Ostaustralien gehört zu den feuergefährdetsten Regionen der Welt. Obwohl es in Australien regelmäßig zu Buschbränden kommt, hat die Buschfeuerkrise 2019–2020 über 17 Millionen Hektar Land (größer als die Fläche Englands) in Brand gesetzt und die australische Wirtschaft mehr als 100 Milliarden US-Dollar an Eigentum, Infrastruktur, Sozial- und Umweltkosten gekostet .
Angesichts zunehmend extremer Wetterereignisse wird die Buschfeuergefahr in Australien nicht so schnell verschwinden. Dies bedeutet, dass die Verantwortung der australischen Energienetzbetreiber für die Aufrechterhaltung einer sicheren und zuverlässigen Versorgung noch nie so groß war.
Das australische Energienetz umfasst über 880,000 Kilometer Verteilungs- und Übertragungsleitungen (ungefähr 22 Umrundungen der Erde) und 7 Millionen Strommasten. Extreme Klimabedingungen und Vegetationswachstum in der Nähe von Stromleitungen müssen sorgfältig bewältigt werden, um das Risiko von Buschbränden zu verringern.
In diesem Beitrag diskutieren wir, wie AusNet maschinelles Lernen (ML) nutzt und Amazon Sage Maker um zur Eindämmung von Buschbränden beizutragen.
AusNet-Innovation mit LiDAR
AusNet verwaltet 54,000 Kilometer Stromleitungen und versorgt mehr als 1.5 Millionen viktorianische Haushalte und Unternehmen mit Energie. 62 % dieses Netzwerks befinden sich in Gebieten mit hoher Buschbrandgefahr. AusNet hat eine innovative Lösung entwickelt, um sein Energienetz sicher zu warten und das Risiko zu minimieren, dass die Vegetation Schäden am Netz verursacht.
Seit 2009 erfasst AusNet hochwertige LiDAR-Daten im gesamten Netzwerk mithilfe von Luft- und Straßenkartensystemen. LiDAR ist eine Fernerkundungsmethode, die Licht in Form eines gepulsten Lasers nutzt, um Entfernungen und Richtungen zu messen. Ein erfasster Punkt eines Objekts verfügt über 3D-Koordinateninformationen (x, y, z) sowie zusätzliche Attribute wie Dichte, Anzahl der Rückläufe, Rücklaufnummer, GPS-Zeitstempel usw. Diese Punkte werden als 3D-Punktwolke dargestellt, die eine Sammlung aller Punktinformationen darstellt. Nach der Verarbeitung wird das LiDAR in ein 3D-Modell der Netzwerkressourcen von AusNet umgewandelt und identifiziert das Vegetationswachstum, das zum Schutz vor Buschbränden beschnitten werden muss.
Der bisherige Prozess zur LiDAR-Klassifizierung nutzte geschäftsregelgesteuerte Inferenzen und stützte sich zur Automatisierung stark auf die genauen Standorte von GIS-Anlagen (Geographic Information System). Um LiDAR-Punkte korrekt zu kennzeichnen, an denen die Standorte der Assets ungenau waren oder einfach nicht vorhanden waren, war manueller Arbeitsaufwand mit speziell angefertigten Beschriftungstools erforderlich. Die manuelle Korrektur und Klassifizierung von LiDAR-Punkten erhöhte die Bearbeitungszeiten und erschwerte die Skalierung.
AusNet und Amazon Machine Learning
Das Geospatial-Team von AusNet arbeitete mit den Amazon ML-Spezialisten zusammen, darunter dem Amazon Machine Learning Solutions Lab und Professional Services, um zu untersuchen, wie ML die LiDAR-Punktklassifizierung automatisieren und den mühsamen Prozess der manuellen Korrektur ungenauer GIS-Standortdaten beschleunigen könnte.
Die jährlichen Kosten für die genaue Klassifizierung von Billionen erfasster LiDAR-Punkte, die die verschiedenen Netzwerkkonfigurationen in Australien repräsentieren, überstiegen 700,000 US-Dollar pro Jahr und behinderten AusNets Fähigkeit, dies auf größere Bereiche des Netzwerks auszudehnen.
AusNet und AWS haben sich zur Nutzung zusammengetan Amazon Sage Maker zum Experimentieren und Erstellen von Deep-Learning-Modellen, um die punktweise Klassifizierung dieser großen Sammlung von LiDAR-Daten zu automatisieren. Amazon SageMaker ist ein vollständig verwalteter Dienst, der Datenwissenschaftlern und Entwicklern hilft, hochwertige Modelle für maschinelles Lernen schnell vorzubereiten, zu erstellen, zu trainieren und bereitzustellen. Das Team von AusNet und AWS hat erfolgreich ein semantisches Segmentierungsmodell erstellt, das 3D-Punktwolkendaten genau in die folgenden Kategorien klassifiziert: Leiter, Gebäude, Mast, Vegetation und andere.
Ergebnisse für AusNet und die Eindämmung von Buschbränden
Die Zusammenarbeit zwischen AWS und AusNet war ein großer Erfolg und führte zu folgenden Ergebnissen sowohl für das Unternehmen als auch für die Reduzierung des Buschbrandrisikos:
- Erhöhte Arbeitssicherheit durch die Verwendung von LiDAR-Daten und die Verringerung der Notwendigkeit, dass Ingenieure, Vermesser und Designer zu den Standorten reisen müssen
- Erzielte eine Genauigkeit von 80.53 % in allen fünf Segmentierungskategorien, wodurch AusNet durch die automatisierte Klassifizierung schätzungsweise 500,000 AUD pro Jahr einspart
- Bietet eine Genauigkeit von 91.66 % bzw. 92 % bei der Erkennung von Leitern und Vegetation und verbessert die automatische Klassifizierung der beiden wichtigsten Segmentklassen
- Bietet die Flexibilität, LiDAR-Daten von Drohnen, Hubschraubern, Flugzeugen und Bodenfahrzeugen zu nutzen und gleichzeitig die einzigartige Variabilität jeder Datenquelle zu berücksichtigen
- Dadurch konnte das Unternehmen schneller Innovationen einführen und Analysen im gesamten Netzwerk skalieren, indem die Abhängigkeit von GIS-Referenzdaten und manuellen Korrekturprozessen verringert wurde
- Bietet die Möglichkeit, Analysen über das gesamte Energienetzwerk hinweg zu skalieren, mit erhöhter ML-Automatisierung und geringerer Abhängigkeit von manuellen GIS-Korrekturprozessen
Die folgende Tabelle zeigt die Leistung des semantischen Segmentierungsmodells für unsichtbare Daten (gemessen anhand von „Präzisions“- und „Erinnerungs“-Metriken, wobei höher für besser steht) in den fünf Kategorien.
ML-Modell klassifizierte Punkte aus einer Helikopteraufnahme:
Lösungsüberblick
Das ML Solutions Lab-Team hat ein Team äußerst erfahrener ML-Wissenschaftler und -Architekten hinzugezogen, um Innovationen und Experimente voranzutreiben. Mit modernster ML-Erfahrung in allen Branchen arbeitete das Team mit dem Geospatial-Team von AusNet zusammen, um einige der anspruchsvollsten Technologieprobleme für das Unternehmen zu lösen. Basierend auf den umfassenden ML-Funktionen von SageMaker konnten AusNet und AWS das Pilotprojekt in nur 8 Wochen abschließen.
Die Breite und Tiefe von SageMaker spielte eine Schlüsselrolle dabei, den Entwicklern und Datenwissenschaftlern von AusNet und AWS die Zusammenarbeit an dem Projekt zu ermöglichen. Für die Schulung nutzte das Team Code- und Notebook-Sharing-Funktionen sowie leicht zugängliche On-Demand-ML-Rechenressourcen. Die Elastizität von SageMaker ermöglichte dem Team eine schnelle Iteration. Das Team konnte auch die Verfügbarkeit verschiedener Hardwarekonfigurationen nutzen, um auf AWS zu experimentieren, ohne Vorabkapital für die Anschaffung von Hardware vor Ort investieren zu müssen. Dies ermöglichte es AusNet, problemlos die richtigen ML-Ressourcen auszuwählen und ihre Experimente nach Bedarf zu skalieren. Die Flexibilität und Verfügbarkeit der GPU-Ressourcen sind von entscheidender Bedeutung, insbesondere wenn die ML-Aufgabe hochmoderne Experimente erfordert.
Wir verwendeten SageMaker-Notebook-Instanzen zum Untersuchen der Daten und zum Entwickeln von Vorverarbeitungscode und nutzten SageMaker-Verarbeitungs- und Trainingsjobs für große Arbeitslasten. Das Team nutzte außerdem die Hyperparameteroptimierung (HPO), um schnell mehrere Trainingsjobs mit verschiedenen Konfigurationen und Datensatzversionen zu durchlaufen, um die Hyperparameter zu optimieren und das leistungsstärkste Modell zu finden. Beispielsweise haben wir mithilfe von Downsampling- und Erweiterungsmethoden verschiedene Versionen von Datensätzen erstellt, um Probleme mit dem Datenungleichgewicht zu überwinden. Durch die parallele Ausführung mehrerer Trainingsjobs mit unterschiedlichen Datensätzen können Sie schnell den richtigen Datensatz finden. Bei großen und unausgeglichenen Punktwolkendatensätzen bot SageMaker die Möglichkeit, mithilfe vieler Konfigurationen von Experimenten und Datentransformationen schnell zu iterieren.
ML-Ingenieure könnten mithilfe kostengünstiger Notebook-Instanzen erste Untersuchungen von Daten und Algorithmen durchführen und dann umfangreiche Datenoperationen auf die leistungsstärkeren Verarbeitungsinstanzen verlagern. Eine sekundengenaue Abrechnung und ein automatisches Lifecycle-Management sorgen dafür, dass die teureren Trainingsinstanzen automatisch gestartet und gestoppt werden und nur so lange wie nötig aktiv bleiben, was die Auslastungseffizienz erhöht.
Das Team konnte ein Modell mit einer Geschwindigkeit von 10.8 Minuten pro Epoche auf 17.2 GiB unkomprimierter Daten in 1,571 Dateien mit insgesamt etwa 616 Millionen Punkten trainieren. Als Schlussfolgerung konnte das Team 33.6 GiB unkomprimierter Daten aus 15 Dateien mit insgesamt 1.2 Milliarden Punkten in 22.1 Stunden verarbeiten. Dies entspricht einem Durchschnitt von 15,760 Punkten pro Sekunde, einschließlich der amortisierten Startzeit.
Lösung des semantischen Segmentierungsproblems
ML-Modell klassifizierte Punkte aus einer Starrflügelerfassung:
ML-Modell klassifizierte Punkte aus einer mobilen Erfassung:
Das Problem, jeden Punkt in einer Punktwolke einer Kategorie aus einer Menge von Kategorien zuzuordnen, wird als a bezeichnet semantische Segmentierung Problem. Die 3D-Punktwolken von AusNet aus LiDAR-Datensätzen bestehen aus Millionen von Punkten. Um jeden Punkt in einer 3D-Punktwolke genau und effizient zu beschriften, müssen zwei Herausforderungen bewältigt werden:
- Unausgeglichene Daten – Klassenungleichgewicht ist ein häufiges Problem in realen Punktwolken. Wie in den vorherigen Clips zu sehen ist, besteht der Großteil der Punkte aus Vegetation, wobei deutlich weniger Punkte, die aus Stromleitungen oder Leitern bestehen, weniger als 1 % der Gesamtpunkte ausmachen. Modelle, die mit dem unausgeglichenen Datensatz trainiert werden, sind leicht auf die Hauptklassen ausgerichtet und funktionieren bei den Nebenklassen schlecht. Dieses Klassenungleichgewicht ist ein häufiges Problem bei LiDAR-Punktwolkendaten für Außenumgebungen. Für diese Aufgabe ist eine gute Leistung bei der Klassifizierung von Leiterpunkten von entscheidender Bedeutung. Die größte Herausforderung besteht darin, ein Modell zu trainieren, das sowohl in der Haupt- als auch in der Nebenklasse gut funktioniert.
- Punktwolke im großen Maßstab – Die Menge der Punktwolkendaten vom LiDAR-Sensor kann einen großen offenen Bereich abdecken. Im Fall von AusNet kann die Anzahl der Punkte pro Punktwolke zwischen Hunderttausenden und Zehnmillionen liegen, wobei jede Punktwolkendatei zwischen Hunderten von Megabyte und Gigabyte variiert. Die meisten ML-Algorithmen zur Punktwolkensegmentierung erfordern eine Stichprobenentnahme, da die Operatoren nicht alle Punkte als Eingabe verwenden können. Leider sind viele der Stichprobenmethoden rechenintensiv, was sowohl das Training als auch die Inferenz langsam macht. In dieser Arbeit müssen wir den effizientesten ML-Algorithmus auswählen, der mit großen Punktwolken funktioniert.
Die Teams von AWS und AusNet haben eine neuartige Downsampling-Strategie über Clustering-Punkte erfunden, um das Problem der stark unausgeglichenen Klassen zu lösen. Diese Downsampling-Strategie trug zusammen mit vorhandenen Abhilfemaßnahmen, wie z. B. der Klassengewichtung, dazu bei, die Herausforderungen beim Training eines genauen Modells mit einem unausgeglichenen Datensatz zu lösen und außerdem die Inferenzleistung zu verbessern. Wir haben auch mit einer Upsampling-Strategie experimentiert, indem wir die Nebenklassen dupliziert und an verschiedenen Orten platziert haben. Dieser Prozess wurde als SageMaker-Verarbeitungsauftrag erstellt, sodass er für das weitere Modelltraining innerhalb einer MLOps-Pipeline auf den neu erfassten Datensatz angewendet werden kann.
Die Teams untersuchten verschiedene Punktwolken-Segmentierungsmodelle im Hinblick auf Genauigkeit, Skalierbarkeit hinsichtlich der Anzahl der Punkte und Effizienz. In mehreren Experimenten haben wir einen hochmodernen ML-Algorithmus für eine semantische Punktwolkensegmentierung ausgewählt, der den Anforderungen entsprach. Wir haben auch Erweiterungsmethoden eingeführt, damit das Modell aus verschiedenen Datensätzen lernen kann.
Produktionsarchitektur
Um die Punktwolken-Segmentierungslösung einzuführen, entwarf das Team eine ML-Pipeline mit SageMaker für Training und Inferenz. Das folgende Diagramm veranschaulicht die gesamte Produktionsarchitektur.
Die Trainingspipeline verfügt über einen benutzerdefinierten Verarbeitungscontainer in SageMaker Processing, um die Konvertierung des Punktwolkenformats, die Neuzuordnung von Kategorien, das Upsampling, Downsampling und die Aufteilung des Datensatzes durchzuführen. Der Trainingsjob nutzt die Multi-GPU-Instanzen in SageMaker mit höherer Speicherkapazität, um das Training des Modells mit einer größeren Stapelgröße zu unterstützen.
Der LiDAR-Klassifizierungsworkflow von AusNet beginnt mit der Aufnahme von bis zu Terabytes an Punktwolkendaten von Land- und Luftüberwachungsfahrzeugen in Amazon Simple Storage-Service (Amazon S3). Die Daten werden dann verarbeitet und zur Punktwolkenklassifizierung an eine Inferenzpipeline übergeben. Um dies zu unterstützen, wird eine SageMaker-Transformation verwendet, um eine Batch-Inferenz über den Datensatz hinweg auszuführen, wobei die Ausgabe klassifizierte Punktwolkendateien mit Konfidenzwerten sind. Die Ausgabe wird dann von der Klassifizierungs-Engine von AusNet verarbeitet, die den Konfidenzwert analysiert und einen Asset-Management-Bericht erstellt.
Einer der Schlüsselaspekte der Architektur besteht darin, dass sie AusNet einen skalierbaren und modularen Ansatz zum Experimentieren mit neuen Datensätzen, Datenverarbeitungstechniken und Modellen bietet. Mit diesem Ansatz kann AusNet seine Lösung an sich ändernde Umgebungsbedingungen anpassen und zukünftige Punktwolken-Segmentierungsalgorithmen übernehmen.
Fazit und nächste Schritte mit AusNet
In diesem Beitrag haben wir besprochen, wie das Geospatial-Team von AusNet mit Amazon ML-Wissenschaftlern zusammengearbeitet hat, um die LiDAR-Punktklassifizierung zu automatisieren, indem die Abhängigkeit von den GIS-Standortdaten vollständig aus der Klassifizierungsaufgabe entfernt wurde. Dadurch wird die durch die manuelle GIS-Korrektur verursachte Verzögerung beseitigt, um die Klassifizierungsaufgabe schneller und skalierbarer zu machen.
„Die Möglichkeit, unsere Luftbilddaten schnell und genau zu kennzeichnen, ist ein entscheidender Faktor bei der Minimierung des Risikos von Buschbränden. In Zusammenarbeit mit dem Amazon Machine Learning Solutions Lab konnten wir ein Modell erstellen, das eine durchschnittliche Genauigkeit von 80.53 % bei der Datenkennzeichnung erreichte. Wir gehen davon aus, dass wir mit der neuen Lösung unseren manuellen Etikettierungsaufwand um bis zu 80 % reduzieren können“, sagt Daniel Pendlebury, Produktmanager bei AusNet.
AusNet geht davon aus, dass ML-Klassifizierungsmodelle eine wichtige Rolle bei der Steigerung der Effizienz im gesamten Netzwerkbetrieb spielen werden. Durch die Erweiterung seiner automatischen Klassifizierungsbibliotheken mit neuen Segmentierungsmodellen kann AusNet umfangreiche Datensätze produktiver nutzen, um die sichere und zuverlässige Energieversorgung für Gemeinden in ganz Victoria zu gewährleisten.
Anerkennungen
Die Autoren danken Sergiy Redko, Claire Burrows, William Manahan, Sahil Deshpande, Ross King und Damian Bisignano von AusNet für ihre Beteiligung am Projekt und die Einbringung ihrer Fachkenntnisse zu LiDAR-Datensätzen und ML-Training unter Verwendung verschiedener ML-Algorithmen.
Amazon ML-Lösungslabor
Amazon ML-Lösungslabor bringt Ihr Team mit ML-Experten zusammen, um Ihnen bei der Identifizierung und Implementierung der wertvollsten ML-Chancen Ihres Unternehmens zu helfen. Wenn Sie Hilfe bei der beschleunigten Nutzung von ML in Ihren Produkten und Prozessen benötigen, wenden Sie sich bitte an die Amazon ML-Lösungslabor.
Über die Autoren
Daniel Pendlebury ist Produktmanager bei AusNet Services und auf die Bereitstellung innovativer, automatisierter Compliance-Produkte für Versorgungsunternehmen in den Bereichen Vegetationsmanagement und Anlagenwartung spezialisiert.
Nathanael Weldon ist Geodaten-Softwareentwickler bei Ausnet Services. Er ist auf den Aufbau und die Optimierung großer Geodatenverarbeitungssysteme spezialisiert und verfügt über Erfahrung in den Bereichen Versorgung, Ressourcen und Umwelt.
David Motamed ist Account Manager bei Amazon Web Services. Mit Sitz in Melbourne, Australien, hilft er Unternehmenskunden, auf ihrem Weg zur digitalen Transformation erfolgreich zu sein.
Simon Johnston ist ein führender KI-Experte und verantwortlich für das KI/ML-Geschäft von Amazon Web Services in Australien und Neuseeland, mit Spezialisierung auf KI-Strategie und -Ökonomie. Mehr als 20 Jahre Forschungs-, Management- und Beratungserfahrung (USA, EU, APAC) in einer Reihe innovativer, branchengeführter Forschungs- und Kommerzialisierungsprojekte im Bereich KI – mit Beteiligung von Start-ups/KMU/Großunternehmen und dem breiteren Ökosystem.
Derrick Choo ist Lösungsarchitekt bei Amazon Web Services. Er hat seinen Sitz in Melbourne, Australien und arbeitet eng mit Unternehmenskunden zusammen, um ihre Reise in die Cloud zu beschleunigen. Er unterstützt Kunden mit Leidenschaft dabei, durch Innovation und die Entwicklung skalierbarer Anwendungen Mehrwert zu schaffen, und hat ein besonderes Interesse an KI und ML.
Muhyun Kim ist Datenwissenschaftler bei Amazon Machine Learning Solutions Lab. Er löst die verschiedenen geschäftlichen Probleme der Kunden durch Anwendung von maschinellem Lernen und Deep Learning und hilft ihnen, sich weiterzubilden.
Sujoy Roy ist Wissenschaftler im Amazon Machine Learning Solutions Lab und verfügt über mehr als 20 Jahre akademische und Branchenerfahrung in der Entwicklung und Bereitstellung von ML-basierten Lösungen für Geschäftsprobleme. Er hat maschinelles Lernen eingesetzt, um Kundenprobleme in Branchen wie Telekommunikation, Medien und Unterhaltung, AdTech, Fernerkundung, Einzelhandel und Fertigung zu lösen.
Jiyang Kang ist Senior Deep Learning Architect beim Amazon ML Solutions Lab, wo er AWS-Kunden aus verschiedenen Branchen bei der Einführung von KI und Cloud unterstützt. Bevor er zum Amazon ML Solutions Lab kam, arbeitete er als Lösungsarchitekt für einen der fortschrittlichsten Unternehmenskunden von AWS und entwarf verschiedene globale Cloud-Workloads auf AWS. Zuvor arbeitete er als Softwareentwickler und Systemarchitekt für Unternehmen wie Samsung Electronics in Branchen wie Halbleiter, Netzwerk und Telekommunikation.
Eden Duthie ist der Leiter des Reinforcement Learning Professional Services-Teams bei AWS. Eden ist begeistert von der Entwicklung von Entscheidungslösungen für Kunden. Sein besonderes Interesse gilt der Unterstützung von Industriekunden mit einem starken Fokus auf die Optimierung der Lieferkette.
- '
- 000
- 100
- 3d
- 7
- Konto
- Buchhaltung
- aktiv
- Zusätzliche
- Adoption
- Vorteil
- AI
- Algorithmus
- Algorithmen
- Alle
- Zulassen
- Amazon
- Amazon Machine Learning
- Amazon Sage Maker
- Amazon Web Services
- unter
- Analytik
- Anwendungen
- Architektur
- Bereich
- um
- Vermögenswert
- Vermögensverwaltung
- Details
- Australien
- Autoren
- Automatisiert
- Automation
- Verfügbarkeit
- AWS
- BESTE
- Rechnungs-
- Milliarde
- bauen
- Building
- Geschäft
- Unternehmen
- Kapazität
- Hauptstadt
- challenges
- Einstufung
- Cloud
- Cloud-Einführung
- Code
- Zusammenarbeit
- gemeinsam
- Communities
- Unternehmen
- Compliance
- Berechnen
- Dirigent
- Vertrauen
- Consulting
- Container
- Umwandlung (Conversion)
- Kosten
- Krise
- Kunden
- technische Daten
- Datenverarbeitung
- Datenwissenschaftler
- Decision Making
- tiefe Lernen
- verzögern
- Demand
- Entwickler:in / Unternehmen
- Entwickler
- digital
- Digitale Transformation
- Fahren
- Drohnen
- Wirtschaftskunde
- Wirtschaft
- Ökosystem
- Effizienz
- Elektronik
- Energie
- Ingenieure
- England
- Unternehmen
- Unternehmenskunden
- Unterhaltung
- Umwelt-
- EU
- Veranstaltungen
- Erweitern Sie die Funktionalität der
- Ausbau
- ERFAHRUNGEN
- Experiment
- Experten
- Eigenschaften
- Flexibilität
- Setzen Sie mit Achtsamkeit
- unten stehende Formular
- Format
- Zukunft
- Global
- gut
- gps
- GPU
- Wachstum
- Hardware
- Hubschrauber
- Hubschrauber
- High
- Ultraschall
- HTTPS
- riesig
- hunderte
- identifizieren
- Einschließlich
- industriell
- Branchen
- Energiegewinnung
- Information
- Infrastruktur
- Innovation
- innovativ
- Interesse
- untersuchen
- Probleme
- IT
- Job
- Jobs
- Wesentliche
- King
- Beschriftung
- Arbeit
- grosse
- laser
- führen
- LERNEN
- lernen
- Deal
- !
- Standorte
- Lang
- Maschinelles Lernen
- Dur
- Mehrheit
- Making
- Management
- Herstellung
- messen
- Medien
- Melbourne
- Metrik
- Million
- Minderjährige
- ML
- ML-Algorithmen
- MLOps
- Mobil
- Modell
- modulare
- Netzwerk
- Vernetzung
- Neuseeland
- XNUMXh geöffnet
- Einkauf & Prozesse
- Entwicklungsmöglichkeiten
- Anders
- Outdoor
- Leistung
- Pilot
- Flugzeuge
- Werkzeuge
- Produkt
- Produktion
- Produkte
- Projekt
- Resorts
- Angebot
- Veteran
- Verstärkung lernen
- Vertrauen
- berichten
- Voraussetzungen:
- Forschungsprojekte
- Downloads
- Einzelhandel
- Rückgabe
- Risiko
- Rollen
- Führen Sie
- Laufen
- safe
- Sicherheit
- sagemaker
- Samsung
- Einsparung
- Skalierbarkeit
- Skalieren
- Wissenschaftler
- Sektoren
- Halbleiter
- Leistungen
- kompensieren
- Einfacher
- Größe
- KMU
- So
- Social Media
- Software
- Lösungen
- LÖSEN
- spezialisiert
- begonnen
- Anfang
- storage
- Strategie
- Erfolg
- liefern
- Supply Chain
- Support
- Überwachung
- Umfrage
- System
- Systeme und Techniken
- Techniken
- Technologie
- Telco
- Telekommunikation
- die Welt
- Zeit
- Ausbildung
- Transformation
- reisen
- Billionen
- us
- Dienstprogramme
- Wert
- Fahrzeuge
- Ventures
- Netz
- Web-Services
- Flügel
- .
- Arbeiten
- Arbeitssicherheit
- Arbeitsablauf.
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- X
- Jahr
- Jahr