پیش بینی آمازون یک سرویس کاملاً مدیریت شده است که از یادگیری ماشین (ML) برای ایجاد پیشبینیهای بسیار دقیق، بدون نیاز به تجربه قبلی ML استفاده میکند. پیشبینی در موارد استفاده بسیار متنوعی از جمله برآورد عرضه و تقاضا برای مدیریت موجودی، پیشبینی تقاضای سفر، برنامهریزی نیروی کار، و استفاده از زیرساخت ابری محاسباتی قابل استفاده است.
میتوانید از Forecast برای انجام یکپارچه تجزیه و تحلیلهای what-if تا 80 درصد سریعتر برای تجزیه و تحلیل و کمیت تأثیر بالقوه اهرمهای تجاری بر پیشبینی تقاضای خود استفاده کنید. تجزیه و تحلیل what-if به شما کمک می کند تا بررسی کنید و توضیح دهید که چگونه سناریوهای مختلف ممکن است بر پیش بینی پایه ایجاد شده توسط Forecast تأثیر بگذارد. با Forecast، هیچ سروری برای ارائه یا مدل های ML برای ساخت دستی وجود ندارد. علاوه بر این، شما فقط برای آنچه استفاده می کنید پرداخت می کنید، و هیچ حداقل هزینه یا تعهد اولیه وجود ندارد. برای استفاده از Forecast، فقط باید دادههای تاریخی را برای آنچه میخواهید پیشبینی کنید، و به صورت اختیاری، هر داده اضافی که فکر میکنید ممکن است بر پیشبینیهای شما تأثیر بگذارد، ارائه کنید.
ارائه دهندگان خدمات آب چندین مورد پیش بینی استفاده دارند، اما اصلی ترین آنها پیش بینی مصرف آب در یک منطقه یا ساختمان برای پاسخگویی به تقاضا است. همچنین، برای ارائه دهندگان خدمات آب و برق مهم است که افزایش تقاضای مصرف را به دلیل آپارتمان های بیشتر در یک ساختمان یا خانه های بیشتر در منطقه پیش بینی کنند. پیش بینی دقیق مصرف آب برای جلوگیری از هرگونه وقفه در خدمات به مشتری بسیار مهم است.
این پست استفاده از Forecast را برای رسیدگی به این مورد استفاده با استفاده از دادههای سری زمانی تاریخی بررسی میکند.
بررسی اجمالی راه حل
آب یک منبع طبیعی است و برای صنعت، کشاورزی، خانوارها و زندگی ما بسیار حیاتی است. پیشبینی دقیق مصرف آب برای اطمینان از اینکه یک آژانس میتواند عملیات روزانه را به طور موثر اجرا کند، حیاتی است. پیش بینی مصرف آب به ویژه چالش برانگیز است زیرا تقاضا پویا است و تغییرات فصلی آب و هوا می تواند تأثیر بگذارد. پیشبینی دقیق مصرف آب از اهمیت بالایی برخوردار است تا مشتریان با وقفهای در سرویسدهی مواجه نشوند و با حفظ قیمتهای پایین، خدماتی پایدار ارائه کنند. پیشبینی بهبودیافته به شما امکان میدهد تا برای ساختار قراردادهای آتی مقرونبهصرفهتر برنامهریزی کنید. موارد زیر دو مورد از رایج ترین موارد استفاده هستند:
- مدیریت تقاضای بهتر - به عنوان یک آژانس ارائه دهنده خدمات، باید تعادلی بین تقاضا و عرضه آب پیدا کنید. آژانس اطلاعاتی مانند تعداد افراد ساکن در یک آپارتمان و تعداد آپارتمان های یک ساختمان را قبل از ارائه خدمات جمع آوری می کند. به عنوان یک آژانس خدماتی، باید بین عرضه و تقاضا تعادل ایجاد کنید. برای پاسخگویی به تقاضا باید آب کافی ذخیره کنید. علاوه بر این، پیشبینی تقاضا به دلایل زیر چالشبرانگیزتر شده است:
- تقاضا همیشه ثابت نیست و در طول روز متغیر است. به عنوان مثال مصرف آب در نیمه شب در مقایسه با صبح بسیار کمتر است.
- آب و هوا نیز می تواند بر مصرف کلی تأثیر بگذارد. برای مثال مصرف آب در تابستان بیشتر از زمستان در نیمکره شمالی و برعکس در نیمکره جنوبی بیشتر است.
- بارندگی یا مکانیسمهای ذخیره آب (دریاچهها، مخازن) کافی وجود ندارد، یا فیلتر کردن آب کافی نیست. در طول تابستان، تقاضا همیشه نمی تواند با عرضه همراه باشد. آژانسهای آب باید برای دستیابی به منابع دیگر که ممکن است گرانتر باشند، پیشبینی دقیقی داشته باشند. بنابراین، یافتن منابع آب جایگزین مانند برداشت آب باران، جمعآوری تراکم از واحدهای انتقال هوا، یا بازیابی فاضلاب برای آژانسهای خدماتی حیاتی است.
- انجام تجزیه و تحلیل what-if برای افزایش تقاضا - تقاضا برای آب به دلایل متعدد در حال افزایش است. این شامل ترکیبی از رشد جمعیت، توسعه اقتصادی و تغییر الگوهای مصرف است. بیایید سناریویی را تصور کنیم که در آن یک ساختمان آپارتمانی موجود، یک پسوند میسازد و تعداد خانوارها و افراد با درصد مشخصی افزایش مییابد. اکنون باید تحلیلی برای پیش بینی عرضه برای افزایش تقاضا انجام دهید. این همچنین به شما کمک می کند تا یک قرارداد مقرون به صرفه برای افزایش تقاضا ببندید.
پیشبینی میتواند چالشبرانگیز باشد زیرا ابتدا به مدلهای دقیق برای پیشبینی تقاضا و سپس یک راه سریع و ساده برای بازتولید پیشبینی در طیف وسیعی از سناریوها نیاز دارید.
این پست بر روی راه حلی برای انجام پیش بینی مصرف آب و تجزیه و تحلیل what-if تمرکز دارد. این پست داده های آب و هوا را برای آموزش مدل در نظر نمی گیرد. با این حال، با توجه به ارتباط آن با مصرف آب، می توانید داده های آب و هوا را اضافه کنید.
پیش نیازها
قبل از شروع، ما منابع خود را تنظیم می کنیم. برای این پست از منطقه us-east-1 استفاده می کنیم.
- ایجاد یک سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) برای ذخیره داده های سری زمانی تاریخی. برای دستورالعمل، مراجعه کنید اولین سطل S3 خود را ایجاد کنید.
- دانلود فایل های داده از GitHub repo و در سطل S3 تازه ایجاد شده آپلود کنید.
- ایجاد یک جدید هویت AWS و مدیریت دسترسی (من هستم) نقش. برای دستورالعمل، نگاه کنید مجوزها را برای پیش بینی آمازون تنظیم کنید. حتما نام سطل S3 خود را وارد کنید.
یک گروه داده و مجموعه داده ایجاد کنید
این پست دو مورد استفاده مربوط به پیشبینی تقاضای آب را نشان میدهد: پیشبینی تقاضای آب بر اساس مصرف آب گذشته، و انجام یک تحلیل what-if برای افزایش تقاضا.
پیشبینی میتواند سه نوع مجموعه داده را بپذیرد: سریهای زمانی هدف (TTS)، سریهای زمانی مرتبط (RTS) و فراداده آیتم (IM). دادههای سری زمانی هدف، تقاضای تاریخی برای منابعی را که پیشبینی میکنید، تعریف میکند. مجموعه داده سری زمانی هدف اجباری است. مجموعه داده سری زمانی مرتبط شامل دادههای سری زمانی است که در مجموعه دادههای سری زمانی هدف گنجانده نشده است و ممکن است دقت پیشبینیکننده شما را بهبود بخشد.
در مثال ما، مجموعه داده سری زمانی هدف شامل ابعاد item_id و timestamp است و مجموعه دادههای سری زمانی مکمل شامل no_of_consumer است. یک نکته مهم با این مجموعه داده: TTS در 2023-01-01 به پایان می رسد و RTS در 2023-01-15 به پایان می رسد. هنگام اجرای سناریوهای what-if، مهم است که متغیرهای RTS را فراتر از افق زمانی شناخته شده خود در TTS دستکاری کنید.
برای انجام تجزیه و تحلیل what-if، باید دو فایل CSV را وارد کنیم که نشان دهنده داده های سری زمانی هدف و داده های سری زمانی مربوطه است. نمونه فایل سری زمانی هدف ما شامل item_id، timestamp، و demand است و فایل سری زمانی مربوطه ما حاوی item_id، timestamp و no_of customers است.
برای وارد کردن اطلاعات خود، مراحل زیر را انجام دهید:
- در کنسول Forecast، را انتخاب کنید مشاهده گروه های داده
- را انتخاب کنید ایجاد گروه داده
- برای نام گروه مجموعه داده، یک نام وارد کنید (برای این پست،
water_consumption_datasetgroup
). - برای حوزه پیش بینی، یک دامنه پیش بینی را انتخاب کنید (برای این پست، سفارشی).
- را انتخاب کنید بعدی.
- بر مجموعه داده سری زمانی هدف را ایجاد کنید صفحه، نام مجموعه داده، فراوانی داده های خود و طرح داده را ارائه دهید.
- بر جزئیات واردات مجموعه داده صفحه، نام وارد کردن مجموعه داده را وارد کنید.
- برای وارد کردن نوع فایل، انتخاب کنید CSV و محل داده را وارد کنید.
- نقش IAM را که قبلاً ایجاد کرده اید به عنوان پیش نیاز انتخاب کنید.
- را انتخاب کنید آغاز.
شما به داشبوردی هدایت می شوید که می توانید از آن برای پیگیری پیشرفت استفاده کنید.
- برای وارد کردن فایل سری زمانی مربوطه، در داشبورد، را انتخاب کنید وارد كردن.
- بر مجموعه داده سری زمانی مرتبط ایجاد کنید صفحه، نام مجموعه داده و طرح داده را ارائه دهید.
- بر جزئیات واردات مجموعه داده صفحه، نام وارد کردن مجموعه داده را وارد کنید.
- برای وارد کردن نوع فایل، انتخاب کنید CSV و محل داده را وارد کنید.
- نقش IAM را که قبلا ایجاد کردید انتخاب کنید.
- را انتخاب کنید آغاز.
یک پیشگو تربیت کنید
در مرحله بعد، یک پیش بینی کننده را آموزش می دهیم.
- در داشبورد، انتخاب کنید آغاز زیر یک پیشگو تربیت کنید.
- بر پیش بینی کننده قطار صفحه، یک نام برای پیش بینی خود وارد کنید.
- مشخص کنید که چه مدت در آینده می خواهید پیش بینی کنید و در چه فرکانسی.
- تعداد کمیت هایی را که می خواهید پیش بینی کنید مشخص کنید.
Forecast از AutoPredictor برای ایجاد پیش بینی ها استفاده می کند. برای اطلاعات بیشتر مراجعه کنید پیش بینی کننده های آموزشی.
- را انتخاب کنید ساختن.
پیش بینی ایجاد کنید
پس از آموزش پیش بینی کننده ما (این می تواند تقریباً 3.5 ساعت طول بکشد)، ما یک پیش بینی ایجاد می کنیم. با دیدن آن خواهید فهمید که پیش بینی کننده شما آموزش دیده است مشاهده پیش بینی ها دکمه روی داشبورد شما
- را انتخاب کنید آغاز زیر پیش بینی ایجاد کنید روی داشبورد
- بر پیش بینی ایجاد کنید صفحه، نام پیش بینی را وارد کنید.
- برای پیشگو، پیش بینی کننده ای را که ایجاد کرده اید انتخاب کنید.
- به صورت اختیاری، چندک های پیش بینی را مشخص کنید.
- مواردی را برای ایجاد پیش بینی مشخص کنید.
- را انتخاب کنید آغاز.
پیش بینی خود را پرس و جو کنید
شما می توانید یک پیش بینی را با استفاده از پرس و جو کنید پیش بینی پرس و جو گزینه. به طور پیش فرض، محدوده کامل پیش بینی برگردانده می شود. شما می توانید محدوده تاریخ خاصی را در پیش بینی کامل درخواست کنید. هنگامی که یک پیش بینی را درخواست می کنید، باید معیارهای فیلتر را مشخص کنید. فیلتر یک جفت کلید-مقدار است. کلید یکی از نام های ویژگی طرحواره (شامل ابعاد پیش بینی) از یکی از مجموعه داده های مورد استفاده برای ایجاد پیش بینی است. مقدار یک مقدار معتبر برای کلید مشخص شده است. می توانید چندین جفت کلید-مقدار را مشخص کنید. پیش بینی برگشتی فقط شامل مواردی خواهد بود که تمام معیارها را برآورده می کند.
- را انتخاب کنید پیش بینی پرس و جو روی داشبورد
- معیارهای فیلتر را برای تاریخ شروع و تاریخ پایان ارائه دهید.
- کلید و مقدار پیش بینی خود را مشخص کنید.
- را انتخاب کنید دریافت پیش بینی.
اسکرین شات زیر مصرف انرژی پیش بینی شده را برای همان آپارتمان (شناسه مورد A_10001) با استفاده از مدل پیش بینی نشان می دهد.
یک تحلیل what-if ایجاد کنید
در این مرحله، ما پیشبینی پایه خود را ایجاد کردهایم که اکنون میتوانیم یک تحلیل what-if انجام دهیم. بیایید سناریویی را تصور کنیم که در آن یک ساختمان آپارتمانی موجود یک پسوند اضافه می کند و تعداد خانوارها و افراد 20٪ افزایش می یابد. اکنون باید تحلیلی انجام دهید تا بر اساس افزایش تقاضا، افزایش عرضه را پیش بینی کنید.
سه مرحله برای انجام تجزیه و تحلیل چه-اگر وجود دارد: تنظیم تجزیه و تحلیل، ایجاد پیش بینی چه-اگر با تعریف آنچه در سناریو تغییر می کند و مقایسه نتایج.
- برای تنظیم تحلیل خود، انتخاب کنید تجزیه و تحلیل what-if را بررسی کنید روی داشبورد
- را انتخاب کنید ساختن.
- یک نام منحصر به فرد وارد کنید و پیش بینی پایه را انتخاب کنید.
- مواردی را در مجموعه داده خود انتخاب کنید که می خواهید تجزیه و تحلیل چه-اگر را انجام دهید. شما دو گزینه دارید:
- همه موارد را انتخاب کنید پیش فرض است که در این پست انتخاب می کنیم.
- اگر می خواهید موارد خاصی را انتخاب کنید، انتخاب کنید موارد دارای فایل را انتخاب کنید و یک فایل CSV حاوی شناسه منحصر به فرد مورد مربوطه و هر ابعاد مرتبط وارد کنید.
- را انتخاب کنید تجزیه و تحلیل what-if را ایجاد کنید.
یک پیش بینی what-if ایجاد کنید
در مرحله بعد، یک پیشبینی what-if ایجاد میکنیم تا سناریویی را که میخواهیم تحلیل کنیم، تعریف کنیم.
- در پیش بینی چه می شود بخش، را انتخاب کنید ساختن.
- نام سناریوی خود را وارد کنید.
- شما می توانید سناریوی خود را از طریق دو گزینه تعریف کنید:
- از توابع تبدیل استفاده کنید - از سازنده تبدیل برای تبدیل داده های سری زمانی مرتبطی که وارد کرده اید استفاده کنید. برای این بررسی، ما ارزیابی میکنیم که چگونه تقاضا برای یک مورد در مجموعه داده ما زمانی که تعداد مصرفکنندگان 20 درصد افزایش مییابد در مقایسه با قیمت در پیشبینی پایه، تغییر میکند.
- پیش بینی what-if را با یک مجموعه داده جایگزین تعریف کنید – مجموعه داده سری زمانی مربوطه را که وارد کرده اید جایگزین کنید.
برای مثال ما سناریویی ایجاد می کنیم که در آن افزایش می دهیم no_of_consumer
20٪ قابل اعمال برای شناسه مورد A_10001
و no_of_consumer
یک ویژگی در مجموعه داده است. شما به این تحلیل برای پیش بینی و تامین آب برای افزایش تقاضا نیاز دارید. این تجزیه و تحلیل همچنین به شما کمک می کند تا یک قرارداد مقرون به صرفه بر اساس پیش بینی تقاضای آب ببندید.
- برای روش تعریف پیشبینی چه میشود، انتخاب کنید از توابع تبدیل استفاده کنید.
- را انتخاب کنید ضرب به عنوان اپراتور ما، no_of_consumer به عنوان سری زمانی ما، و 1.2 را وارد کنید.
- را انتخاب کنید شرط اضافه کنید.
- را انتخاب کنید برابر به عنوان عملیات و A_10001 را برای item_id وارد کنید.
- را انتخاب کنید ساختن.
پیش بینی ها را مقایسه کنید
اکنون میتوانیم پیشبینیهای «چه میشود» را برای هر دو سناریو مقایسه کنیم و افزایش 20 درصدی مصرفکنندگان را با تقاضای پایه مقایسه کنیم.
- در صفحه بینش تجزیه و تحلیل، به صفحه بروید پیش بینی های what-if را مقایسه کنید بخش.
- برای item_id، مورد مورد تجزیه و تحلیل را وارد کنید (در سناریوی ما، وارد کنید
A_10001
). - برای پیش بینی های چه می شد، انتخاب کنید
water_demand_whatif_analyis
. - را انتخاب کنید چه-اگر را مقایسه کنید.
- شما می توانید پیش بینی پایه را برای تجزیه و تحلیل انتخاب کنید.
نمودار زیر تقاضای حاصل را برای سناریوی ما نشان می دهد. خط قرمز پیش بینی مصرف آب در آینده را برای 20 درصد افزایش جمعیت نشان می دهد. نوع پیشبینی P90 نشان میدهد که انتظار میرود مقدار واقعی در 90 درصد مواقع کمتر از مقدار پیشبینیشده باشد. شما می توانید از این پیش بینی تقاضا برای مدیریت موثر عرضه آب برای افزایش تقاضا و جلوگیری از هرگونه وقفه در خدمات استفاده کنید.
داده های خود را صادر کنید
برای صادر کردن اطلاعات خود به CSV، مراحل زیر را انجام دهید:
- را انتخاب کنید صادرات ایجاد کنید.
- یک نام برای فایل صادراتی خود وارد کنید (برای این پست،
water_demand_export
). - سناریوهایی را که باید صادر شوند با انتخاب سناریوهای موجود در آن مشخص کنید چه-اگر پیش بینی فهرست کشویی.
می توانید چندین سناریو را همزمان در یک فایل ترکیبی صادر کنید.
- برای محل صادرات، مکان آمازون S3 را مشخص کنید.
- برای شروع صادرات، را انتخاب کنید صادرات ایجاد کنید.
- برای دانلود صادرات، به محل مسیر فایل S3 در کنسول آمازون S3 بروید، فایل را انتخاب کنید و انتخاب کنید دانلود.
فایل صادراتی شامل timestamp
, item_id
و forecasts
برای هر چندک برای همه سناریوهای انتخاب شده (از جمله سناریوی پایه).
منابع را پاکسازی کنید
برای جلوگیری از تحمیل هزینه های آینده، منابع ایجاد شده توسط این راه حل را حذف کنید:
- منابع Forecast را حذف کنید شما ایجاد کردید
- سطل S3 را حذف کنید.
نتیجه
در این پست، نحوه استفاده آسان از Forecast و معماری سیستم زیربنایی آن برای پیشبینی تقاضای آب با استفاده از دادههای مصرف آب را به شما نشان دادیم. تجزیه و تحلیل سناریو چه میشود ابزاری حیاتی برای کمک به عبور از عدم قطعیتهای کسبوکار است. آیندهنگری و مکانیزمی برای ایدههای تست استرس فراهم میکند و کسبوکارها را انعطافپذیرتر، آمادهتر و در کنترل آینده خود میگذارد. سایر ارائه دهندگان خدمات مانند ارائه دهندگان برق یا گاز می توانند از Forecast برای ایجاد راه حل ها و برآورده کردن تقاضای آب و برق به روشی مقرون به صرفه استفاده کنند.
مراحل این پست نشان می دهد که چگونه می توان راه حل را بر روی آن ساخت کنسول مدیریت AWS. برای استفاده مستقیم از API های Forecast برای ایجاد راه حل، دفترچه یادداشت موجود در ما را دنبال کنید GitHub repo.
ما شما را تشویق می کنیم با مراجعه به سایت بیشتر بیاموزید راهنمای توسعه دهنده پیش بینی آمازون و راه حل سرتاسر فعال شده توسط این سرویس ها را با مجموعه داده مرتبط با KPIهای کسب و کار خود امتحان کنید.
درباره نویسنده
دراج تاکور یک معمار راه حل با خدمات وب آمازون است. او با مشتریان و شرکای AWS کار می کند تا راهنمایی هایی در مورد پذیرش ابر سازمانی، مهاجرت و استراتژی ارائه دهد. او علاقه زیادی به فناوری دارد و از ساختن و آزمایش در حوزه تحلیل و AI/ML لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/build-a-water-consumption-forecasting-solution-for-a-water-utility-agency-using-amazon-forecast/
- 1
- 11
- a
- درباره ما
- پذیرفتن
- دسترسی
- دقت
- دقیق
- به درستی
- به دست آوردن
- در میان
- اضافه
- اضافی
- علاوه بر این
- نشانی
- می افزاید:
- اتخاذ
- اثر
- سازمان
- نمایندگی
- کشاورزی
- پیش
- AI / ML
- AIR
- معرفی
- جایگزین
- همیشه
- آمازون
- پیش بینی آمازون
- آمازون خدمات وب
- در میان
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- و
- اپارتمان
- آپارتمان
- رابط های برنامه کاربردی
- مربوط
- تقریبا
- معماری
- محدوده
- دور و بر
- مرتبط است
- اجتناب از
- AWS
- برج میزان
- پایه
- مستقر
- خط مقدم
- زیرا
- شدن
- قبل از
- باور
- بهتر
- میان
- خارج از
- ساختن
- سازنده
- بنا
- می سازد
- کسب و کار
- کسب و کار
- دکمه
- ضبط
- Осторожно
- مورد
- موارد
- معین
- به چالش کشیدن
- تبادل
- متغیر
- بار
- را انتخاب کنید
- ابر
- پذیرش ابر
- زیرساخت های ابری
- جمع می کند
- ترکیب
- ترکیب شده
- تعهد
- مشترک
- مقايسه كردن
- مقایسه
- مقایسه
- مکمل
- کامل
- محاسبه
- رفتار
- انجام
- در نظر بگیرید
- کنسول
- مصرف کننده
- مصرف کنندگان
- مصرف
- شامل
- قرارداد
- قرارداد
- کنترل
- ارتباط
- متناظر
- مقرون به صرفه
- ایجاد
- ایجاد شده
- ایجاد
- ضوابط
- بحرانی
- مشتری
- مشتریان
- داشبورد
- داده ها
- مجموعه داده ها
- تاریخ
- روز
- به طور پیش فرض
- تعریف می کند
- تعریف کردن
- تقاضا
- پیش بینی تقاضا
- نشان
- توسعه دهنده
- پروژه
- مختلف
- ابعاد
- مستقیما
- نمی کند
- دامنه
- آیا
- دانلود
- در طی
- پویا
- هر
- پیش از آن
- اقتصادی
- توسعه اقتصادی
- به طور موثر
- موثر
- برق
- فعال
- را قادر می سازد
- تشویق
- پشت سر هم
- به پایان می رسد
- انرژی
- مصرف انرژی
- کافی
- وارد
- سرمایه گذاری
- اتر (ETH)
- ارزیابی
- مثال
- موجود
- انتظار می رود
- گران
- تجربه
- توضیح دهید
- صادرات
- گسترش
- چهره
- سریعتر
- ویژگی
- پرداخت
- پرونده
- فایل ها
- فیلتر
- فیلتر
- پیدا کردن
- نام خانوادگی
- تمرکز
- به دنبال
- پیروی
- پیش بینی
- فرکانس
- از جانب
- کاملا
- توابع
- آینده
- GAS
- تولید می کنند
- گرفتن
- داده
- گراف
- گروه
- گروه ها
- رشد
- اداره
- جمع آوری
- کمک
- کمک می کند
- بالاتر
- خیلی
- تاریخی
- افق
- ساعت ها
- خانوارها
- خانه
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- IAM
- ایده ها
- شناسه
- هویت
- تأثیر
- واردات
- مهم
- بهبود
- بهبود یافته
- in
- مشمول
- شامل
- از جمله
- افزایش
- افزایش
- افزایش
- نشان می دهد
- صنعت
- اطلاعات
- شالوده
- بینش
- دستورالعمل
- فهرست
- مدیریت موجودی
- بررسی
- IT
- اقلام
- نگاه داشتن
- کلید
- دانستن
- شناخته شده
- یاد گرفتن
- یادگیری
- ترک
- لاین
- زندگی
- زندگی
- محل
- طولانی
- کم
- قیمت پایین
- دستگاه
- فراگیری ماشین
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- اجباری
- دستی
- مکانیزم
- دیدار
- فهرست
- متاداده
- قدرت
- مهاجرت
- حد اقل
- ML
- مدل
- مدل
- بیش
- صبح
- اکثر
- چندگانه
- نام
- نام
- طبیعی
- هدایت
- نیاز
- جدید
- دفتر یادداشت
- عدد
- ONE
- عمل
- عملیات
- اپراتور
- گزینه
- گزینه
- سفارش
- دیگر
- به طور کلی
- جفت
- ویژه
- شرکای
- احساساتی
- گذشته
- مسیر
- الگوهای
- پرداخت
- مردم
- درصد
- انجام دادن
- انجام
- مجوز
- انتخاب کنید
- برنامه
- برنامه ریزی
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- جمعیت
- پست
- پتانسیل
- پیش بینی
- پیش بینی
- پیش بینی
- پیشگو
- آماده شده
- قیمت
- قیمت
- اصلی
- قبلا
- محصول
- پیشرفت
- ارائه
- ارائه دهنده
- ارائه دهندگان
- فراهم می کند
- ارائه
- تدارک
- سریع
- محدوده
- دلایل
- قرمز
- منطقه
- مربوط
- مربوط
- برداشتن
- جایگزین کردن
- نمایندگی
- درخواست
- انعطاف پذیر
- منابع
- منابع
- نتیجه
- نتایج
- طلوع
- نقش
- دویدن
- همان
- سناریوها
- یکپارچه
- بخش
- انتخاب شد
- انتخاب
- سلسله
- سرویس
- خدمات
- تنظیم
- محیط
- چند
- نشان می دهد
- ساده
- So
- راه حل
- مزایا
- منابع
- جنوبی
- فضا
- خاص
- مشخص شده
- پایدار
- مراحل
- شروع
- آغاز شده
- مراحل
- ذخیره سازی
- opbevare
- استراتژی
- ساختار
- کافی
- تابستان
- عرضه
- عرضه و تقاضا
- سیستم
- گرفتن
- هدف
- پیشرفته
- La
- محوطه
- آینده
- شان
- از این رو
- سه
- از طریق
- سراسر
- زمان
- سری زمانی
- بار
- برچسب زمان
- به
- ابزار
- مسیر
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- سفر
- درست
- ارزش واقعی
- انواع
- عدم اطمینان
- زیر
- اساسی
- منحصر به فرد
- واحد
- استفاده
- استفاده کنید
- مورد استفاده
- سودمندی
- ارزش
- تنوع
- خرید
- آب
- هوا
- وب
- خدمات وب
- چی
- چه شده است
- که
- در حین
- وسیع
- اراده
- زمستان
- در داخل
- بدون
- نیروی کار
- با این نسخهها کار
- شما
- زفیرنت