شرق أستراليا من بين أكثر المناطق عرضة للحرائق في العالم. على الرغم من أن حرائق الغابات تحدث بشكل منتظم في أستراليا ، إلا أن أزمة حرائق الغابات في الفترة 2019-2020 أشعلت النيران في أكثر من 17 مليون هكتار من الأراضي (أكبر من مساحة إنجلترا) ، مما كلف الاقتصاد الأسترالي أكثر من 100 مليار دولار بين الممتلكات والبنية التحتية والتكاليف الاجتماعية والبيئية .
مع تزايد الظواهر الجوية الشديدة ، لن تختفي مخاطر حرائق الغابات في أستراليا في أي وقت قريب. وهذا يعني أن المسؤولية الواقعة على مشغلي شبكات الطاقة الأسترالية للحفاظ على إمدادات آمنة وموثوقة لم تكن أكبر من أي وقت مضى.
تضم شبكة الطاقة الأسترالية أكثر من 880,000 كيلومتر من خطوط التوزيع والنقل (حوالي 22 رحلة حول محيط الأرض) و 7 ملايين عمود طاقة. يجب إدارة الظروف المناخية القاسية والنمو النباتي بالقرب من خطوط الكهرباء بعناية للتخفيف من مخاطر حرائق الغابات.
في هذا المنشور ، نناقش كيفية استخدام AusNet للتعلم الآلي (ML) و الأمازون SageMaker للمساعدة في التخفيف من حرائق الغابات.
ابتكار AusNet مع LiDAR
تدير AusNet 54,000 كيلومتر من خطوط الكهرباء وتوفر الطاقة لأكثر من 1.5 مليون منزل وشركة في العصر الفيكتوري. يقع 62٪ من هذه الشبكة في مناطق عالية الخطورة لحرائق الغابات. طورت AusNet حلاً مبتكرًا للحفاظ على شبكة الطاقة الخاصة بها بأمان وتقليل مخاطر الغطاء النباتي الذي يتسبب في تلف الشبكة.
منذ عام 2009 ، تقوم AusNet بالتقاط بيانات LiDAR عالية الجودة عبر الشبكة باستخدام كل من أنظمة الخرائط الجوية والطرق. LiDAR هي طريقة للاستشعار عن بعد تستخدم الضوء على شكل ليزر نابض لقياس المسافات والاتجاهات. تحتوي النقطة المحسوسة في كائن على معلومات إحداثيات ثلاثية الأبعاد (x ، y ، z) بالإضافة إلى سمات إضافية مثل الكثافة وعدد المرتجعات ورقم الإرجاع والطابع الزمني لنظام تحديد المواقع العالمي (GPS) وما إلى ذلك. يتم تمثيل هذه النقاط كسحابة نقطية ثلاثية الأبعاد ، وهي عبارة عن مجموعة من جميع معلومات النقاط. عند المعالجة ، يتم تحويل LiDAR إلى نموذج ثلاثي الأبعاد لأصول شبكة AusNet ، وتحديد نمو الغطاء النباتي الذي يجب قطعه من أجل السلامة من حرائق الغابات.
استخدمت العملية السابقة لتصنيف LiDAR الاستدلال المستند إلى قواعد الأعمال ، مع الاعتماد الشديد على مواقع أصول نظام المعلومات الجغرافية الدقيقة (GIS) لدفع الأتمتة. مطلوب جهد اليد العاملة اليدوية باستخدام أدوات وضع العلامات المصممة خصيصًا لتسمية نقاط LiDAR بشكل صحيح حيث كانت مواقع الأصول غير دقيقة أو ببساطة غير موجودة. أدى التصحيح اليدوي وتصنيف نقاط LiDAR إلى زيادة أوقات إنجاز المعالجة وجعل قياسها صعبًا.
AusNet و Amazon Machine Learning
تعاون فريق AusNet الجغرافي المكاني مع متخصصي Amazon ML ، بما في ذلك مختبر حلول التعلم الآلي من Amazon والخدمات الاحترافية ، للتحقيق في كيفية قيام ML بأتمتة تصنيف نقاط LiDAR وتسريع العملية المرهقة لتصحيح بيانات موقع GIS غير الدقيقة يدويًا.
تجاوزت التكلفة السنوية لتصنيف تريليونات نقاط LiDAR التي تم التقاطها والتي تمثل تكوينات الشبكة المختلفة في جميع أنحاء أستراليا بدقة 700,000 دولار سنويًا وأعاقت قدرة AusNet على توسيع ذلك ليشمل مناطق أكبر من الشبكة.
تعاونت AusNet و AWS للاستخدام الأمازون SageMaker للتجربة وبناء نماذج التعلم العميق لأتمتة التصنيف النقطي لهذه المجموعة الكبيرة من بيانات LiDAR. Amazon SageMaker هي خدمة مُدارة بالكامل تساعد علماء البيانات والمطورين على إعداد وبناء وتدريب ونشر نماذج التعلم الآلي عالية الجودة بسرعة. نجح فريق AusNet و AWS في بناء نموذج تجزئة دلالي يصنف بدقة بيانات السحابة النقطية ثلاثية الأبعاد إلى الفئات التالية: الموصل ، والبناء ، والقطب ، والغطاء النباتي ، وغيرها.
نتائج AusNet والتخفيف من حرائق الغابات
حقق التعاون بين AWS و AusNet نجاحًا كبيرًا ، مما أسفر عن النتائج التالية لكل من الأعمال والحد من مخاطر حرائق الغابات:
- زيادة سلامة العمال باستخدام بيانات LiDAR وتقليل الحاجة إلى المهندسين والمساحين والمصممين للسفر إلى المواقع
- نتج عن دقة 80.53٪ عبر جميع فئات التجزئة الخمس ، مما يوفر AusNet ما يقدر بنحو 500,000 دولار أسترالي سنويًا من خلال التصنيف الآلي
- قدمت دقة 91.66٪ و 92٪ في الكشف عن الموصلات والغطاء النباتي ، على التوالي ، مما أدى إلى تحسين التصنيف الأوتوماتيكي لأهم فئتين من القطاعات.
- توفير المرونة لاستخدام بيانات LiDAR التي تم الحصول عليها من الطائرات بدون طيار والمروحيات والطائرات والمركبات الأرضية ، مع مراعاة التباين الفريد لكل مصدر بيانات
- تمكين الأعمال من ابتكار تحليلات أسرع وتوسيع نطاقها عبر شبكتها بالكامل عن طريق تقليل الاعتماد على البيانات المرجعية لنظام المعلومات الجغرافية وعمليات التصحيح اليدوي
- توفير القدرة على توسيع نطاق التحليلات عبر شبكة الطاقة بأكملها مع زيادة أتمتة ML وتقليل الاعتماد على عمليات تصحيح نظم المعلومات الجغرافية اليدوية
يوضح الجدول التالي أداء نموذج التقسيم الدلالي على البيانات غير المرئية (تم قياسها باستخدام مقاييس "الدقة" و "الاسترجاع" ، مع كونها أفضل) ، عبر الفئات الخمس.
قام نموذج ML بتصنيف النقاط من التقاط طائرة هليكوبتر:
حل نظرة عامة
جلب فريق ML Solutions Lab فريقًا من العلماء والمهندسين المعماريين ذوي الخبرة العالية للمساعدة في دفع الابتكار والتجريب. من خلال تجربة ML المتطورة عبر الصناعات ، تعاون الفريق مع فريق AusNet's Geospatial لحل بعض أكثر المشكلات التكنولوجية تحديًا للأعمال. استنادًا إلى إمكانات ML العميقة لـ SageMaker ، تمكنت AusNet و AWS من إكمال الإصدار التجريبي في غضون 8 أسابيع فقط.
لعب اتساع وعمق SageMaker دورًا رئيسيًا في السماح للمطورين وعلماء البيانات من كل من AusNet و AWS بالتعاون في المشروع. استخدم الفريق ميزات مشاركة الكود والكمبيوتر المحمول وتمكن من الوصول بسهولة إلى موارد حوسبة ML عند الطلب للتدريب. مكنت مرونة SageMaker الفريق من التكرار بسرعة. تمكن الفريق أيضًا من الاستفادة من توفر تكوينات الأجهزة المختلفة للتجربة على AWS دون الحاجة إلى الاستثمار في رأس مال مقدمًا للحصول على الأجهزة المحلية. سمح ذلك لـ AusNet باختيار موارد ML المناسبة بسهولة وتوسيع نطاق تجاربها عند الطلب. تعد المرونة والتوافر في موارد وحدة معالجة الرسومات أمرًا بالغ الأهمية ، خاصةً عندما تتطلب مهمة ML تجارب متطورة.
استخدمنا مثيلات دفتر SageMaker لاستكشاف البيانات وتطوير كود المعالجة المسبقة ، واستخدمنا وظائف معالجة وتدريب SageMaker لأعباء العمل على نطاق واسع. استخدم الفريق أيضًا تحسين المعلمات الفائقة (HPO) للتكرار بسرعة في مهام تدريبية متعددة مع تكوينات وإصدارات مجموعة بيانات مختلفة لضبط المعلمات الفائقة والعثور على النموذج الأفضل أداءً. على سبيل المثال ، أنشأنا إصدارات مختلفة من مجموعات البيانات باستخدام أساليب أخذ العينات الزائدة والزيادة للتغلب على مشكلات عدم توازن البيانات. يتيح لك تشغيل وظائف تدريبية متعددة بمجموعات بيانات مختلفة بالتوازي العثور على مجموعة البيانات الصحيحة بسرعة. بفضل مجموعات البيانات السحابية ذات النقاط الكبيرة وغير المتوازنة ، قدم SageMaker القدرة على التكرار بسرعة باستخدام العديد من تكوينات التجارب وتحويلات البيانات.
يمكن لمهندسي ML إجراء استكشافات أولية للبيانات والخوارزميات باستخدام مثيلات دفتر ملاحظات منخفضة التكلفة ، ثم تفريغ عمليات البيانات الثقيلة إلى حالات المعالجة الأكثر قوة. تتأكد الفوترة لكل ثانية وإدارة دورة الحياة التلقائية من بدء وإيقاف مثيلات التدريب الأكثر تكلفة تلقائيًا وتظل نشطة فقط طالما كان ذلك ضروريًا ، مما يزيد من كفاءة الاستخدام.
تمكن الفريق من تدريب نموذج بمعدل 10.8 دقيقة لكل فترة على 17.2 جيجا بايت من البيانات غير المضغوطة عبر 1,571 ملفًا بإجمالي 616 مليون نقطة تقريبًا. للاستدلال ، تمكن الفريق من معالجة 33.6 جيجا بايت من البيانات غير المضغوطة عبر 15 ملفًا بإجمالي 1.2 مليار نقطة في 22.1 ساعة. هذا يترجم إلى استنتاج متوسط 15,760،XNUMX نقطة في الثانية بما في ذلك وقت بدء التشغيل المطفأ.
حل مشكلة التجزئة الدلالية
قام نموذج ML بتصنيف النقاط من التقاط الجناح الثابت:
قام نموذج ML بتصنيف النقاط من التقاط المحمول:
تسمى مشكلة تخصيص كل نقطة في سحابة نقطة إلى فئة من مجموعة من الفئات أ التجزئة الدلالي مشكلة. تتكون السحب النقطية ثلاثية الأبعاد لـ AusNet من مجموعات بيانات LiDAR من ملايين النقاط. يتضمن تصنيف كل نقطة بدقة وكفاءة في سحابة نقطية ثلاثية الأبعاد مواجهة تحديين:
- بيانات غير متوازنة - يعد عدم التوازن الطبقي مشكلة شائعة في السحب النقطية في العالم الحقيقي. كما رأينا في المقاطع السابقة ، تتكون غالبية النقاط من نباتات ، مع عدد أقل بكثير من النقاط المكونة من خطوط الطاقة أو الموصلات التي تشكل أقل من 1٪ من إجمالي النقاط. النماذج التي يتم تدريبها باستخدام مجموعة البيانات غير المتوازنة تنحاز بسهولة إلى الفئات الرئيسية ، وتعمل بشكل سيئ على القاصرين. يعد عدم توازن الفئة هذا مشكلة شائعة في بيانات سحابة نقاط LiDAR للبيئات الخارجية. لهذه المهمة ، من الأهمية بمكان أن يكون لديك أداء جيد في تصنيف نقاط الموصل. يعد تدريب نموذج يعمل بشكل جيد في كل من الفصل الدراسي الرئيسي والثانوي هو التحدي الأكبر.
- سحابة كبيرة الحجم - يمكن أن تغطي كمية بيانات سحابة النقاط من مستشعر LiDAR مساحة كبيرة مفتوحة. في حالة AusNet ، يمكن أن يتراوح عدد النقاط لكل نقطة سحابة من مئات الآلاف إلى عشرات الملايين ، مع اختلاف كل ملف سحابة نقطية من مئات الميجابايت إلى الجيجابايت. تتطلب معظم خوارزميات ML لتجزئة السحابة النقطية أخذ عينات لأن المشغلين لا يمكنهم أخذ جميع النقاط كمدخلات لهم. لسوء الحظ ، فإن العديد من طرق أخذ العينات ثقيلة من الناحية الحسابية ، مما يجعل التدريب والاستنتاج بطيئين. في هذا العمل ، نحتاج إلى اختيار خوارزمية ML الأكثر كفاءة والتي تعمل على السحب النقطية واسعة النطاق.
ابتكر فريق AWS و AusNet إستراتيجية جديدة للاختزال من خلال نقاط التجميع لحل مشكلة الفئات غير المتوازنة بشدة. ساعدت استراتيجية الاختزال هذه جنبًا إلى جنب مع وسائل التخفيف الحالية ، مثل وزن الفئة ، في حل التحديات في تدريب نموذج دقيق مع مجموعة بيانات غير متوازنة ، كما عززت أداء الاستدلال. لقد جربنا أيضًا استراتيجية الاختزال من خلال تكرار الفئات الثانوية ووضعها في مواقع مختلفة. تم إنشاء هذه العملية كوظيفة معالجة SageMaker بحيث يمكن تطبيقها على مجموعة البيانات المكتسبة حديثًا لمزيد من التدريب على النموذج ضمن خط أنابيب MLOps.
بحثت الفرق نماذج مختلفة لتجزئة السحابة النقطية مع مراعاة الدقة وقابلية التوسع من حيث عدد النقاط والكفاءة. خلال تجارب متعددة ، اخترنا خوارزمية ML الحديثة لتجزئة دلالي سحابة نقطية ، والتي تلبي المتطلبات. لقد اعتمدنا أيضًا طرق التعزيز بحيث يمكن للنموذج التعلم من مجموعات البيانات المختلفة.
هندسة الإنتاج
لطرح حل تجزئة السحابة النقطية ، صمم الفريق خط أنابيب ML باستخدام SageMaker للتدريب والاستدلال. يوضح الرسم البياني التالي بنية الإنتاج الإجمالية.
يتميز خط أنابيب التدريب بحاوية معالجة مخصصة في معالجة SageMaker لإجراء تحويل تنسيق سحابة النقطة وإعادة تعيين الفئات والاختزال والاختزال وتقسيم مجموعة البيانات. تستفيد وظيفة التدريب من مثيلات GPU المتعددة في SageMaker مع سعة ذاكرة أعلى لدعم تدريب النموذج بحجم دفعة أكبر.
يبدأ سير عمل تصنيف LiDAR في AusNet باستيعاب ما يصل إلى تيرابايت من بيانات سحابة النقاط من مركبات المراقبة الأرضية والجوية إلى خدمة تخزين أمازون البسيطة (أمازون S3). ثم تتم معالجة البيانات وتمريرها إلى خط أنابيب الاستدلال لتصنيف السحابة النقطية. لدعم ذلك ، يتم استخدام SageMaker Transform لتشغيل الاستدلال الدفعي عبر مجموعة البيانات ، مع تصنيف الإخراج كملفات سحابة نقطية مع درجات الثقة. تتم معالجة الإخراج بعد ذلك بواسطة محرك تصنيف AusNet ، الذي يحلل درجة الثقة وينشئ تقرير إدارة الأصول.
أحد الجوانب الرئيسية للهندسة المعمارية هو أنها تزود AusNet بنهج قابل للتطوير والوحدات لتجربة مجموعات البيانات الجديدة ، وتقنيات معالجة البيانات ، والنماذج. باستخدام هذا النهج ، يمكن لـ AusNet تكييف حلها مع الظروف البيئية المتغيرة واعتماد خوارزميات تجزئة السحابة النقطية المستقبلية.
الخلاصة والخطوات التالية مع AusNet
في هذا المنشور ، ناقشنا كيف تعاون فريق AusNet's Geospatial مع علماء Amazon ML لأتمتة تصنيف نقاط LiDAR عن طريق إزالة الاعتماد تمامًا على بيانات موقع GIS من مهمة التصنيف. ومن ثم ، تمت إزالة التأخير الذي حدث عن طريق تصحيح GIS اليدوي لجعل مهمة التصنيف أسرع وقابلة للتوسع.
"تعد القدرة على تسمية بيانات المسح الجوي الخاصة بنا بسرعة ودقة جزءًا مهمًا من تقليل مخاطر حرائق الغابات. من خلال العمل مع Amazon Machine Learning Solutions Lab ، تمكنا من إنشاء نموذج حقق 80.53 ٪ متوسط الدقة في تسمية البيانات. نتوقع أن نكون قادرين على تقليل جهود وضع العلامات اليدوية بنسبة تصل إلى 80٪ باستخدام الحل الجديد "، كما يقول دانيال بيندلبري ، مدير المنتج في AusNet.
تتصور AusNet أن نماذج تصنيف ML تلعب دورًا مهمًا في دفع الكفاءات عبر عمليات الشبكة الخاصة بهم. من خلال توسيع مكتبات التصنيف التلقائي الخاصة بهم باستخدام نماذج التجزئة الجديدة ، يمكن لـ AusNet الاستفادة من مجموعات البيانات الضخمة بشكل أكثر إنتاجية لضمان توفير الطاقة بشكل آمن وموثوق للمجتمعات في جميع أنحاء فيكتوريا.
شكر وتقدير
يود المؤلفون أن يشكروا سيرجي ريدكو ، وكلير بوروز ، وويليام ماناهان ، وساهيل ديشباندي ، وروس كينج ، وداميان بيسينيانو من AusNet لمشاركتهم في المشروع وتقديم خبراتهم في المجال على مجموعات بيانات LiDAR وتدريب ML باستخدام خوارزميات مختلفة من ML.
مختبر أمازون ML Solutions
مختبر أمازون ML Solutions يقرن فريقك بخبراء تعلم الآلة لمساعدتك في تحديد وتنفيذ فرص التعلم الآلي الأعلى قيمة لمؤسستك. إذا كنت ترغب في المساعدة في تسريع استخدامك لـ ML في منتجاتك وعملياتك ، فيرجى الاتصال بـ مختبر أمازون ML Solutions.
حول المؤلف
دانيال بندلبري هو مدير منتج في AusNet Services متخصص في توفير منتجات امتثال مبتكرة وآلية للمرافق في مجالات إدارة الغطاء النباتي وصيانة الأصول.
نثنائيل ويلدون هو مطور برمجيات جغرافية مكانية في خدمات Ausnet. وهو متخصص في بناء وضبط أنظمة معالجة البيانات الجغرافية المكانية واسعة النطاق ، من ذوي الخبرة عبر المرافق والموارد والقطاعات البيئية.
ديفيد معتمد هو مدير حسابات في Amazon Web Services. من مقره في ملبورن ، أستراليا ، يساعد عملاء المؤسسات على النجاح في رحلات التحول الرقمي الخاصة بهم.
سيمون جونستون هي شركة رائدة في مجال الذكاء الاصطناعي وهي مسؤولة عن أعمال Amazon Web Services AI / ML عبر أستراليا ونيوزيلندا ، وتتخصص في استراتيجية واقتصاديات الذكاء الاصطناعي. أكثر من 20 عامًا من الخبرة في البحث والإدارة والاستشارات (الولايات المتحدة والاتحاد الأوروبي وآسيا والمحيط الهادئ) تغطي مجموعة من مشاريع الذكاء الاصطناعي المبتكرة التي تقودها الصناعة وتسويقها - الانخراط عبر الشركات الناشئة / الشركات الصغيرة والمتوسطة / الشركات الكبيرة ، والنظام البيئي الأوسع.
ديريك تشو مهندس حلول في Amazon Web Services. يقيم في ملبورن بأستراليا ويعمل بشكل وثيق مع عملاء المؤسسات لتسريع رحلتهم في السحابة. إنه متحمس لمساعدة العملاء على خلق قيمة من خلال الابتكار وبناء تطبيقات قابلة للتطوير ولديه اهتمام خاص بالذكاء الاصطناعي والتعلم الآلي.
موهيون كيم هو عالم بيانات في Amazon Machine Learning Solutions Lab. إنه يحل مشاكل العمل المختلفة للعملاء من خلال تطبيق التعلم الآلي والتعلم العميق ، ويساعدهم أيضًا على اكتساب المهارات.
سوجوي روي هو عالم في مختبر حلول التعلم الآلي في أمازون ولديه أكثر من 20 عامًا من الخبرة الأكاديمية والصناعية في بناء ونشر الحلول القائمة على التعلم الآلي لمشاكل الأعمال. لقد طبق التعلم الآلي لحل مشاكل العملاء في صناعات مثل الاتصالات والوسائط والترفيه وتكنولوجيا AdTech والاستشعار عن بعد وتجارة التجزئة والتصنيع.
جيانغ كانغ هو كبير مهندسي التعلم العميق في Amazon ML Solutions Lab ، حيث يساعد عملاء AWS عبر صناعات متعددة باستخدام الذكاء الاصطناعي والاعتماد السحابي. قبل انضمامه إلى Amazon ML Solutions Lab ، عمل كمهندس حلول لأحد عملاء AWS الأكثر تقدمًا من المؤسسات ، حيث صمم أعباء عمل سحابية على نطاق عالمي على AWS. عمل سابقًا كمطور برامج ومهندس أنظمة لشركات مثل Samsung Electronics في صناعات مثل أشباه الموصلات والشبكات والاتصالات.
إيدن دوثي هو قائد فريق خدمات احتراف التعلم المعزز في AWS. إيدن متحمسة لتطوير حلول صنع القرار للعملاء. إنه مهتم بشكل خاص بمساعدة العملاء الصناعيين مع التركيز القوي على تحسين سلسلة التوريد.
- '
- 000
- 100
- 3d
- 7
- حسابي
- المحاسبة
- نشط
- إضافي
- تبني
- مميزات
- AI
- خوارزمية
- خوارزميات
- الكل
- السماح
- أمازون
- آلة التعلم الأمازون
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- من بين
- تحليلات
- التطبيقات
- هندسة معمارية
- المنطقة
- حول
- الأصول
- إدارة الأصول
- ممتلكات
- أستراليا
- الكتاب
- الآلي
- أتمتة
- توفر
- AWS
- أفضل
- الفواتير
- مليار
- نساعدك في بناء
- ابني
- الأعمال
- الأعمال
- الطاقة الإنتاجية
- الموارد
- تحدى
- تصنيف
- سحابة
- اعتماد السحابة
- الكود
- للاتعاون
- مشترك
- المجتمعات
- الشركات
- الالتزام
- إحصاء
- موصل
- الثقة
- الاستشارات
- وعاء
- تحويل
- التكاليف
- أزمة
- العملاء
- البيانات
- معالجة المعلومات
- عالم البيانات
- اتخاذ القرار
- التعلم العميق
- تأخير
- الطلب
- المطور
- المطورين
- رقمي
- التحول الرقمي
- قيادة
- طائرات بدون طيار
- الاقتصاد - Economics
- اقتصاد
- النظام الإيكولوجي
- كفاءة
- الإلكترونيات
- طاقة
- المهندسين
- إنكلترا
- مشروع
- عملاء المؤسسة
- ترفيه
- بيئي
- EU
- أحداث
- وسع
- توسيع
- الخبره في مجال الغطس
- تجربة
- خبرائنا
- المميزات
- مرونة
- تركز
- النموذج المرفق
- شكل
- مستقبل
- العالمية
- خير
- نظام تحديد المواقع
- وحدة معالجة الرسوميات:
- التسويق
- أجهزة التبخير
- هليكوبتر
- مروحيات
- مرتفع
- كيفية
- HTTPS
- ضخم
- مئات
- تحديد
- بما فيه
- صناعي
- الصناعات
- العالمية
- معلومات
- البنية التحتية
- الابتكار
- مبتكرة
- مصلحة
- بحث
- مسائل
- IT
- وظيفة
- المشــاريــع
- القفل
- ملك
- وصفها
- عمل
- كبير
- الليزر
- قيادة
- تعلم
- تعلم
- تعامل
- ضوء
- موقع
- طويل
- آلة التعلم
- رائد
- أغلبية
- القيام ب
- إدارة
- تصنيع
- قياس
- الوسائط
- ملبورن
- المقاييس
- مليون
- القصر
- ML
- خوارزميات ML
- MLOps
- الجوال
- نموذج
- وحدات
- شبكة
- الشبكات
- نيوزيلاندا
- جاكيت
- عمليات
- الفرص
- أخرى
- الأثاث الخارجى
- أداء
- طيار
- الطائرات
- قوة
- منتج
- الإنتــاج
- المنتجات
- تنفيذ المشاريع
- الملكية
- نطاق
- تخفيض
- تعزيز التعلم
- اعتماد
- تقرير
- المتطلبات الأساسية
- بحث
- الموارد
- بيع بالتجزئة
- عائدات
- المخاطرة
- لفة
- يجري
- تشغيل
- خزنة
- السلامة
- sagemaker
- سامسونج
- إنقاذ
- التدرجية
- حجم
- العلماء
- قطاعات
- أشباه الموصلات
- خدمات
- طقم
- الاشارات
- حجم
- الشركات الصغيرة والمتوسطة
- So
- العدالة
- تطبيقات الكمبيوتر
- الحلول
- حل
- تتخصص
- بدأت
- بدء التشغيل
- تخزين
- الإستراتيجيات
- تحقيق النجاح
- تزويد
- سلسلة التوريد
- الدعم
- المراقبة
- الدراسة الاستقصائية
- نظام
- أنظمة
- تقنيات
- تكنولوجيا
- شركة الاتصالات
- الاتصالات
- العالم
- الوقت
- قادة الإيمان
- تحول
- سفر
- تريليونات
- us
- خدمات
- قيمنا
- السيارات
- المشاريع
- الويب
- خدمات ويب
- جناح
- في غضون
- للعمل
- سلامة العمال
- سير العمل
- أعمال
- العالم
- X
- عام
- سنوات