європі та п’яте місце у світі.
Деревоволокниста плита середньої щільності (МДФ) — це технічний дерев’яний виріб, виготовлений шляхом подрібнення залишків деревини на волокна, поєднання їх із клеями та формування панелей під дією високої температури та тиску. Він має багато сфер застосування, таких як меблі, шафи та підлога.
Виробництво дерев’яних панелей МДФ вимагає значного використання клеїв (щороку HAYAT HOLDING споживає двозначні тонни).
У типовій виробничій лінії використовуються сотні датчиків. Якість продукції визначається десятками параметрів. Застосування правильного об’єму клею є важливою статтею витрат, а також важливим фактором якості для виготовленої панелі, наприклад щільність, здатність утримувати гвинти, міцність на розрив, модуль пружності та міцність на вигин. Хоча надмірне використання клею надмірно збільшує витрати на виробництво, погане використання клею створює проблеми з якістю. Неправильне використання призводить до десятків тисяч доларів за одну зміну. Проблема полягає в тому, що існує регресивна залежність якості від виробничого процесу.
Людина-оператор вирішує кількість клею, який буде використано на основі досвіду в галузі. Це ноу-хау є виключно емпіричним і потребує років досвіду для формування компетентності. Щоб допомогти людині-оператору прийняти рішення, на відібраних зразках проводяться лабораторні випробування для точного вимірювання якості під час виробництва. Результати лабораторії надають операторам зворотній зв’язок, показуючи рівень якості продукції. Тим не менш, лабораторні тести не в режимі реального часу і застосовуються із затримкою до кількох годин. Людина-оператор використовує результати лабораторії, щоб поступово регулювати споживання клею для досягнення необхідного порогу якості.
Огляд рішення
Прогнозування якості за допомогою ML є потужним, але вимагає зусиль і навичок для проектування, інтеграції з виробничим процесом і обслуговування. За підтримки фахівців AWS Prototyping і AWS Partner Deloitte HAYAT HOLDING побудував наскрізний конвеєр таким чином:
- Передавати дані датчиків із заводу-виробника в AWS
- Виконайте підготовку даних і генерацію моделі ML
- Розгорніть моделі на краю
- Створення інформаційних панелей оператора
- Організуйте робочий процес
Наступна діаграма ілюструє архітектуру рішення.
Приймання даних
HAYAT HOLDING має сучасну інфраструктуру для збору, запису, аналізу та обробки даних вимірювань.
Для цього випадку використання існують два типи джерел даних. Параметри процесу встановлюються для виробництва конкретного продукту і зазвичай не змінюються під час виробництва. Дані датчиків збираються під час виробничого процесу та відображають фактичний стан машини.
Вхідні дані надходять із заводу через OPC-UA через SiteWise Edge Gateway у AWS IoT Greengrass. Загалом для підвищення точності прогнозів було імпортовано 194 датчики.
Навчання та оптимізація моделі за допомогою автоматичного налаштування моделі SageMaker
Перед навчанням моделі виконується ряд заходів з підготовки даних. Наприклад, завод з виробництва МДФ панелей виробляє кілька різних продуктів на одній виробничій лінії (кілька типів і розмірів дерев’яних панелей). Кожна партія пов’язана з іншим продуктом, з різною сировиною та різними фізичними характеристиками. Незважаючи на те, що часові ряди обладнання та процесу записуються безперервно та можуть розглядатися як однопотоковий часовий ряд, індексований за часом, їх потрібно сегментувати за партією, з якою вони пов’язані. Наприклад, протягом зміни товарні панелі можуть виготовлятися різної тривалості. Зразок виробленого МДФ час від часу відправляється в лабораторію для перевірки якості. Інші завдання розробки функцій включають зменшення функцій, масштабування, неконтрольоване зменшення розмірності за допомогою PCA (аналіз основних компонентів), важливість функцій і виявлення викидів.
Після етапу підготовки даних використовується двоетапний підхід для створення моделей ML. Лабораторні випробування зразків проводяться шляхом періодичного випадкового відбору проб продукту з конвеєрної стрічки. Зразки відправляються в лабораторію для перевірки якості. Оскільки лабораторні результати не можуть бути представлені в реальному часі, цикл зворотного зв’язку є відносно повільним. Перша модель навчена прогнозувати результати лабораторії щодо параметрів якості продукту: щільність, еластичність, опір розтягуванню, набухання, поглинання води, міцність поверхні, вологість, всмоктування поверхні та опір згинанню. Друга модель навчена рекомендувати кількість клею, який буде використовуватися у виробництві, залежно від передбачуваної якості продукції.
Налаштування користувацьких середовищ машинного навчання та керування ними може зайняти багато часу та бути громіздким. Amazon SageMaker надає набір з вбудовані алгоритми, попередньо підготовлені моделі та готові шаблони рішень, які допоможуть фахівцям із обробки даних і практикам ML розпочати навчання та швидко розгортати моделі ML.
Кілька моделей ML було навчено за допомогою вбудованих алгоритмів SageMaker для N найпопулярніших типів продукції та для різних параметрів якості. Моделі прогнозування якості визначають взаємозв’язок між використанням клею та дев’ятьма параметрами якості. Рекомендаційні моделі передбачають мінімальне використання клею для задоволення вимог щодо якості, використовуючи наступний підхід: алгоритм починає з найбільшої дозволеної кількості клею та поступово зменшує її, якщо всі вимоги задовольняються, до досягнення мінімально дозволеної кількості клею. Якщо максимальна кількість клею не відповідає всім вимогам, видається помилка.
Автоматичне налаштування моделі SageMaker, також відоме як налаштування гіперпараметрів, знаходить найкращу версію моделі, запускаючи багато навчальних завдань на вашому наборі даних за допомогою алгоритму та діапазонів гіперпараметрів, які ви вказуєте. Потім він вибирає значення гіперпараметрів, які призводять до найкращої моделі, виміряної метрикою, яку ви вибрали.
Завдяки автоматичному налаштуванню моделі команда зосередилася на визначенні правильної цілі, охопленні гіперпараметрів і простору пошуку. Автоматичне налаштування моделі подбає про решту, включаючи інфраструктуру, паралельне виконання та оркестрування завдань навчання та покращення вибору гіперпараметрів. Автоматичне налаштування моделі надає широкий спектр типів екземплярів навчання. Модель було налаштовано на типи екземплярів c5.x2large за допомогою інтелектуальної версії методів налаштування гіперпараметрів, яка базується на теорії байєсівського пошуку та призначена для пошуку найкращої моделі за найкоротший час.
Висновок на краю
Для розгортання моделей ML для отримання прогнозів доступно кілька методів.
Висновок в режимі реального часу SageMaker ідеально підходить для робочих навантажень, де є вимоги до роботи в режимі реального часу, інтерактивності та низької затримки. На етапі прототипування HAYAT HOLDING розгорнув моделі в хостингових службах SageMaker і отримав кінцеві точки, якими повністю керує AWS. Багатомодельні кінцеві точки SageMaker забезпечити масштабоване та економічно ефективне рішення для розгортання великої кількості моделей. Вони використовують той самий парк ресурсів і спільний контейнер обслуговування для розміщення всіх ваших моделей. Це зменшує витрати на хостинг за рахунок покращення використання кінцевих точок порівняно з використанням кінцевих точок однієї моделі. Це також зменшує накладні витрати на розгортання, оскільки SageMaker керує завантаженням моделей у пам’ять і їх масштабуванням на основі шаблонів трафіку до кінцевої точки.
Висновок у реальному часі SageMaker використовується з кількома моделями кінцевих точок для оптимізації витрат і для забезпечення постійної доступності всіх моделей під час розробки. Хоча використання моделі ML для кожного типу продукту призводить до вищої точності висновків, вартість розробки та тестування цих моделей відповідно зростає, а також стає складно керувати кількома моделями. Мультимодельні кінцеві точки SageMaker усувають ці проблемні точки та надають команді швидке та економічно ефективне рішення для розгортання кількох моделей машинного навчання.
Amazon SageMaker Edge забезпечує керування моделями для периферійних пристроїв, щоб ви могли оптимізувати, захистити, контролювати та підтримувати моделі машинного навчання на парку периферійних пристроїв. Експлуатація моделей ML на периферійних пристроях є складною справою, оскільки пристрої, на відміну від хмарних екземплярів, мають обмежені обчислення, пам’ять і підключення. Після розгортання моделі вам потрібно постійно контролювати моделі, оскільки дрейф моделі може призвести до погіршення якості моделі з часом. Моніторинг моделей у вашому парку пристроїв складний, оскільки вам потрібно написати спеціальний код для збору зразків даних із вашого пристрою та розпізнавання перекосів у прогнозах.
Для виробництва агент SageMaker Edge Manager використовується для прогнозування за допомогою моделей, завантажених на пристрій AWS IoT Greengrass.
Висновок
HAYAT HOLDING оцінювала передову аналітичну платформу в рамках своєї стратегії цифрової трансформації та хотіла запровадити штучний інтелект в організації для прогнозування якості виробництва.
За підтримки фахівців AWS Prototyping і AWS Partner Deloitte HAYAT HOLDING створив унікальну архітектуру платформи даних і конвеєр машинного навчання для задоволення довгострокових бізнес-технічних потреб.
HAYAT KIMYA інтегрувала рішення ML на одному зі своїх заводів. Лабораторні результати свідчать про значний вплив, який прирівнюється до економії 300,000 XNUMX доларів США на рік, зменшуючи викиди вуглекислого газу у виробництво шляхом запобігання непотрібним хімічним відходам. Рішення забезпечує швидший цикл зворотного зв’язку з людьми-операторами, представляючи прогнози щодо якості продукту та результати рекомендацій щодо споживання клею через інформаційні панелі майже в реальному часі. Згодом це рішення буде впроваджено на інших заводах HAYAT HOLDING з виробництва деревних плит.
ML — це дуже ітеративний процес; протягом одного проекту спеціалісти з обробки даних тренують сотні різних моделей, наборів даних і параметрів у пошуках максимальної точності. SageMaker пропонує найповніший набір інструментів для використання потужності ML. Це дозволяє організовувати, відстежувати, порівнювати та оцінювати масштабні експерименти МЛ. Ви можете підвищити результативність роботи ваших команд ML, щоб досягти значного підвищення продуктивності за допомогою вбудованих алгоритмів SageMaker, автоматичного налаштування моделі, висновків у реальному часі та кінцевих точок із кількома моделями.
Прискоріть час досягнення результатів і оптимізуйте операції, модернізувавши бізнес-підхід від межі до хмари Машинне навчання на AWS. Скористайтеся перевагами інновацій і рішень, що стосуються галузі AWS для промисловості.
Поділіться своїми відгуками та запитаннями в коментарях.
Про HAYAT HOLDING
HAYAT HOLDING, основу якого було закладено в 1937 році, сьогодні є глобальним гравцем із 41 компанією, що працює в різних галузях, у тому числі HAYAT у секторі споживчих товарів, що швидко обертаються, KEAS (Kastamonu Entegre Ağaç Sanayi) у секторі деревних плит, і LIMAS в секторі управління портами, з робочою силою понад 17,000 49 осіб. HAYAT HOLDING постачає мільйонам споживачів у всьому світі 36 брендів, вироблених за передовими технологіями на 13 виробничих підприємствах у XNUMX країнах.
Працюючи в секторі споживчих товарів, що швидко обертається, Hayat була заснована в 1987 році. Сьогодні, стрімко просуваючись на шляху глобалізації з 21 виробничим підприємством у 8 країнах світу, Hayat є четвертим у світі виробником фірмових підгузників і найбільшим виробником серветок. виробник на Близькому Сході, у Східній Європі та Африці, а також великий гравець у секторі споживчих товарів, що швидко обертаються. Зі своїми 16 потужними брендами, включаючи Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare і Evony в категоріях засобів гігієни, домашнього догляду, тканин і особистого здоров’я, Hayat приносить HAYAT* у мільйони домів у понад 100 країнах.
Kastamonu Entegre Ağaç Sanayi (KEAS), перша інвестиція HAYAT HOLDING у його індустріалізацію, була заснована в 1969 році. Продовжуючи безперервне зростання, щоб стати глобальною силою у своєму секторі, вона посідає четверте місце в Європі та п’яте у світі. KEAS займає перше місце в галузі з приблизно 7,000 співробітниками та експортом до більш ніж 100 країн.
* «Хаят» турецькою означає «життя».
посилання
- Теркан Г. «Прогнозна якість у виробництві на основі машинного та глибокого навчання: систематичний огляд», Journal of Intelligent Manufacturing, 2022.
Про авторів
Несліхан Ердоган, (бакалавр і магістр електротехніки), обіймав різні технічні та бізнес-роль спеціаліста, архітектора та менеджера з інформаційних технологій. Вона працювала в HAYAT глобальним промисловим ІТ-менеджером і керувала проектами Industry 4.0, Digital Transformation, OT Security and Data & AI.
Çağrı Yurtseven (бакалавр електротехніки та електроніки, Університет Богазічі) є корпоративним менеджером з роботи з обліковим записом Amazon Web Services. Він очолює ініціативи сталого розвитку та промислового IOT у Туреччині, а також допомагає клієнтам реалізувати свій потенціал, демонструючи мистецтво можливого на AWS.
Дженк Сезгін (PhD – Electrical Electronics Engineering) є головним менеджером AWS EMEA Prototyping Labs. Він підтримує клієнтів у пошуках, ідеях, інженерії та розробці найсучасніших рішень із використанням нових технологій, таких як IoT, Analytics, AI/ML і Serverless.
Хасан-Басрі АКІРМАК (бакалавр і магістр комп’ютерної інженерії та Executive MBA у Вищій школі бізнесу) є головним архітектором рішень в Amazon Web Services. Він бізнес-технолог, консультує клієнтів корпоративного сегменту. Його спеціальністю є розробка архітектур і бізнес-кейсів для великомасштабних систем обробки даних і рішень машинного навчання. Хасан займався розвитком бізнесу, системною інтеграцією, управлінням програмами для клієнтів у Європі, на Близькому Сході та в Африці. З 2016 року він наставництвом сотень підприємців у програмах інкубації стартапів pro bono.
Мустафа Альдемір (бакалавр електротехніки та електроніки, магістр мехатроніки та доктор філософії з комп’ютерних наук) є керівником роботизації з прототипування в Amazon Web Services. Він займався проектуванням і розробкою рішень Інтернету речей і машинного навчання для деяких із найбільших клієнтів у регіоні EMEA та керував їхніми командами з їх впровадження. Тим часом він проводить курси ШІ в Amazon Machine Learning University та Oxford University.
- 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/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
- :є
- $UP
- 000
- 1
- 100
- 2016
- 2022
- 7
- 8
- a
- здатність
- відповідно
- рахунки
- точність
- Achieve
- придбання
- через
- діяльності
- доповнення
- адреса
- просунутий
- Перевага
- консультування
- Африка
- після
- Агент
- AI
- AI / ML
- алгоритм
- алгоритми
- ВСІ
- хоча
- Amazon
- Амазонське машинне навчання
- Amazon SageMaker
- Amazon Web Services
- кількість
- аналіз
- аналітика
- Аналізуючи
- та
- Щорічно
- додаток
- прикладної
- Застосування
- підхід
- приблизно
- архітектура
- ЕСТЬ
- ПЛОЩА
- області
- навколо
- Art
- AS
- асоційований
- At
- автоматичний
- Автоматизація
- доступний
- AWS
- AWS IoT Greengrass
- дитина
- заснований
- основа
- Байєсівський
- BE
- оскільки
- стає
- становлення
- КРАЩЕ
- між
- найбільший
- сміливий
- підвищення
- фірмова
- бренди
- Розрив
- приносити
- Приносить
- BSC
- будувати
- побудований
- вбудований
- бізнес
- розвиток бізнесу
- by
- CAN
- вуглець
- який
- випадок
- випадків
- категорії
- Викликати
- Причини
- певний
- виклик
- складні
- характеристика
- хімічний
- Вибирати
- Класифікувати
- клієнтів
- хмара
- код
- збирати
- об'єднання
- коментарі
- Компанії
- порівняти
- порівняний
- повний
- компонент
- обчислення
- комп'ютер
- Комп'ютерна інженерія
- Інформатика
- стан
- проводиться
- зв'язок
- спожитий
- споживач
- Споживачі
- споживання
- Контейнер
- триває
- постійно
- Коштувати
- рентабельним
- витрати
- країни
- Курс
- курси
- виготовлений на замовлення
- Клієнти
- дані
- Платформа даних
- Підготовка даних
- обробка даних
- набори даних
- вирішувати
- рішення
- Прийняття рішень
- глибокий
- глибоке навчання
- визначаючи
- затримка
- поставляється
- надання
- постачає
- deloitte
- Залежність
- Залежно
- розгортання
- розгорнути
- розгортання
- розгортання
- дизайн
- призначений
- проектування
- Виявлення
- розвивається
- розробка
- пристрій
- прилади
- різний
- важкий
- цифровий
- цифрове перетворення
- оцифрування
- чіткий
- Ні
- доларів
- домен
- вниз
- довговічність
- під час
- кожен
- Схід
- східний
- Східна Європа
- край
- ефект
- зусилля
- електроніка
- в регіоні EMEA
- з'являються
- новітні технології
- співробітників
- кінець в кінець
- Кінцева точка
- Машинобудування
- величезний
- підприємство
- підприємці
- середовищах
- обладнання
- Ердоган
- помилка
- оцінити
- Європа
- оцінювати
- оцінки
- врешті-решт
- приклад
- виконавчий
- експертиза
- experts
- дослідження
- експорт
- обширний
- швидко рухається
- швидше
- особливість
- зворотний зв'язок
- волокна
- поле
- знайти
- знахідки
- Перший
- ФЛЕТ
- Сфокусувати
- увагу
- після
- слідує
- Слід
- для
- Підвалини
- Заснований
- Четвертий
- від
- Повний
- повністю
- шлюз
- отримати
- Давати
- дає
- Глобальний
- глобалізація
- товари
- поступово
- випускник
- Зростання
- гість
- Guest Post
- збруя
- Мати
- здоров'я
- Герой
- допомога
- допомогу
- Високий
- вище
- найвищий
- дуже
- проведення
- Головна
- догляд на дому
- Будинку
- господар
- хостинг
- витрати на хостинг
- послуги хостингу
- ГОДИННИК
- Як
- HTML
- HTTPS
- людина
- Сотні
- Налаштування гіперпараметрів
- ідеальний
- Ідентифікація
- ідентифікований
- ідентифікувати
- Impact
- реалізації
- значення
- важливо
- удосконалювати
- поліпшення
- поліпшення
- in
- включати
- У тому числі
- Augmenter
- Збільшує
- ІНКУБАЦІЯ
- вказувати
- промислові
- Промисловий IoT
- промисловості
- промисловість
- промисловість 4.0
- галузевий
- інформація
- Інфраструктура
- ініціативи
- інновації
- екземпляр
- інтегрувати
- інтегрований
- інтеграція
- Розумний
- інтерактивний
- інтернет
- Інтернет речей
- інвестиції
- КАТО
- IT
- ЙОГО
- Джобс
- журнал
- JPG
- відомий
- lab
- лабораторія
- Labs
- великий
- найбільших
- вести
- провідний
- вивчення
- Led
- дозволяє
- рівні
- обмеженою
- Лінія
- погрузка
- довгостроковий
- машина
- навчання за допомогою машини
- made
- підтримувати
- основний
- зробити
- Робить
- управляти
- вдалося
- управління
- менеджер
- управляє
- управління
- виробник
- виробництво
- багато
- Матеріали
- Макс
- максимальний
- засоби
- Між тим
- вимір
- пам'ять
- метод
- методика
- метрика
- Середній
- середній Схід
- мільйони
- мінімальний
- ML
- модель
- Моделі
- монітор
- моніторинг
- більше
- найбільш
- рухатися
- множинний
- Необхідність
- потреби
- проте
- номера
- мета
- of
- Пропозиції
- on
- ONE
- постійний
- операційний
- оперативний
- операції
- оператор
- Оператори
- оптимізація
- Оптимізувати
- організація
- Інше
- вихід
- Оксфорд
- Оксфордський університет
- Біль
- панель
- Панелі
- Папір
- Паралельні
- параметри
- частина
- приватність
- партнер
- шлях
- моделі
- Люди
- продуктивність
- виступає
- персонал
- фаза
- фізичний
- трубопровід
- Рослини
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- гравець
- точок
- бідні
- розташовані
- це можливо
- пошта
- потенціал
- влада
- потужний
- точно
- передбачати
- передвіщений
- прогноз
- Прогнози
- представлений
- тиск
- попередження
- Головний
- проблеми
- процес
- процеси
- обробка
- виробляти
- Вироблений
- виробник
- Product
- Якість продукції
- Production
- продуктивність
- Продукти
- програма
- програми
- проект
- проектів
- макетування
- забезпечувати
- забезпечує
- тягне
- якість
- питань
- швидко
- піднімається
- випадковий
- діапазон
- ряди
- швидко
- швидко
- Сировина
- реальний
- реального часу
- реалізувати
- визнавати
- рекомендувати
- Рекомендація
- записаний
- запис
- знижує
- зниження
- Відносини
- щодо
- представляє
- вимагається
- Вимога
- Вимагається
- Опір
- ресурси
- REST
- результат
- в результаті
- результати
- виявлення
- робототехніка
- ролі
- біг
- мудрець
- Автоматичне налаштування моделі SageMaker
- то ж
- Незадоволений
- економія
- Економія
- масштабовані
- шкала
- Масштабування
- Школа
- наука
- Вчені
- Оцінка масштабу
- Пошук
- другий
- сектор
- безпечний
- сегмент
- обраний
- вибір
- датчиків
- Серія
- Без сервера
- Послуги
- виступаючої
- комплект
- кілька
- Поділитись
- загальні
- зсув
- значний
- з
- З 2016
- один
- розміри
- косий
- майстерність
- сповільнювати
- So
- рішення
- Рішення
- деякі
- Джерела
- Простір
- спеціаліст
- Фахівці
- Спеціальність
- почалася
- починається
- введення в експлуатацію
- впроваджений
- Крок
- Стратегія
- потоковий
- сила
- субсидії
- такі
- набір
- підтримка
- Опори
- поверхню
- Sustainability
- Systems
- Приймати
- приймає
- завдання
- команда
- команди
- технічний
- Технології
- технолог
- Шаблони
- тест
- Тестування
- Тести
- Що
- Команда
- світ
- їх
- Їх
- Ці
- речі
- тисячі
- поріг
- через
- час
- Часовий ряд
- трудомісткий
- times
- до
- сьогодні
- Тон
- інструменти
- топ
- Усього:
- до
- трек
- трафік
- поїзд
- навчений
- Навчання
- Перетворення
- Стратегія трансформації
- Туреччина
- турецька
- Типи
- типовий
- створеного
- університет
- Використання
- використання
- використання випадку
- зазвичай
- Цінності
- різний
- версія
- через
- обсяг
- хотів
- Відходи
- вода
- Web
- веб-сервіси
- ДОБРЕ
- в той час як
- широкий
- Широкий діапазон
- волі
- з
- Трудові ресурси
- робочий
- світ
- світі
- світовий
- запис
- рік
- років
- Ти
- вашу
- зефірнет