شارك في تأليف هذا المنشور Hernan Figueroa ، كبير مدير علوم البيانات في Marubeni Power International.
ماروبيني باور انترناشيونال إنك (MPII) تمتلك وتستثمر في منصات أعمال الطاقة في الأمريكتين. يتمثل أحد العناصر الرأسية المهمة لـ MPII في إدارة الأصول للطاقة المتجددة وأصول تخزين الطاقة ، والتي تعد ضرورية لتقليل كثافة الكربون في البنية التحتية للطاقة لدينا. يتطلب العمل مع أصول الطاقة المتجددة حلولًا رقمية تنبؤية ومتجاوبة ، لأن ظروف توليد الطاقة المتجددة وسوق الكهرباء تتغير باستمرار. يستخدم MPII محرك تحسين عروض أسعار التعلم الآلي (ML) لإبلاغ عمليات اتخاذ القرار الأولية في إدارة أصول الطاقة والتداول. يساعد هذا الحل محللي السوق على تصميم وتنفيذ استراتيجيات العطاءات القائمة على البيانات المحسّنة لربحية أصول الطاقة.
في هذا المنشور ، ستتعرف على كيفية قيام Marubeni بتحسين قرارات السوق من خلال استخدام مجموعة واسعة من تحليلات AWS وخدمات ML ، لبناء حل قوي وفعال من حيث التكلفة لتحسين عروض أسعار الطاقة.
حل نظرة عامة
تُمكِّن أسواق الكهرباء من تداول الطاقة والطاقة لموازنة العرض والطلب على الطاقة في الشبكة الكهربائية وتغطية احتياجات موثوقية الشبكة الكهربائية المختلفة. يقوم المشاركون في السوق ، مثل مشغلي أصول MPII ، بالمزايدة باستمرار على كميات الطاقة والطاقة في أسواق الكهرباء هذه للحصول على أرباح من أصول الطاقة الخاصة بهم. يمكن للمشارك في السوق تقديم عطاءات إلى أسواق مختلفة في وقت واحد لزيادة ربحية أحد الأصول ، ولكنه يحتاج إلى مراعاة حدود قوة الأصول وسرعة الاستجابة بالإضافة إلى قيود تشغيل الأصول الأخرى وإمكانية التشغيل البيني لتلك الأسواق.
يستخدم حل محرك تحسين عروض الأسعار من MPII نماذج ML لإنشاء عروض أسعار مثالية للمشاركة في أسواق مختلفة. أكثر العطاءات شيوعًا هي عروض الطاقة اليومية ، والتي يجب تقديمها قبل يوم واحد من يوم التداول الفعلي ، وعروض الطاقة في الوقت الفعلي ، والتي يجب تقديمها قبل 1 دقيقة من ساعة التداول. ينظم الحل العطاء الديناميكي وتشغيل أحد أصول الطاقة ويتطلب استخدام إمكانات التحسين والتنبؤ المتاحة في نماذج ML الخاصة به.
يتضمن حل Power Bid Optimization مكونات متعددة تلعب أدوارًا محددة. دعنا نتصفح المكونات المعنية ووظيفة العمل الخاصة بكل منها.
جمع البيانات واستيعابها
تتصل طبقة جمع البيانات واستيعابها بجميع مصادر البيانات الأولية وتحميل البيانات في بحيرة البيانات. تتطلب عطاءات سوق الكهرباء أربعة أنواع على الأقل من المدخلات:
- توقعات الطلب على الكهرباء
- توقعات الطقس
- تاريخ أسعار السوق
- توقعات أسعار الطاقة
يتم الوصول إلى مصادر البيانات هذه حصريًا من خلال واجهات برمجة التطبيقات. لذلك ، يجب أن تكون مكونات الاستيعاب قادرة على إدارة المصادقة ، وتحديد مصادر البيانات في وضع السحب ، والمعالجة المسبقة للبيانات ، وتخزين البيانات. نظرًا لأنه يتم جلب البيانات كل ساعة ، يلزم أيضًا وجود آلية لتنظيم وظائف الاستيعاب وجدولتها.
إعداد البيانات
كما هو الحال مع معظم حالات استخدام ML ، يلعب إعداد البيانات دورًا مهمًا. تأتي البيانات من مصادر مختلفة في عدد من التنسيقات. قبل أن يصبح جاهزًا للاستهلاك لتدريب نموذج ML ، يجب أن يمر ببعض الخطوات التالية:
- دمج مجموعات البيانات كل ساعة بناءً على وقت الوصول. يجب أن تتضمن مجموعة البيانات الكاملة جميع المصادر.
- زيادة جودة البيانات باستخدام تقنيات مثل التوحيد القياسي أو التطبيع أو الاستيفاء.
في نهاية هذه العملية ، يتم ترتيب البيانات المنسقة وإتاحتها لمزيد من الاستهلاك.
التدريب النموذجي والنشر
تتكون الخطوة التالية من التدريب ونشر نموذج قادر على التنبؤ بعروض السوق المثلى لشراء الطاقة وبيعها. لتقليل مخاطر ضعف الأداء ، استخدم ماروبيني تقنية النمذجة الجماعية. تتكون نمذجة المجموعات من الجمع بين عدة نماذج ML لتحسين أداء التنبؤ. يجمع Marubeni مخرجات نماذج التنبؤ الخارجية والداخلية بمتوسط مرجح للاستفادة من قوة جميع النماذج. تستند نماذج Marubeni الداخلية إلى معماريات الذاكرة طويلة المدى (LSTM) ، وهي موثقة جيدًا وسهلة التنفيذ والتخصيص في TensorFlow. الأمازون SageMaker يدعم عمليات نشر TensorFlow والعديد من بيئات ML الأخرى. النموذج الخارجي مملوك ولا يمكن تضمين وصفه في هذا المنشور.
في حالة استخدام Marubeni ، تقوم نماذج العطاءات بإجراء تحسين رقمي لتعظيم الإيرادات باستخدام نسخة معدلة من الوظائف الموضوعية المستخدمة في المنشور فرص لتخزين الطاقة في CAISO.
يمكّن SageMaker Marubeni من تشغيل ML وخوارزميات التحسين العددي في بيئة واحدة. هذا أمر بالغ الأهمية ، لأنه أثناء تدريب النموذج الداخلي ، يتم استخدام ناتج التحسين العددي كجزء من وظيفة خسارة التنبؤ. لمزيد من المعلومات حول كيفية معالجة حالات استخدام التحسين العددي ، راجع حل مشاكل التحسين الرقمية مثل الجدولة والتوجيه والتخصيص باستخدام Amazon SageMaker Processing.
ثم ننشر هذه النماذج من خلال نقاط نهاية الاستدلال. نظرًا لاستيعاب البيانات الحديثة بشكل دوري ، يجب إعادة تدريب النماذج لأنها تصبح قديمة بمرور الوقت. يوفر قسم الهندسة المعمارية لاحقًا في هذا المنشور مزيدًا من التفاصيل حول دورة حياة النماذج.
توليد بيانات عروض الطاقة
على أساس كل ساعة ، يتنبأ الحل بالكميات والأسعار المثلى التي يجب أن تقدم بها الطاقة في السوق - وتسمى أيضًا عطاءات. يتم قياس الكميات بالميغاواط ويتم قياس الأسعار بالدولار / ميغاواط. يتم إنشاء العطاءات لمجموعات متعددة من ظروف السوق المتوقعة والمتصورة. يوضح الجدول التالي مثالا على النهائي منحنى العطاء الناتج لساعة التشغيل 17 عند نقطة تداول توضيحية بالقرب من مكتب ماروبيني في لوس أنجلوس.
التاريخ | ساعة | تجارة | الموقع الجغرافي | MW | السعر |
11/7/2022 | 17 | RT الطاقة | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | RT الطاقة | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | RT الطاقة | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | RT الطاقة | LCIENEGA_6_N001 | 8 | $230.15 |
يمثل هذا المثال رغبتنا في تقديم عرض شراء بقيمة 1.65 ميجاوات إذا كان سعر الطاقة 80.79 دولارًا على الأقل ، و 5.15 ميجاوات إذا كان سعر الطاقة 105.34 دولارًا على الأقل ، و 8 ميجاوات إذا كان سعر الطاقة 230.15 دولارًا على الأقل.
يشرف مشغلو النظام المستقلون (ISO) على أسواق الكهرباء في الولايات المتحدة وهم مسؤولون عن منح العطاءات ورفضها للحفاظ على موثوقية الشبكة الكهربائية بأكثر الطرق اقتصادا. يقوم مشغل النظام المستقل في كاليفورنيا (CAISO) بتشغيل أسواق الكهرباء في كاليفورنيا وينشر نتائج السوق كل ساعة قبل نافذة العطاء التالية. من خلال الإحالة المرجعية لظروف السوق الحالية مع ما يعادلها على المنحنى ، يستطيع المحللون استنتاج الإيرادات المثلى. يقوم حل Power Bid Optimization بتحديث العطاءات المستقبلية باستخدام معلومات السوق الواردة الجديدة والمخرجات التنبؤية الجديدة للنموذج
نظرة عامة على بنية AWS
تُطبق بنية الحل الموضحة في الشكل التالي جميع الطبقات المعروضة مسبقًا. تستخدم خدمات AWS التالية كجزء من الحل:
- خدمة تخزين أمازون البسيطة (Amazon S3) لتخزين البيانات التالية:
- بيانات التسعير والطقس وتحميل البيانات من مصادر مختلفة.
- البيانات الموحدة والمعززة جاهزة للاستخدام في تدريب النموذج.
- يتم تحديث منحنيات عروض أسعار المخرجات كل ساعة.
- الأمازون SageMaker لتدريب النماذج واختبارها ونشرها لتقديم عروض أسعار محسّنة من خلال نقاط نهاية الاستدلال.
- وظائف خطوة AWS لتنظيم كل من البيانات وخطوط ML. نستخدم جهازين من أجهزة الدولة:
- آلة حالة واحدة لتنظيم جمع البيانات والتأكد من استيعاب جميع المصادر.
- آلة حالة واحدة لتنظيم خط أنابيب ML بالإضافة إلى سير عمل توليد العطاءات المحسّن.
- AWS لامدا لتنفيذ وظائف الاستيعاب والمعالجة المسبقة والمعالجة اللاحقة:
- ثلاث وظائف لاستيعاب خلاصات بيانات الإدخال ، مع وظيفة واحدة لكل مصدر.
- وظيفة واحدة لتوحيد وإعداد البيانات للتدريب.
- إحدى الوظائف التي تنشئ توقع السعر عن طريق استدعاء نقطة نهاية النموذج التي تم نشرها داخل SageMaker.
- أمازون أثينا لتزويد المطورين ومحللي الأعمال بوصول SQL إلى البيانات التي تم إنشاؤها للتحليل واستكشاف الأخطاء وإصلاحها.
- أمازون إيفينت بريدج لبدء استيعاب البيانات وخط أنابيب ML وفقًا لجدول زمني واستجابة للأحداث.
في الأقسام التالية ، نناقش سير العمل بمزيد من التفصيل.
جمع البيانات وإعدادها
يتم استدعاء آلة حالة وظائف الخطوة لإعداد البيانات كل ساعة. تستدعي كل وظيفة من وظائف Lambda لاستيعاب البيانات على التوازي ، وتنتظر جميع الوظائف الأربعة حتى تكتمل. تقوم وظائف جمع البيانات باستدعاء مصدر API الخاص بها واسترداد البيانات خلال الساعة الماضية. تقوم كل وظيفة بعد ذلك بتخزين البيانات المستلمة في دلو S3 الخاص بها.
تشترك هذه الوظائف في أساس تنفيذ مشترك يوفر اللبنات الأساسية لمعالجة البيانات القياسية مثل التسوية أو الفهرسة. لتحقيق ذلك ، نستخدم طبقات Lambda و كأس AWS، كما هو موضح في استخدام طبقات AWS Lambda مع AWS Chalice. هذا يضمن أن جميع المطورين يستخدمون نفس المكتبات الأساسية لبناء منطق جديد لإعداد البيانات وتسريع التنفيذ.
بعد استيعاب جميع المصادر الأربعة وتخزينها ، تقوم آلة الحالة بتشغيل وظيفة Lambda لإعداد البيانات. يتم استلام بيانات توقعات أسعار الطاقة والطقس والتحميل في JSON وملفات محددة بحروف. يحمل كل جزء سجل من كل ملف طابعًا زمنيًا يتم استخدامه لدمج موجز البيانات في مجموعة بيانات واحدة تغطي إطارًا زمنيًا مدته ساعة واحدة.
يوفر هذا البناء سير عمل يحركه الحدث بالكامل. يبدأ إعداد بيانات التدريب بمجرد استيعاب جميع البيانات المتوقعة.
خط أنابيب ML
بعد إعداد البيانات ، يتم تخزين مجموعات البيانات الجديدة في Amazon S3. تقوم قاعدة EventBridge بتشغيل خط أنابيب ML من خلال آلة حالة Step Functions. تقود آلة الحالة عمليتين:
- تحقق مما إذا كان نموذج إنشاء منحنى العطاء حاليًا
- تشغيل إعادة تدريب النموذج تلقائيًا عندما يتدهور الأداء أو عندما تكون النماذج أقدم من عدد معين من الأيام
إذا كان عمر النموذج المنشور حاليًا أقدم من أحدث مجموعة بيانات بحد معين - على سبيل المثال 7 أيام - تبدأ آلة حالة وظائف الخطوة خط أنابيب SageMaker الذي يقوم بتدريب واختبار ونشر نقطة نهاية استدلال جديدة. إذا كانت النماذج لا تزال محدثة ، فإن سير العمل يتخطى خط أنابيب ML وينتقل إلى خطوة إنشاء العطاء. بغض النظر عن حالة النموذج ، يتم إنشاء منحنى عطاء جديد عند تسليم مجموعة بيانات جديدة كل ساعة. يوضح الرسم التخطيطي التالي سير العمل هذا. بشكل افتراضي ، فإن ملف StartPipelineExecution
العمل غير متزامن. يمكننا جعل آلة الحالة تنتظر حتى نهاية خط الأنابيب قبل استدعاء خطوة إنشاء العطاءات باستخدام "انتظر رد الاتصال' اختيار.
لتقليل التكلفة والوقت للتسويق في بناء حل تجريبي ، استخدم Marubeni استدلال Amazon SageMaker Serverless. هذا يضمن أن البنية التحتية الأساسية المستخدمة للتدريب والنشر تفرض رسومًا عند الحاجة فقط. هذا أيضًا يجعل عملية بناء خط الأنابيب أسهل لأن المطورين لم يعودوا بحاجة إلى إدارة البنية التحتية. يعد هذا خيارًا رائعًا لأحمال العمل التي تحتوي على فترات خمول بين طفرات حركة المرور. مع نضوج الحل والانتقال إلى الإنتاج ، ستراجع Marubeni تصميمها وتبني تكوينًا أكثر ملاءمة للاستخدام الثابت والمتوقع.
توليد العطاءات والاستعلام عن البيانات
تستدعي وظيفة Lambda لتوليد العطاءات بشكل دوري نقطة نهاية الاستدلال لإنشاء تنبؤات كل ساعة وتخزين المخرجات في Amazon S3.
يمكن للمطورين ومحللي الأعمال بعد ذلك استكشاف البيانات باستخدام Athena و Microsoft Power BI للتصور. يمكن أيضًا توفير البيانات عبر API لتطبيقات الأعمال النهائية. في المرحلة التجريبية ، يستشير المشغلون بصريًا منحنى العطاء لدعم أنشطة معاملات الطاقة الخاصة بهم في الأسواق. ومع ذلك ، تدرس Marubeni أتمتة هذه العملية في المستقبل ، ويوفر هذا الحل الأسس اللازمة للقيام بذلك.
وفي الختام
مكّن هذا الحل شركة Marubeni من أتمتة خطوط أنابيب معالجة البيانات واستيعابها بالكامل بالإضافة إلى تقليل وقت نشر نماذج التحسين والتنبؤ من ساعات إلى دقائق. يتم الآن إنشاء منحنيات العطاء تلقائيًا وتحديثها باستمرار مع تغير ظروف السوق. كما أدركوا أيضًا خفض التكلفة بنسبة 80٪ عند التبديل من نقطة نهاية الاستدلال المتوفرة إلى نقطة نهاية بدون خادم.
يعد حل التنبؤ الخاص بـ MPII أحد مبادرات التحول الرقمي الأخيرة التي تطلقها شركة Marubeni في قطاع الطاقة. تخطط MPII لبناء حلول رقمية إضافية لدعم منصات أعمال الطاقة الجديدة. يمكن لـ MPII الاعتماد على خدمات AWS لدعم استراتيجية التحول الرقمي الخاصة بهم عبر العديد من حالات الاستخدام.
"يمكننا التركيز على إدارة سلسلة القيمة لمنصات الأعمال الجديدة ، مع العلم أن AWS تدير البنية التحتية الرقمية الأساسية لحلولنا."
- هرنان فيغيروا ، مدير علوم البيانات في Marubeni Power International.
لمزيد من المعلومات حول كيفية مساعدة AWS لمنظمات الطاقة في مبادرات التحول الرقمي والاستدامة ، يرجى الرجوع إلى طاقة ايه دبليو اس.
Marubeni Power International هي شركة تابعة لشركة Marubeni Corporation. Marubeni Corporation هي تكتل تجاري واستثماري ياباني كبير. تتمثل مهمة Marubeni Power International في تطوير منصات أعمال جديدة وتقييم اتجاهات وتقنيات الطاقة الجديدة وإدارة محفظة Marubeni للطاقة في الأمريكتين. إذا كنت ترغب في معرفة المزيد عن Marubeni Power ، تحقق من https://www.marubeni-power.com/.
حول المؤلف
هرنان فيغيروا يقود مبادرات التحول الرقمي في Marubeni Power International. يطبق فريقه علوم البيانات والتقنيات الرقمية لدعم استراتيجيات نمو Marubeni Power. قبل انضمامه إلى Marubeni ، كان هرنان عالم بيانات في جامعة كولومبيا. حاصل على درجة الدكتوراه. في الهندسة الكهربائية وبكالوريوس في هندسة الكمبيوتر.
لينو بريشيا هو مدير الحساب الرئيسي ومقره في مدينة نيويورك. يتمتع بخبرة تزيد عن 25 عامًا في مجال التكنولوجيا وانضم إلى AWS في عام 2018. وهو يدير عملاء المؤسسات العالمية أثناء قيامهم بتحويل أعمالهم باستخدام خدمات AWS السحابية وإجراء عمليات ترحيل على نطاق واسع.
نارسيس زيكبا مهندس حلول أول مقره بوسطن. يساعد العملاء في شمال شرق الولايات المتحدة على تسريع تحول أعمالهم من خلال حلول مبتكرة وقابلة للتطوير على سحابة AWS. عندما لا يقوم نارسيس بالبناء ، فإنه يستمتع بقضاء الوقت مع أسرته والسفر والطهي ولعب كرة السلة والجري.
بيدرام جهانجيري هو مهندس حلول مؤسسي مع AWS ، حاصل على درجة الدكتوراه في الهندسة الكهربائية. لديه خبرة تزيد عن 10 سنوات في مجال الطاقة وتكنولوجيا المعلومات. يتمتع Pedram بسنوات عديدة من الخبرة العملية في جميع جوانب التحليلات المتقدمة لبناء حلول كمية وواسعة النطاق للمؤسسات من خلال الاستفادة من التقنيات السحابية.
سارة تشايلدرز هو مدير حسابات مقره في واشنطن العاصمة. هي معلمة علوم سابقة تحولت إلى متحمسة للسحابة وركزت على دعم العملاء خلال رحلتهم السحابية. تستمتع سارة بالعمل جنبًا إلى جنب مع فريق متحمس يشجع الأفكار المتنوعة لتزويد العملاء بأفضل الحلول المبتكرة والشاملة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :يكون
- $ UP
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- ماهرون
- من نحن
- تسريع
- الوصول
- الوصول
- حسابي
- التأهيل
- في
- اكشن
- أنشطة
- إضافي
- العنوان
- تبنى
- تقدم
- متقدم
- مميزات
- خوارزميات
- الكل
- توزيع
- جنبا إلى جنب
- أمازون
- الأمازون SageMaker
- الأمريكتين
- كمية
- تحليل
- المحللين
- تحليلات
- و
- لوس
- API
- واجهات برمجة التطبيقات
- التطبيقات
- هندسة معمارية
- هي
- وصول
- AS
- الجوانب
- الأصول
- إدارة الأصول
- ممتلكات
- At
- المعزز
- التحقّق من المُستخدم
- أتمتة
- تلقائيا
- أتمتة
- متاح
- المتوسط
- AWS
- AWS لامدا
- التعلم الآلي من AWS
- الرصيد
- قاعدة
- على أساس
- خط الأساس
- أساس
- كره السلة
- BE
- لان
- أصبح
- قبل
- يجري
- أفضل
- ما بين
- محاولة
- Blocks
- بوسطن
- واسع
- نساعدك في بناء
- ابني
- الأعمال
- تطبيقات الأعمال
- تحول الأعمال
- شراء
- by
- كاليفورنيا
- دعوة
- تسمى
- دعوة
- دعوات
- CAN
- لا تستطيع
- قدرات
- قادر على
- كربون
- حقيبة
- الحالات
- معين
- سلسلة
- تغيير
- متغير
- حرف
- اسعارنا محددة من قبل وزارة العمل
- التحقق
- سحابة
- الخدمات السحابية
- مجموعة شتاء XNUMX
- كولومبيا
- تركيبات
- الجمع بين
- مشترك
- إكمال
- مكونات
- شامل
- الكمبيوتر
- هندسة الكمبيوتر
- الشروط
- الاعداد
- تكتل
- يربط
- نظر
- النظر
- دعم
- باستمرار
- القيود
- بناء
- مستهلك
- استهلاك
- بشكل متواصل
- الطهي
- مؤسسة
- التكلفة
- تقليل التكاليف
- فعاله من حيث التكلفه
- بهيكل
- تغطية
- حرج
- إحالات مرجعية
- من تنسيق
- حالياًّ
- حاليا
- منحنى
- العملاء
- تصميم
- البيانات
- بحيرة البيانات
- تحضير البيانات
- معالجة المعلومات
- علم البيانات
- عالم البيانات
- تخزين البيانات
- تعتمد على البيانات
- قواعد البيانات
- التاريخ
- يوم
- dc
- اتخاذ القرار
- القرارات
- الترتيب
- التوصيل
- الطلب
- نشر
- نشر
- نشر
- نشر
- نشر
- ينشر
- وصف
- وصف
- تصميم
- التفاصيل
- تفاصيل
- تطوير
- المطورين
- مختلف
- رقمي
- التحول الرقمي
- بحث
- حماقة
- متنوع
- أثناء
- ديناميكي
- كل
- في وقت سابق
- أسهل
- سهل
- كهربائي
- الهندسة الكهربائية
- كهرباء
- تمكين
- تمكين
- تمكن
- يشجع
- نقطة النهاية
- طاقة
- محرك
- الهندسة
- ضمان
- يضمن
- مشروع
- عملاء المؤسسة
- الشركات
- متحمس
- البيئة
- البيئات
- معادل
- الأثير (ETH)
- أحداث
- كل
- مثال
- على وجه الحصر
- تنفيذي
- متوقع
- الخبره في مجال الغطس
- اكتشف
- خارجي
- للعائلات
- المنال
- الشكل
- قم بتقديم
- ملفات
- نهائي
- تركز
- ركز
- متابعيك
- في حالة
- توقعات
- سابق
- أسس
- FRAME
- جديد
- تبدأ من
- تماما
- وظيفة
- وظيفة
- وظائف
- إضافي
- مستقبل
- توليد
- ولدت
- يولد
- جيل
- العالمية
- Go
- عظيم
- شبكة
- التسويق
- تشابك الايدى
- يملك
- مساعدة
- يساعد
- يحمل
- ساعات العمل
- كيفية
- كيفية
- لكن
- HTML
- HTTPS
- الأفكار
- الخمول
- تنفيذ
- التنفيذ
- الأدوات
- أهمية
- in
- تتضمن
- شامل
- يشمل
- الوارد
- القيمة الاسمية
- مستقل
- العالمية
- معلومات
- البنية التحتية
- المبادرات
- مبتكرة
- إدخال
- داخلي
- عالميا
- التوافقية
- استثمار
- يستثمر
- يتضرع
- المشاركة
- IT
- صناعة تكنولوجيا المعلومات
- انها
- اليابانيّة
- المشــاريــع
- انضم
- انضمام
- رحلة
- JPG
- جسون
- الركلات
- علم
- معرفة
- بحيرة
- على نطاق واسع
- آخر
- إطلاق
- طبقة
- طبقات
- يؤدي
- تعلم
- تعلم
- الاستفادة من
- المكتبات
- دورة حياة
- مثل
- حدود
- تحميل
- الأحمال
- طويل
- يعد
- ال
- لوس أنجلوس
- خسارة
- آلة
- آلة التعلم
- الآلات
- صنع
- المحافظة
- رائد
- يصنع
- إدارة
- إدارة
- مدير
- يدير
- إدارة
- تلاعب
- كثير
- تجارة
- ظروف السوق
- الأسواق
- ينضج
- تعظيم
- آلية
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- مایکروسافت
- تقليل
- دقائق
- الرسالة
- ML
- موضة
- نموذج
- تصميم
- عارضات ازياء
- تم التعديل
- الأكثر من ذلك
- أكثر
- الدافع
- التحركات
- متعدد
- قرب
- ضروري
- حاجة
- بحاجة
- إحتياجات
- جديد
- التالي
- العقدة
- عدد
- مدينة نيويورك
- موضوعي
- تحصل
- of
- عرضت
- Office
- on
- ONE
- تعمل
- تعمل
- عملية
- تشغيل
- عامل
- مشغلي
- الأمثل
- التحسين
- الأمثل
- تحسين
- خيار
- المنظمات
- أخرى
- الناتج
- تملك
- موازية
- جزء
- المشاركون
- مشاركة
- الماضي
- محسوس - ملموس
- نفذ
- أداء
- فترات
- مرحلة جديدة
- طيار
- خط أنابيب
- خطط
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- بلايستشن
- لعب
- محفظة
- منشور
- قوة
- باور بي
- مزود الطاقة
- قابل للتنبؤ
- وتوقع
- توقع
- تنبؤ
- تنبؤات
- تتوقع
- إعداد
- قدم
- السعر
- توقعات السعر
- الأسعار
- رئيسي
- قبل
- مشاكل
- عملية المعالجة
- العمليات
- معالجة
- الإنتــاج
- المزيد من الربح
- الأرباح
- الملكية
- تزود
- ويوفر
- منشور
- تنشر
- جودة
- كمي
- استعداد
- في الوقت الحقيقي
- أدركت
- تلقى
- الأخيرة
- سجل
- تخفيض
- بغض النظر
- الموثوقية
- اعتمد
- قابل للتجديد
- طاقة متجددة
- يمثل
- مطلوب
- يتطلب
- هؤلاء
- استجابة
- مسؤول
- استجابة
- النتائج
- إعادة التدريب
- إيرادات
- مراجعة
- المخاطرة
- قوي
- النوع
- الأدوار
- قاعدة
- يجري
- تشغيل
- s
- sagemaker
- نفسه
- تحجيم
- جدول
- علوم
- عالم
- القسم
- أقسام
- القطاع
- بيع
- خدمة
- Serverless
- خدمات
- طقم
- مشاركة
- المدى القصير
- ينبغي
- يظهر
- الاشارات
- معا
- عزباء
- So
- حل
- الحلول
- بعض
- قريبا
- مصدر
- مصادر
- مصادر
- محدد
- بسرعة
- الإنفاق
- SQL
- معيار
- الولايه او المحافظه
- ثابت
- خطوة
- خطوات
- لا يزال
- تخزين
- متجر
- تخزين
- فروعنا
- استراتيجيات
- الإستراتيجيات
- قوة
- تقدم
- المقدمة
- شركة فرعية
- هذه
- تزويد
- العرض والطلب
- الدعم
- دعم
- الدعم
- الاستدامة
- نظام
- جدول
- أخذ
- فريق
- تقنيات
- التكنولوجيا
- تكنولوجيا
- tensorflow
- تجربه بالعربي
- اختبارات
- أن
- •
- المستقبل
- الدولة
- من مشاركة
- وبالتالي
- تشبه
- عبر
- الوقت
- الطابع الزمني
- إلى
- تجارة
- حركة المرور
- قطار
- قادة الإيمان
- القطارات
- صفقة
- تحول
- تحول
- استراتيجية التحول
- الانتقالات
- السفر
- جديد الموضة
- يثير
- تحول
- أنواع
- لنا
- التي تقوم عليها
- جامعة
- آخر التحديثات
- بيانات المنبع
- us
- الأستعمال
- تستخدم
- حالة الاستخدام
- قيمنا
- مختلف
- الإصدار
- بواسطة
- التصور
- انتظر
- واشنطن
- واشنطن العاصمة
- طريق..
- الطقس
- حسن
- التي
- سوف
- استعداد
- مع
- في غضون
- سير العمل
- عامل
- سوف
- سنوات
- زفيرنت