استرالیای شرقی از جمله مناطق آتشزا در جهان است. اگرچه آتشسوزیهای جنگلی یک اتفاق عادی در استرالیا است، بحران آتشسوزی 2019 تا 2020 بیش از 17 میلیون هکتار زمین (بزرگتر از انگلستان) را به آتش کشید و به اقتصاد استرالیا بیش از 100 میلیارد دلار بین هزینههای دارایی، زیرساختها، اجتماعی و زیستمحیطی خسارت وارد کرد. .
با توجه به رویدادهای شدید آب و هوایی، خطر آتش سوزی در جنگل های استرالیا به این زودی ها از بین نمی رود. این بدان معناست که مسئولیت اپراتورهای شبکه انرژی استرالیا برای حفظ یک منبع امن و قابل اعتماد هرگز بیشتر از این نبوده است.
شبکه انرژی استرالیا شامل بیش از 880,000 کیلومتر خط توزیع و انتقال (تقریباً 22 سفر در اطراف زمین) و 7 میلیون قطب برق است. شرایط آب و هوایی شدید و رشد پوشش گیاهی نزدیک به خطوط برق باید به دقت مدیریت شود تا خطر آتش سوزی در بوته ها کاهش یابد.
در این پست، نحوه استفاده AusNet از یادگیری ماشین (ML) و آمازون SageMaker برای کمک به کاهش آتش سوزی های جنگلی
نوآوری AusNet با LiDAR
AusNet 54,000 کیلومتر خطوط برق را مدیریت می کند و انرژی را به بیش از 1.5 میلیون خانه و تجارت ویکتوریایی می رساند. 62 درصد از این شبکه در مناطق پر خطر آتش سوزی واقع شده است. AusNet راه حلی نوآورانه برای حفظ ایمن شبکه انرژی خود و به حداقل رساندن خطر آسیب پوشش گیاهی به شبکه ایجاد کرده است.
از سال 2009، AusNet داده های LiDAR با کیفیت بالا را در سراسر شبکه با استفاده از سیستم های نقشه برداری هوایی و جاده ای ضبط می کند. LiDAR یک روش سنجش از دور است که از نور به شکل لیزر پالسی برای اندازه گیری فواصل و جهت ها استفاده می کند. یک نقطه حس شده از یک جسم دارای اطلاعات مختصات سه بعدی (x، y، z) و همچنین ویژگی های اضافی مانند چگالی، تعداد بازگشت، شماره بازگشت، مهر زمانی GPS و غیره است. این نقاط به عنوان یک ابر نقطه سه بعدی نشان داده می شوند که مجموعه ای از تمام اطلاعات نقطه است. پس از پردازش، LiDAR به یک مدل سه بعدی از دارایی های شبکه AusNet تبدیل می شود و رشد گیاهی را که برای ایمنی در برابر آتش سوزی باید کوتاه شود، شناسایی می کند.
فرآیند قبلی برای طبقهبندی LiDAR از استنتاج مبتنی بر قانون کسبوکار، با اتکای شدید به مکانهای دارایی دقیق سیستم اطلاعات جغرافیایی (GIS) برای هدایت اتوماسیون استفاده میکرد. تلاش دستی با استفاده از ابزارهای برچسبگذاری سفارشی برای برچسبگذاری صحیح نقاط LiDAR که مکانهای دارایی نادرست یا به سادگی وجود نداشت، مورد نیاز بود. تصحیح دستی و طبقه بندی نقاط LiDAR زمان چرخش پردازش را افزایش داد و مقیاس آن را دشوار کرد.
AusNet و Amazon Machine Learning
تیم Geospatial AusNet با متخصصان آمازون ML، از جمله آزمایشگاه راهحلهای یادگیری ماشین آمازون و خدمات حرفهای، همکاری کرد تا بررسی کند که چگونه ML میتواند طبقهبندی نقاط LiDAR را خودکار کند و روند دشوار تصحیح دستی دادههای مکان نادرست GIS را تسریع بخشد.
هزینه سالانه طبقهبندی دقیق تریلیونها نقطه LiDAR گرفته شده که پیکربندیهای مختلف شبکه در سراسر استرالیا را نشان میدهند، از ۷۰۰ هزار دلار در سال فراتر رفت و توانایی AusNet را برای گسترش آن به مناطق بزرگتری از شبکه مهار کرد.
AusNet و AWS برای استفاده با هم متحد شدند آمازون SageMaker برای آزمایش و ساخت مدلهای یادگیری عمیق برای خودکار کردن طبقهبندی نقطهای این مجموعه بزرگ از دادههای LiDAR. Amazon SageMaker یک سرویس کاملاً مدیریت شده است که به دانشمندان داده و توسعه دهندگان کمک می کند تا مدل های یادگیری ماشینی با کیفیت بالا را به سرعت آماده کنند، بسازند، آموزش دهند و به کار گیرند. تیم AusNet و AWS با موفقیت یک مدل تقسیمبندی معنایی ساختند که دادههای ابر نقطه سهبعدی را بهطور دقیق در دستههای زیر طبقهبندی کرد: رسانا، ساختمان، قطب، پوشش گیاهی و موارد دیگر.
نتایج برای AusNet و کاهش آتش سوزی بوش
همکاری بین AWS و AusNet موفقیت بزرگی بود و نتایج زیر را برای کاهش ریسک کسب و کار و آتشسوزی در جنگلها به همراه داشت:
- افزایش ایمنی کارگران با استفاده از داده های LiDAR و کاهش نیاز مهندسان، نقشه برداران و طراحان برای سفر به سایت ها
- منجر به دقت 80.53% در هر پنج دسته بندی تقسیم بندی شد و از طریق طبقه بندی خودکار، AusNet حدود 500,000 دلار استرالیا در سال صرفه جویی کرد.
- ارائه دقت 91.66% و 92% در تشخیص هادی ها و پوشش گیاهی، بهبود طبقه بندی خودکار دو کلاس مهم
- ارائه انعطاف پذیری برای استفاده از داده های LiDAR به دست آمده از پهپادها، هلیکوپترها، هواپیماها و وسایل نقلیه زمینی، در حالی که تنوع منحصر به فرد هر منبع داده را در نظر می گیرد.
- کسب و کار را قادر می سازد تا با کاهش وابستگی به داده های مرجع GIS و فرآیندهای تصحیح دستی، تجزیه و تحلیل های سریعتر و مقیاسی را در کل شبکه خود نوآوری کند.
- با افزایش اتوماسیون ML و کاهش وابستگی به فرآیندهای تصحیح دستی GIS، توانایی مقیاس بندی تجزیه و تحلیل در کل شبکه انرژی خود را فراهم می کند.
جدول زیر عملکرد مدل تقسیمبندی معنایی را بر روی دادههای دیده نشده (اندازهگیری شده با استفاده از معیارهای «دقت» و «یادآوری»، با بالاتر بودن بهتر)، در پنج دسته نشان میدهد.
مدل ML نقاط طبقه بندی شده از یک هلیکوپتر را به تصویر می کشد:
بررسی اجمالی راه حل
تیم ML Solutions Lab تیمی متشکل از دانشمندان و معماران بسیار باتجربه ML را برای کمک به ایجاد نوآوری و آزمایش وارد کرد. با تجربه پیشرفته ML در سراسر صنایع، این تیم با تیم Geospatial AusNet همکاری کرد تا برخی از چالش برانگیزترین مشکلات فناوری برای تجارت را حل کند. بر اساس قابلیت های عمیق ML SageMaker، AusNet و AWS توانستند آزمایشی را تنها در 8 هفته تکمیل کنند.
وسعت و عمق SageMaker نقش کلیدی در اجازه دادن به توسعه دهندگان و دانشمندان داده از AusNet و AWS برای همکاری در پروژه ایفا کرد. این تیم از ویژگی های اشتراک گذاری کد و نوت بوک استفاده کرد و به راحتی به منابع محاسباتی ML بر اساس تقاضا برای آموزش دسترسی داشت. خاصیت ارتجاعی SageMaker تیم را قادر می سازد تا به سرعت تکرار شود. این تیم همچنین توانست از در دسترس بودن پیکربندیهای سختافزاری مختلف برای آزمایش بر روی AWS بدون نیاز به سرمایهگذاری اولیه برای به دست آوردن سختافزار در محل استفاده کند. این به AusNet اجازه داد تا به راحتی منابع ML با اندازه مناسب را انتخاب کند و آزمایش های خود را بر اساس تقاضا مقیاس دهد. انعطاف پذیری و در دسترس بودن در منابع GPU بسیار مهم است، به خصوص زمانی که وظیفه ML نیاز به آزمایش های پیشرفته دارد.
ما از نمونههای نوتبوک SageMaker برای کاوش دادهها و توسعه کدهای پیشپردازش استفاده کردیم و از کارهای پردازش و آموزش SageMaker برای حجمهای کاری در مقیاس بزرگ استفاده کردیم. این تیم همچنین از بهینهسازی هایپرپارامتر (HPO) برای تکرار سریع چندین کار آموزشی با پیکربندیها و نسخههای مجموعه مختلف برای تنظیم دقیق فراپارامترها و یافتن بهترین مدل استفاده کرد. به عنوان مثال، ما نسخههای مختلفی از مجموعه دادهها را با استفاده از روشهای نمونهگیری پایین و تقویت برای غلبه بر مشکلات عدم تعادل داده ایجاد کردیم. اجرای چندین کار آموزشی با مجموعه داده های مختلف به صورت موازی به شما امکان می دهد مجموعه داده مناسب را به سرعت پیدا کنید. با مجموعه دادههای ابر نقطهای بزرگ و نامتعادل، SageMaker توانایی تکرار سریع را با استفاده از بسیاری از تنظیمات آزمایشها و تبدیل دادهها فراهم کرد.
مهندسان ML میتوانند کاوشهای اولیه دادهها و الگوریتمها را با استفاده از نمونههای نوتبوک کمهزینه انجام دهند، سپس عملیات دادههای سنگین را به نمونههای پردازشی قدرتمندتر تخلیه کنند. صورتحساب در ثانیه و مدیریت چرخه عمر خودکار اطمینان حاصل میکند که نمونههای آموزشی گرانتر بهطور خودکار شروع و متوقف میشوند و فقط تا زمانی که لازم است فعال میمانند، که کارایی استفاده را افزایش میدهد.
این تیم توانست یک مدل را با سرعت 10.8 دقیقه در هر دوره بر روی 17.2 گیگا بایت داده فشرده نشده در 1,571 فایل با مجموع تقریباً 616 میلیون امتیاز آموزش دهد. برای استنباط، تیم قادر به پردازش 33.6 گیگابایت داده غیرفشرده در 15 فایل با مجموع 1.2 میلیارد امتیاز در 22.1 ساعت بود. این به معنای استنباط میانگین 15,760 امتیاز در ثانیه با احتساب زمان مستهلک شده راه اندازی است.
حل مسئله تقسیم بندی معنایی
مدل ML نقاط را از یک بال ثابت طبقه بندی کرد:
مدل ML نقاط طبقهبندی شده از یک ضبط تلفن همراه:
مشکل تخصیص هر نقطه در یک ابر نقطه به یک دسته از مجموعه ای از دسته ها a نامیده می شود تقسیم بندی معنایی مسئله. ابر نقطه سه بعدی AusNet از مجموعه داده های LiDAR از میلیون ها نقطه تشکیل شده است. برچسب زدن دقیق و کارآمد هر نقطه در یک ابر نقطه سه بعدی شامل مقابله با دو چالش است:
- داده های نامتعادل - عدم تعادل کلاس یک مشکل رایج در ابرهای نقطه در دنیای واقعی است. همانطور که در کلیپ های قبلی مشاهده شد، اکثر نقاط از پوشش گیاهی تشکیل شده است، با نقاط کمتری که از خطوط برق یا هادی تشکیل شده اند، کمتر از 1٪ از کل نقاط را تشکیل می دهند. مدلهایی که با استفاده از مجموعه دادههای نامتعادل آموزش داده میشوند، به راحتی به سمت کلاسهای اصلی سوگیری میکنند، و روی خردهها ضعیف عمل میکنند. این عدم تعادل کلاس یک مشکل رایج در داده های ابر نقطه LiDAR برای محیط های بیرونی است. برای این کار، داشتن عملکرد خوب در طبقه بندی نقاط هادی بسیار مهم است. آموزش مدلی که هم در کلاس اصلی و هم در کلاس فرعی به خوبی کار کند، بزرگترین چالش است.
- ابر نقطه ای در مقیاس بزرگ – مقدار داده های ابر نقطه ای از حسگر LiDAR می تواند یک منطقه باز بزرگ را پوشش دهد. در مورد AusNet، تعداد نقاط در هر نقطه ابری میتواند از صدها هزار تا دهها میلیون متغیر باشد، با هر فایل ابری نقطهای از صدها مگابایت تا گیگابایت. بیشتر الگوریتمهای تقسیمبندی ابر نقطهای ML به نمونهگیری نیاز دارند زیرا اپراتورها نمیتوانند همه نقاط را به عنوان ورودی خود بگیرند. متأسفانه، بسیاری از روشهای نمونهگیری از نظر محاسباتی سنگین هستند، که باعث کندی آموزش و استنتاج میشود. در این کار، ما باید کارآمدترین الگوریتم ML را انتخاب کنیم که روی ابرهای نقطه ای در مقیاس بزرگ کار می کند.
تیمهای AWS و AusNet یک استراتژی کوچکسازی جدید از طریق نقاط خوشهبندی ابداع کردند تا مشکل کلاسهای به شدت نامتعادل را حل کنند. این استراتژی پاییننمونهسازی همراه با کاهشهای موجود، مانند وزندهی کلاس، به حل چالشها در آموزش یک مدل دقیق با مجموعه داده نامتعادل کمک کرد و همچنین عملکرد استنتاج را افزایش داد. ما همچنین با کپی کردن کلاسهای کوچک و قرار دادن آنها در مکانهای مختلف، یک استراتژی نمونهبرداری را آزمایش کردیم. این فرآیند بهعنوان یک کار پردازش SageMaker ساخته شد تا بتوان آن را در مجموعه دادههای تازه بهدستآمده برای آموزش مدلهای بیشتر در خط لوله MLOps اعمال کرد.
تیمها مدلهای مختلف تقسیمبندی ابر نقطهای را با در نظر گرفتن دقت، مقیاسپذیری از نظر تعداد نقاط و کارایی مورد تحقیق قرار دادند. در طول آزمایشهای متعدد، ما یک الگوریتم پیشرفته ML را برای تقسیمبندی معنایی ابر نقطهای انتخاب کردیم که الزامات را برآورده میکرد. ما همچنین روشهای تقویت را اتخاذ کردیم تا مدل بتواند از مجموعه دادههای مختلف یاد بگیرد.
معماری تولید
برای ارائه راه حل تقسیم بندی ابر نقطه ای، تیم یک خط لوله ML با استفاده از SageMaker برای آموزش و استنتاج طراحی کرد. نمودار زیر معماری کلی تولید را نشان می دهد.
خط لوله آموزشی دارای یک محفظه پردازش سفارشی در SageMaker Processing برای انجام تبدیل فرمت ابری نقطهای، نقشهبرداری مجدد دستهبندی، نمونهبرداری، نمونهبرداری پایین و تقسیم مجموعه داده است. کار آموزشی از نمونه های چند GPU در SageMaker با ظرفیت حافظه بالاتر برای پشتیبانی از آموزش مدل با اندازه دسته ای بزرگتر بهره می برد.
گردش کار طبقهبندی LiDAR AusNet با دریافت حداکثر ترابایت دادههای ابر نقطهای از وسایل نقلیه نظارتی زمینی و هوایی در سرویس ذخیره سازی ساده آمازون (Amazon S3). سپس داده ها پردازش شده و به یک خط لوله استنتاج برای طبقه بندی ابر نقطه منتقل می شوند. برای پشتیبانی از این موضوع، از SageMaker Transform برای اجرای استنتاج دستهای در سراسر مجموعه داده استفاده میشود و خروجی فایلهای ابری نقطهای با امتیازات اطمینان طبقهبندی میشوند. سپس خروجی توسط موتور طبقهبندی AusNet پردازش میشود که امتیاز اطمینان را تجزیه و تحلیل میکند و یک گزارش مدیریت دارایی تولید میکند.
یکی از جنبه های کلیدی معماری این است که AusNet را با رویکردی مقیاس پذیر و مدولار برای آزمایش مجموعه داده ها، تکنیک های پردازش داده ها و مدل های جدید ارائه می دهد. با این رویکرد، AusNet می تواند راه حل خود را با شرایط متغیر محیطی تطبیق دهد و الگوریتم های تقسیم بندی ابر نقطه ای آینده را اتخاذ کند.
نتیجه گیری و مراحل بعدی با AusNet
در این پست، نحوه همکاری تیم Geospatial AusNet با دانشمندان آمازون ML برای خودکارسازی طبقهبندی نقاط LiDAR با حذف کامل وابستگی به دادههای مکان GIS از کار طبقهبندی بحث کردیم. از این رو، تأخیر رخ داده توسط تصحیح دستی GIS حذف میشود تا کار طبقهبندی سریعتر و مقیاسپذیر شود.
"توانایی برچسب گذاری سریع و دقیق داده های بررسی هوایی ما، بخش مهمی برای به حداقل رساندن خطر آتش سوزی در بوته ها است. با کار با آزمایشگاه راه حل های یادگیری ماشین آمازون، ما توانستیم مدلی ایجاد کنیم که 80.53 درصد دقت متوسط در برچسب گذاری داده ها را به دست آورد. دانیل پندلبری، مدیر محصول در AusNet میگوید: ما انتظار داریم که بتوانیم تلاشهای برچسبگذاری دستی خود را با راهحل جدید تا 80 درصد کاهش دهیم.
AusNet مدلهای طبقهبندی ML را پیشبینی میکند که نقش مهمی در افزایش کارایی در سراسر عملیات شبکه ایفا میکنند. با گسترش کتابخانههای طبقهبندی خودکار خود با مدلهای تقسیمبندی جدید، AusNet میتواند از مجموعه دادههای گستردهتر به نحو مؤثرتری استفاده کند تا از تامین امن و مطمئن انرژی برای جوامع در سراسر ویکتوریا اطمینان حاصل کند.
تشکر و قدردانی
نویسندگان مایلند از سرگی ردکو، کلر باروز، ویلیام مناهان، ساهیل دشپاند، راس کینگ و دامیان بیسینیانو از AusNet برای مشارکت در پروژه و ارائه تخصص دامنه خود در مجموعه داده های LiDAR و آموزش ML با استفاده از الگوریتم های مختلف ML تشکر کنند.
آزمایشگاه راه حل های آمازون ام ال
آزمایشگاه راه حل های آمازون ام ال تیم خود را با کارشناسان ML جفت می کند تا به شما کمک کند فرصت های با ارزش ML سازمان خود را شناسایی و اجرا کنید. اگر برای تسریع استفاده از ML در محصولات و فرآیندهای خود کمک میخواهید، لطفاً با شماره تماس بگیرید آزمایشگاه راه حل های آمازون ام ال.
درباره نویسنده
دانیل پندلبری یک مدیر محصول در خدمات AusNet است که متخصص در ارائه محصولات نوآورانه و خودکار با انطباق برای شرکتهای برق در حوزههای مدیریت گیاهی و نگهداری دارایی است.
ناتانائل ولدون یک توسعه دهنده نرم افزار مکانی در Ausnet Services است. او در ساخت و تنظیم سیستمهای پردازش دادههای مکانی در مقیاس بزرگ، با تجربه در بخشهای خدمات، منابع و محیطزیست تخصص دارد.
دیوید معتمد مدیر حساب در خدمات وب آمازون است. او مستقر در ملبورن، استرالیا، به مشتریان سازمانی کمک می کند تا در سفرهای تحول دیجیتال خود موفق شوند.
سایمون جانستون یک رهبر هوش مصنوعی است و مسئول کسب و کار AI/ML خدمات وب آمازون در سراسر استرالیا و نیوزیلند، متخصص در استراتژی و اقتصاد هوش مصنوعی است. بیش از 20 سال تجربه تحقیق، مدیریت و مشاوره (ایالات متحده، اتحادیه اروپا، APAC) که طیف وسیعی از تحقیقات خلاقانه، صنعتی و تجاری سازی هوش مصنوعی را پوشش می دهد - درگیر شدن در شرکت های نوپا / SME ها / سپاه بزرگ و اکوسیستم گسترده تر.
دریک چو یک معمار راه حل در خدمات وب آمازون است. او در ملبورن استرالیا مستقر است و از نزدیک با مشتریان سازمانی همکاری می کند تا سفر آنها را در فضای ابری تسریع بخشد. او در کمک به مشتریان برای ایجاد ارزش از طریق نوآوری و ساخت برنامه های کاربردی مقیاس پذیر مشتاق است و علاقه خاصی به هوش مصنوعی و ML دارد.
موهیون کیم دانشمند داده در آزمایشگاه راه حل های یادگیری ماشین آمازون است. او مشکلات مختلف تجاری مشتریان را با استفاده از یادگیری ماشینی و یادگیری عمیق حل می کند و همچنین به آنها کمک می کند تا مهارت پیدا کنند.
سوجوی روی دانشمندی در آزمایشگاه راه حل های یادگیری ماشین آمازون با بیش از 20 سال تجربه دانشگاهی و صنعتی در ساخت و استقرار راه حل های مبتنی بر ML برای مشکلات تجاری است. او از یادگیری ماشینی برای حل مشکلات مشتریان در صنایعی مانند مخابرات، رسانه و سرگرمی، AdTech، سنجش از راه دور، خرده فروشی و تولید استفاده کرده است.
جی یانگ کانگ یک معمار ارشد یادگیری عمیق در آمازون ML Solutions Lab است، جایی که به مشتریان AWS در صنایع مختلف با استفاده از هوش مصنوعی و استفاده از ابر کمک می کند. قبل از پیوستن به آمازون ML Solutions Lab، او به عنوان یک معمار راه حل برای یکی از پیشرفته ترین مشتریان سازمانی AWS کار می کرد و بارهای کاری ابری در مقیاس جهانی مختلف را روی AWS طراحی می کرد. او قبلاً به عنوان توسعهدهنده نرمافزار و معمار سیستم برای شرکتهایی مانند Samsung Electronics در صنایعی مانند نیمهرساناها، شبکهها و مخابرات کار میکرد.
ادن دوتی رهبر تیم خدمات حرفه ای یادگیری تقویتی در AWS است. Eden مشتاق توسعه راه حل های تصمیم گیری برای مشتریان است. او به ویژه علاقه مند به کمک به مشتریان صنعتی با تمرکز قوی بر بهینه سازی زنجیره تامین است.
- '
- 000
- 100
- 3d
- 7
- حساب
- حسابداری (Accounting)
- فعال
- اضافی
- اتخاذ
- مزیت - فایده - سود - منفعت
- AI
- الگوریتم
- الگوریتم
- معرفی
- اجازه دادن
- آمازون
- آموزش ماشین آمازون
- آمازون SageMaker
- آمازون خدمات وب
- در میان
- علم تجزیه و تحلیل
- برنامه های کاربردی
- معماری
- محدوده
- دور و بر
- دارایی
- مدیریت دارایی
- دارایی
- استرالیا
- نویسندگان
- خودکار
- اتوماسیون
- دسترس پذیری
- AWS
- بهترین
- صدور صورت حساب
- بیلیون
- ساختن
- بنا
- کسب و کار
- کسب و کار
- ظرفیت
- سرمایه
- به چالش
- طبقه بندی
- ابر
- پذیرش ابر
- رمز
- همکاری
- مشترک
- جوامع
- شرکت
- انطباق
- محاسبه
- هادی
- اعتماد به نفس
- مشاوره
- ظرف
- تبدیل
- هزینه
- بحران
- مشتریان
- داده ها
- پردازش داده ها
- دانشمند داده
- تصمیم گیری
- یادگیری عمیق
- تاخیر
- تقاضا
- توسعه دهنده
- توسعه دهندگان
- دیجیتال
- دگرگونی های دیجیتال
- رانندگی
- هواپیماهای بدون سرنشین
- اقتصاد (Economics)
- اقتصاد
- اکوسیستم
- بهره وری
- الکترونیک
- انرژی
- مورد تأیید
- انگلستان
- سرمایه گذاری
- مشتریان سازمانی
- سرگرمی
- محیطی
- EU
- حوادث
- گسترش
- گسترش
- تجربه
- تجربه
- کارشناسان
- امکانات
- انعطاف پذیری
- تمرکز
- فرم
- قالب
- آینده
- جهانی
- خوب
- GPS
- GPU
- رشد
- سخت افزار
- هلی کوپتر
- هلی کوپتر
- زیاد
- چگونه
- HTTPS
- بزرگ
- صدها نفر
- شناسایی
- از جمله
- صنعتی
- لوازم
- صنعت
- اطلاعات
- شالوده
- ابداع
- ابتکاری
- علاقه
- بررسی
- مسائل
- IT
- کار
- شغل ها
- کلید
- پادشاه
- برچسب
- کار
- بزرگ
- لیزر
- رهبری
- یاد گرفتن
- یادگیری
- برخورد
- سبک
- محل
- طولانی
- فراگیری ماشین
- عمده
- اکثریت
- ساخت
- مدیریت
- تولید
- اندازه
- رسانه ها
- ملبورن
- متریک
- میلیون
- افراد زیر سن قانونی
- ML
- الگوریتم های ML
- MLO ها
- موبایل
- مدل
- پیمانهای
- شبکه
- شبکه
- نیوزیلند
- باز کن
- عملیات
- فرصت ها
- دیگران
- خارج از منزل
- کارایی
- خلبان
- هواپیما
- قدرت
- محصول
- تولید
- محصولات
- پروژه
- ویژگی
- محدوده
- كاهش دادن
- تقویت یادگیری
- اعتماد
- گزارش
- مورد نیاز
- تحقیق
- منابع
- خرده فروشی
- بازده
- خطر
- نورد
- دویدن
- در حال اجرا
- امن
- ایمنی
- حکیم ساز
- سامسونگ
- صرفه جویی کردن
- مقیاس پذیری
- مقیاس
- دانشمندان
- بخش ها
- نیمه هادی ها
- خدمات
- تنظیم
- ساده
- اندازه
- شرکتهای کوچک و متوسط
- So
- آگاهی
- نرم افزار
- مزایا
- حل
- تخصص دارد
- آغاز شده
- شروع
- ذخیره سازی
- استراتژی
- موفقیت
- عرضه
- زنجیره تامین
- پشتیبانی
- نظارت
- بررسی
- سیستم
- سیستم های
- تکنیک
- پیشرفته
- مخابراتی
- ارتباط از راه دور
- جهان
- زمان
- آموزش
- دگرگونی
- سفر
- تریلیون ها
- us
- آب و برق
- ارزش
- وسایل نقلیه
- سرمایه گذاری
- وب
- خدمات وب
- بال
- در داخل
- مهاجرت کاری
- ایمنی کارگر
- گردش کار
- با این نسخهها کار
- جهان
- X
- سال
- سال