Dự đoán các dạng hỏng hóc của máy móc thông thường là rất quan trọng trong các ngành sản xuất. Với một tập hợp các đặc điểm của sản phẩm gắn liền với một loại lỗi nhất định, bạn có thể phát triển một mô hình có thể dự đoán loại lỗi khi bạn cung cấp các thuộc tính đó cho mô hình máy học (ML). ML có thể giúp bạn hiểu rõ hơn, nhưng cho đến nay, bạn cần các chuyên gia ML để xây dựng các mô hình dự đoán các dạng lỗi của máy móc, việc thiếu mô hình này có thể trì hoãn bất kỳ hành động sửa chữa nào mà doanh nghiệp cần để đạt được hiệu quả hoặc cải tiến.
Trong bài đăng này, chúng tôi chỉ cho bạn cách các nhà phân tích kinh doanh có thể xây dựng mô hình ML dự đoán loại lỗi máy với Canvas SageMaker của Amazon. Canvas cung cấp cho bạn giao diện trỏ và nhấp trực quan cho phép bạn tự tạo mô hình và tạo các dự đoán ML chính xác — mà không yêu cầu bất kỳ kinh nghiệm ML nào hoặc phải viết một dòng mã.
Tổng quan về giải pháp
Giả sử bạn là một nhà phân tích kinh doanh được chỉ định vào nhóm bảo trì của một tổ chức sản xuất lớn. Nhóm bảo trì của bạn đã yêu cầu bạn hỗ trợ trong việc dự đoán các lỗi thường gặp. Họ đã cung cấp cho bạn một tập dữ liệu lịch sử chứa các đặc điểm gắn liền với một loại lỗi nhất định và muốn bạn dự đoán lỗi nào sẽ xảy ra trong tương lai. Các loại lỗi bao gồm Không hỏng, Quá hoạt động và Hỏng nguồn. Lược đồ dữ liệu được liệt kê trong bảng sau.
Tên cột dọc | Loại dữ liệu | Mô tả |
UID | INT | Số nhận dạng duy nhất từ 1–10,000 |
ID sản phẩm | STRING | Bao gồm một chữ cái — L, M hoặc H cho mức thấp, trung bình hoặc cao — làm biến thể chất lượng sản phẩm và số sê-ri dành riêng cho từng biến thể |
kiểu | STRING | Chữ cái đầu tiên được liên kết với productID chỉ bao gồm L, M hoặc H |
nhiệt độ không khí [K] | QUYẾT ĐỊNH | Nhiệt độ không khí được xác định bằng kelvin |
nhiệt độ quá trình [K] | QUYẾT ĐỊNH | Nhiệt độ được kiểm soát chính xác để đảm bảo chất lượng của một loại sản phẩm nhất định được chỉ định trong kelvin |
tốc độ quay [vòng / phút] | QUYẾT ĐỊNH | Tốc độ quay của một vật quay quanh một trục là số vòng quay của vật đó chia cho thời gian, được quy định là số vòng quay trên phút |
mô-men xoắn [Nm] | QUYẾT ĐỊNH | Lực quay của máy thông qua bán kính, được biểu thị bằng mét newton |
dụng cụ mặc [tối thiểu] | INT | Độ mòn dụng cụ tính bằng phút |
loại thất bại (mục tiêu) | STRING | Không có lỗi, mất nguồn hoặc lỗi hoạt động quá mức |
Sau khi loại lỗi được xác định, doanh nghiệp có thể thực hiện bất kỳ hành động khắc phục nào. Để thực hiện việc này, bạn sử dụng dữ liệu bạn có trong tệp CSV, tệp này chứa các đặc điểm nhất định của sản phẩm như được nêu trong bảng. Bạn sử dụng Canvas để thực hiện các bước sau:
- Nhập tập dữ liệu bảo trì.
- Đào tạo và xây dựng mô hình bảo trì máy dự đoán.
- Phân tích kết quả mô hình.
- Kiểm tra dự đoán so với mô hình.
Điều kiện tiên quyết
Quản trị viên đám mây với Tài khoản AWS với các quyền thích hợp được yêu cầu để hoàn thành các điều kiện tiên quyết sau:
- Triển khai một Amazon SageMaker miền Để được hướng dẫn, hãy xem Tích hợp vào Miền Amazon SageMaker.
- Khởi chạy Canvas. Để được hướng dẫn, hãy xem Thiết lập và quản lý Amazon SageMaker Canvas (dành cho quản trị viên CNTT).
- Định cấu hình chính sách chia sẻ tài nguyên nhiều nguồn gốc (CORS) cho Canvas. Để được hướng dẫn, hãy xem Cung cấp cho người dùng của bạn khả năng tải lên các tệp cục bộ.
Nhập tập dữ liệu
Đầu tiên, tải xuống tập dữ liệu bảo trì và xem lại tệp để đảm bảo rằng tất cả dữ liệu đều ở đó.
Canvas cung cấp một số bộ dữ liệu mẫu trong ứng dụng của bạn để giúp bạn bắt đầu. Để tìm hiểu thêm về bộ dữ liệu mẫu do SageMaker cung cấp mà bạn có thể thử nghiệm, hãy xem Sử dụng bộ dữ liệu mẫu. Nếu bạn sử dụng tập dữ liệu mẫu (canvas-sample-maintenance.csv
) có sẵn trong Canvas, bạn không phải nhập tập dữ liệu bảo trì.
Bạn có thể nhập dữ liệu từ các nguồn dữ liệu khác nhau vào Canvas. Nếu bạn định sử dụng tập dữ liệu của riêng mình, hãy làm theo các bước trong Nhập dữ liệu trong Amazon SageMaker Canvas.
Đối với bài đăng này, chúng tôi sử dụng bộ dữ liệu bảo trì đầy đủ mà chúng tôi đã tải xuống.
- Đăng nhập vào Bảng điều khiển quản lý AWS, sử dụng tài khoản có các quyền thích hợp để truy cập Canvas.
- Đăng nhập vào bảng điều khiển Canvas.
- Chọn Nhập khẩu.
- Chọn Tải lên Và chọn
maintenance_dataset.csv
tập tin. - Chọn Nhập dữ liệu để tải nó lên Canvas.
Quá trình nhập mất khoảng 10 giây (điều này có thể thay đổi tùy thuộc vào kích thước tập dữ liệu). Khi hoàn tất, bạn có thể thấy tập dữ liệu đang ở Ready
trạng thái.
Sau khi bạn xác nhận rằng tập dữ liệu đã nhập ready
, bạn có thể tạo mô hình của mình.
Xây dựng và đào tạo mô hình
Để tạo và đào tạo mô hình của bạn, hãy hoàn thành các bước sau:
- Chọn Mô hình mớivà cung cấp tên cho mô hình của bạn.
- Chọn Tạo.
- Chọn hình ba gạch
maintenance_dataset.csv
tập dữ liệu và chọn Chọn tập dữ liệu.
Trong chế độ xem mô hình, bạn có thể thấy bốn tab, tương ứng với bốn bước để tạo mô hình và sử dụng nó để tạo dự đoán: Chọn, Xây dựng, Phân tíchvà Dự đoán. - trên Chọn tab, chọn
maintenance_dataset.csv
tập dữ liệu bạn đã tải lên trước đó và chọn Chọn tập dữ liệu.
Tập dữ liệu này bao gồm 9 cột và 10,000 hàng. Canvas tự động chuyển sang giai đoạn Xây dựng. - Trên tab này, hãy chọn cột mục tiêu, trong trường hợp của chúng tôi Loại lỗi.Nhóm bảo trì đã thông báo cho bạn rằng cột này cho biết loại lỗi thường thấy dựa trên dữ liệu lịch sử từ các máy hiện có của họ. Đây là những gì bạn muốn huấn luyện mô hình của mình để dự đoán. Canvas tự động phát hiện rằng đây là 3 loại vấn đề (còn được gọi là phân loại nhiều lớp). Nếu loại mô hình sai được phát hiện, bạn có thể thay đổi nó theo cách thủ công với Đổi loại tùy chọn.
Cần lưu ý rằng tập dữ liệu này rất mất cân bằng đối với lớp Không có lỗi, có thể thấy được bằng cách xem cột có tên Loại lỗi. Mặc dù Canvas và các khả năng AutoML cơ bản có thể xử lý phần nào sự mất cân bằng tập dữ liệu, nhưng điều này có thể dẫn đến một số hiệu suất bị sai lệch. Như một bước bổ sung tiếp theo, hãy tham khảo Cân bằng dữ liệu của bạn cho việc học máy với Amazon SageMaker Data Wrangler. Làm theo các bước trong liên kết được chia sẻ, bạn có thể khởi chạy một Xưởng sản xuất Amazon SageMaker ứng dụng từ bảng điều khiển SageMaker và nhập tập dữ liệu này trong Trình sắp xếp dữ liệu Amazon SageMaker và sử dụng chuyển đổi dữ liệu Cân bằng, sau đó đưa tập dữ liệu cân bằng trở lại Canvas và tiếp tục các bước sau. Chúng tôi đang tiếp tục với tập dữ liệu không cân bằng trong bài đăng này để cho thấy rằng Canvas cũng có thể xử lý tập dữ liệu không cân bằng.
Ở nửa dưới của trang, bạn có thể xem một số thống kê của tập dữ liệu, bao gồm các giá trị bị thiếu và không khớp, giá trị duy nhất, giá trị trung bình và giá trị trung bình. Bạn cũng có thể bỏ một số cột nếu bạn không muốn sử dụng chúng cho dự đoán bằng cách chỉ cần bỏ chọn chúng.
Sau khi bạn đã khám phá phần này, đã đến lúc đào tạo mô hình! Trước khi xây dựng một mô hình hoàn chỉnh, bạn nên có một ý tưởng chung về hiệu suất của mô hình bằng cách đào tạo một Mô hình nhanh. Mô hình nhanh huấn luyện ít kết hợp mô hình và siêu tham số hơn để ưu tiên tốc độ hơn độ chính xác, đặc biệt trong trường hợp bạn muốn chứng minh giá trị của việc huấn luyện mô hình ML cho trường hợp sử dụng của mình. Lưu ý rằng tùy chọn tạo nhanh không khả dụng cho các mô hình lớn hơn 50,000 hàng. - Chọn Xây dựng nhanh chóng.
Giờ thì bạn đợi ở bất kỳ đâu từ 2–15 phút. Sau khi hoàn tất, Canvas tự động chuyển đến Phân tích để hiển thị cho bạn kết quả đào tạo nhanh. Phân tích được thực hiện bằng cách sử dụng các ước tính xây dựng nhanh rằng mô hình của bạn có thể dự đoán đúng loại lỗi (kết quả) 99.2% thời gian. Bạn có thể trải nghiệm các giá trị hơi khác nhau. Điều này được mong đợi.
Hãy tập trung vào tab đầu tiên, Giới thiệu chung. Đây là tab hiển thị cho bạn Tác động cộthoặc tầm quan trọng ước tính của mỗi cột trong việc dự đoán cột mục tiêu. Trong ví dụ này, các cột Mô-men xoắn [Nm] và Tốc độ quay [vòng / phút] có tác động đáng kể nhất trong việc dự đoán loại hư hỏng nào sẽ xảy ra.
Đánh giá hiệu suất mô hình
Khi bạn di chuyển đến Ghi điểm phần phân tích của bạn, bạn có thể thấy một biểu đồ đại diện cho sự phân phối các giá trị dự đoán của chúng tôi so với các giá trị thực tế. Lưu ý rằng hầu hết các lỗi sẽ nằm trong danh mục Không có Lỗi. Để tìm hiểu thêm về cách Canvas sử dụng đường cơ sở SHAP để mang lại khả năng giải thích cho ML, hãy tham khảo Đánh giá hiệu suất mô hình của bạn trong Amazon SageMaker Canvas, Cũng như Cơ sở SHAP về khả năng giải thích.
Canvas phân chia tập dữ liệu ban đầu thành các tập hợp quy trình đào tạo và xác nhận trước khi đào tạo. Điểm là kết quả của việc Canvas chạy bộ xác thực dựa trên mô hình. Đây là một giao diện tương tác, nơi bạn có thể chọn loại lỗi. Nếu bạn chọn Thất bại quá mức trong đồ họa, bạn có thể thấy mô hình đó xác định 84% thời gian này. Điều này là đủ tốt để thực hiện hành động — có thể nhờ một nhà điều hành hoặc kỹ sư kiểm tra thêm. Bạn có thể chọn Mất điện trong hình ảnh để xem điểm tương ứng để giải thích và hành động thêm.
Bạn có thể quan tâm đến các loại lỗi và mô hình dự đoán các loại lỗi dựa trên một loạt các yếu tố đầu vào tốt như thế nào. Để xem xét kỹ hơn kết quả, hãy chọn Các chỉ số nâng cao. Điều này hiển thị một ma trận cho phép bạn kiểm tra chặt chẽ hơn các kết quả. Trong ML, điều này được gọi là ma trận hỗn loạn.
Ma trận này mặc định là lớp thống trị, Không có lỗi. Trên Lớp , bạn có thể chọn để xem các chỉ số nâng cao của hai loại lỗi khác là Lỗi quá tải và Hỏng nguồn.
Trong ML, độ chính xác của mô hình được định nghĩa là số lần dự đoán đúng chia cho tổng số lần dự đoán. Các hộp màu xanh lam đại diện cho các dự đoán chính xác mà mô hình đã thực hiện dựa trên một tập hợp con dữ liệu thử nghiệm trong đó có một kết quả đã biết. Ở đây, chúng tôi quan tâm đến tỷ lệ phần trăm thời gian mà mô hình dự đoán một loại lỗi máy cụ thể (giả sử Không thất bại) khi nó thực sự là loại lỗi (Không thất bại). Trong ML, một tỷ lệ được sử dụng để đo lường điều này là TP / (TP + FN). Điều này được gọi là nhớ lại. Trong trường hợp mặc định, Không thất bại, có 1,923 dự đoán đúng trong tổng số 1,926 hồ sơ tổng thể, kết quả là 99% nhớ lại. Ngoài ra, trong phân loại Thất bại quá mức, có 32 trong số 38, kết quả là 84% nhớ lại. Cuối cùng, trong loại Sự cố mất điện, có 16 trong số 19, kết quả là 84% nhớ lại.
Bây giờ, bạn có hai lựa chọn:
- Bạn có thể sử dụng mô hình này để chạy một số dự đoán bằng cách chọn Dự đoán.
- Bạn có thể tạo một phiên bản mới của mô hình này để đào tạo với Xây dựng tiêu chuẩn quyền mua. Quá trình này sẽ mất nhiều thời gian hơn — khoảng 1–2 giờ — nhưng cung cấp một mô hình mạnh mẽ hơn vì nó trải qua quá trình đánh giá AutoML đầy đủ về dữ liệu, thuật toán và các lần lặp điều chỉnh.
Bởi vì bạn đang cố gắng dự đoán thất bại và mô hình dự đoán thất bại chính xác 84% thời gian, bạn có thể tự tin sử dụng mô hình để xác định các thất bại có thể xảy ra. Vì vậy, bạn có thể tiếp tục với tùy chọn 1. Nếu bạn không tự tin, thì bạn có thể yêu cầu một nhà khoa học dữ liệu xem xét việc tạo mô hình Canvas đã thực hiện và đưa ra những cải tiến tiềm năng thông qua tùy chọn 2.
Tạo dự đoán
Bây giờ mô hình đã được đào tạo, bạn có thể bắt đầu tạo dự đoán.
- Chọn Dự đoán ở dưới cùng của Phân tích hoặc chọn Dự đoán tab.
- Chọn Chọn tập dữ liệuvà chọn
maintenance_dataset.csv
tập tin. - Chọn Tạo dự đoán.
Canvas sử dụng tập dữ liệu này để tạo các dự đoán của chúng tôi. Mặc dù nói chung không nên sử dụng cùng một tập dữ liệu cho cả đào tạo và kiểm tra, bạn có thể sử dụng cùng một tập dữ liệu vì mục đích đơn giản trong trường hợp này. Ngoài ra, bạn có thể xóa một số bản ghi khỏi tập dữ liệu ban đầu mà bạn sử dụng để đào tạo và sử dụng các bản ghi đó trong tệp CSV và cung cấp nó vào dự đoán hàng loạt tại đây để bạn không sử dụng cùng một tập dữ liệu để kiểm tra sau đào tạo.
Sau một vài giây, dự đoán hoàn tất. Canvas trả về dự đoán cho mỗi hàng dữ liệu và xác suất dự đoán đúng. Bạn có thể chọn Xem trước để xem các dự đoán hoặc chọn Tải về để tải xuống tệp CSV có chứa toàn bộ đầu ra.
Bạn cũng có thể chọn dự đoán từng giá trị một bằng cách chọn Dự đoán duy nhất thay vì Dự đoán hàng loạt. Canvas hiển thị cho bạn một chế độ xem nơi bạn có thể cung cấp các giá trị cho từng tính năng theo cách thủ công và tạo dự đoán. Điều này là lý tưởng cho các tình huống như tình huống xảy ra, chẳng hạn như: Độ mòn của dụng cụ ảnh hưởng như thế nào đến kiểu hỏng hóc? Điều gì sẽ xảy ra nếu nhiệt độ quá trình tăng hoặc giảm? Điều gì sẽ xảy ra nếu tốc độ quay thay đổi?
Xây dựng tiêu chuẩn
Sản phẩm Xây dựng tiêu chuẩn tùy chọn chọn độ chính xác trên tốc độ. Nếu bạn muốn chia sẻ các tạo tác của mô hình với nhà khoa học dữ liệu và kỹ sư ML của mình, bạn có thể tạo một bản dựng tiêu chuẩn tiếp theo.
- Chọn Thêm phiên bản
- Chọn một phiên bản mới và chọn Xây dựng tiêu chuẩn.
- Sau khi tạo một bản dựng tiêu chuẩn, bạn có thể chia sẻ mô hình với các nhà khoa học dữ liệu và kỹ sư ML để đánh giá và lặp lại thêm.
Làm sạch
Để tránh phát sinh sau này phí phiên, đăng xuất khỏi Canvas.
Kết luận
Trong bài đăng này, chúng tôi đã chỉ ra cách một nhà phân tích kinh doanh có thể tạo mô hình dự đoán loại lỗi máy bằng Canvas bằng cách sử dụng dữ liệu bảo trì. Canvas cho phép các nhà phân tích kinh doanh như kỹ sư độ tin cậy tạo ra các mô hình ML chính xác và tạo các dự đoán bằng cách sử dụng giao diện không mã, trực quan, trỏ và nhấp. Các nhà phân tích có thể đưa điều này lên cấp độ tiếp theo bằng cách chia sẻ mô hình của họ với các đồng nghiệp nhà khoa học dữ liệu. Các nhà khoa học dữ liệu có thể xem mô hình Canvas trong Studio, nơi họ có thể khám phá các lựa chọn mà Canvas đã thực hiện, xác thực kết quả mô hình và thậm chí đưa mô hình đi sản xuất bằng một vài cú nhấp chuột. Điều này có thể đẩy nhanh quá trình tạo giá trị dựa trên ML và giúp mở rộng quy mô kết quả được cải thiện nhanh hơn.
Để tìm hiểu thêm về cách sử dụng Canvas, hãy xem Xây dựng, Chia sẻ, Triển khai: cách các nhà phân tích kinh doanh và nhà khoa học dữ liệu đạt được thời gian ra thị trường nhanh hơn bằng cách sử dụng ML không mã và Amazon SageMaker Canvas. Để biết thêm thông tin về cách tạo mô hình ML với giải pháp không mã, hãy xem Công bố Amazon SageMaker Canvas - Khả năng học máy trực quan, không cần mã cho các nhà phân tích kinh doanh.
Về các tác giả
Rajakumar Sampathkumar là Giám đốc tài khoản kỹ thuật chính tại AWS, cung cấp cho khách hàng hướng dẫn về sự liên kết giữa kinh doanh và công nghệ và hỗ trợ việc sáng tạo lại các mô hình và quy trình hoạt động đám mây của họ. Anh ấy rất đam mê về đám mây và máy học. Raj cũng là một chuyên gia học máy và làm việc với khách hàng AWS để thiết kế, triển khai và quản lý khối lượng công việc và kiến trúc AWS của họ.
Twann Atkins là Kiến trúc sư Giải pháp Cấp cao cho Dịch vụ Web của Amazon. Ông chịu trách nhiệm làm việc với các khách hàng Nông nghiệp, Bán lẻ và Sản xuất để xác định các vấn đề kinh doanh và làm việc ngược lại để xác định các giải pháp kỹ thuật khả thi và có thể mở rộng. Twann đã giúp khách hàng lập kế hoạch và di chuyển khối lượng công việc quan trọng trong hơn 10 năm với trọng tâm gần đây là dân chủ hóa phân tích, trí tuệ nhân tạo và máy học cho khách hàng và các nhà xây dựng của tương lai.
Omkar Mukadam là một Kiến trúc Giải pháp Chuyên gia về Edge tại Amazon Web Services. Anh hiện tập trung vào các giải pháp cho phép khách hàng thương mại thiết kế, xây dựng và mở rộng quy mô một cách hiệu quả với các dịch vụ AWS Edge, bao gồm nhưng không giới hạn ở AWS Snow Family.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/p Dự đoán-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- truy cập
- Tài khoản
- chính xác
- Đạt được
- Hoạt động
- hành động
- thêm vào
- quản trị viên
- quản trị
- tiên tiến
- chống lại
- nông nghiệp
- thuật toán
- Tất cả
- cho phép
- Mặc dù
- đàn bà gan dạ
- Amazon Web Services
- phân tích
- phân tích
- phân tích
- phân tích
- bất cứ nơi nào
- ứng dụng
- Các Ứng Dụng
- thích hợp
- khoảng
- kiến trúc
- xung quanh
- nhân tạo
- trí tuệ nhân tạo
- Trí tuệ nhân tạo và học máy
- giao
- liên kết
- thuộc tính
- tự động
- có sẵn
- AWS
- Trục
- bởi vì
- trước
- được
- lớn hơn
- biên giới
- mang lại
- xây dựng
- Xây dựng
- kinh doanh
- các doanh nghiệp
- vải
- khả năng
- trường hợp
- trường hợp
- Phân loại
- nhất định
- thay đổi
- lựa chọn
- Chọn
- tốt nghiệp lớp XNUMX
- gần gũi hơn
- đám mây
- mã
- đồng nghiệp
- Cột
- kết hợp
- thương gia
- Chung
- hoàn thành
- tự tin
- An ủi
- chứa
- tiếp tục
- có thể
- tạo
- Tạo
- tạo
- quan trọng
- Hiện nay
- khách hàng
- dữ liệu
- nhà khoa học dữ liệu
- chậm trễ
- Tùy
- triển khai
- Thiết kế
- phát hiện
- phát triển
- ĐÃ LÀM
- khác nhau
- màn hình
- phân phối
- miền
- tải về
- Rơi
- mỗi
- Cạnh
- hiệu quả
- cho phép
- ky sư
- Kỹ sư
- đặc biệt
- ước tính
- dự toán
- đánh giá
- đánh giá
- ví dụ
- hiện tại
- dự kiến
- kinh nghiệm
- thử nghiệm
- các chuyên gia
- khám phá
- bày tỏ
- Không
- gia đình
- nhanh hơn
- Đặc tính
- Tên
- Tập trung
- tập trung
- theo
- tiếp theo
- từ
- Full
- xa hơn
- tương lai
- Tổng Quát
- nói chung
- tạo ra
- tạo ra
- tốt
- xử lý
- có
- giúp đỡ
- giúp đỡ
- tại đây
- cao
- lịch sử
- Độ đáng tin của
- HTTPS
- ý tưởng
- lý tưởng
- xác định
- Va chạm
- tầm quan trọng
- cải thiện
- cải thiện
- bao gồm
- bao gồm
- Bao gồm
- các ngành công nghiệp
- thông tin
- thông báo
- những hiểu biết
- Sự thông minh
- tương tác
- quan tâm
- Giao thức
- giải thích
- IT
- nổi tiếng
- lớn
- phóng
- LEARN
- học tập
- Cấp
- Hạn chế
- Dòng
- LINK
- Liệt kê
- địa phương
- Xem
- máy
- học máy
- Máy móc
- thực hiện
- bảo trì
- làm cho
- quản lý
- quản lý
- giám đốc
- quản lý
- thủ công
- sản xuất
- Matrix
- đo
- trung bình
- Metrics
- ML
- kiểu mẫu
- mô hình
- chi tiết
- hầu hết
- di chuyển
- tiếp theo
- lưu ý
- con số
- cung cấp
- Cung cấp
- hoạt động
- nhà điều hành
- Tùy chọn
- Các lựa chọn
- gọi món
- cơ quan
- nguyên
- Nền tảng khác
- tổng thể
- riêng
- riêng
- đam mê
- tỷ lệ phần trăm
- hiệu suất
- biểu diễn
- giai đoạn
- Chính sách
- có thể
- tiềm năng
- quyền lực
- thực hành
- dự đoán
- dự đoán
- Dự đoán
- Hiệu trưởng
- Vấn đề
- vấn đề
- quá trình
- Quy trình
- Sản phẩm
- Chất lượng sản phẩm
- Sản lượng
- cho
- cung cấp
- cung cấp
- cung cấp
- chất lượng
- Nhanh chóng
- khác nhau,
- gần đây
- hồ sơ
- đại diện
- đại diện
- cần phải
- tài nguyên
- chịu trách nhiệm
- Kết quả
- bán lẻ
- Trả về
- xem xét
- chạy
- chạy
- tương tự
- khả năng mở rộng
- Quy mô
- Nhà khoa học
- các nhà khoa học
- ghi bàn
- giây
- nối tiếp
- Loạt Sách
- dịch vụ
- DỊCH VỤ
- định
- một số
- Chia sẻ
- chia sẻ
- chia sẻ
- hiển thị
- có ý nghĩa
- duy nhất
- Kích thước máy
- tuyết
- So
- rắn
- giải pháp
- Giải pháp
- một số
- chuyên gia
- tốc độ
- Tách
- Tiêu chuẩn
- Bắt đầu
- bắt đầu
- số liệu thống kê
- Trạng thái
- phòng thu
- Hỗ trợ
- Mục tiêu
- nhóm
- Kỹ thuật
- thử nghiệm
- Kiểm tra
- Sản phẩm
- Thông qua
- Bị ràng buộc
- thời gian
- mai
- công cụ
- đối với
- Hội thảo
- tàu hỏa
- Chuyển đổi
- loại
- thường
- độc đáo
- sử dụng
- Người sử dụng
- xác nhận
- giá trị
- phiên bản
- Xem
- chờ đợi
- web
- các dịch vụ web
- Điều gì
- ở trong
- đang làm việc
- công trinh
- sẽ
- năm
- trên màn hình