این پست با همکاری هرنان فیگوئروا، مدیر علوم دادههای ارشد در Marubeni Power International نوشته شده است.
Marubeni Power International Inc (MPII) مالک و سرمایه گذاری در پلت فرم های کسب و کار قدرت در قاره آمریکا است. یک عمودی مهم برای MPII، مدیریت دارایی برای انرژی های تجدیدپذیر و دارایی های ذخیره انرژی است که برای کاهش شدت کربن زیرساخت های انرژی ما حیاتی است. کار با دارایی های انرژی تجدیدپذیر نیازمند راه حل های دیجیتالی پیش بینی کننده و پاسخگو است، زیرا تولید انرژی های تجدیدپذیر و شرایط بازار برق به طور مداوم در حال تغییر است. MPII از یک موتور بهینهسازی قیمت پیشنهادی یادگیری ماشین (ML) برای اطلاع رسانی فرآیندهای تصمیمگیری بالادستی در مدیریت داراییهای قدرت و تجارت استفاده میکند. این راه حل به تحلیلگران بازار کمک می کند تا استراتژی های مناقصه مبتنی بر داده را طراحی و اجرا کنند که برای سودآوری دارایی های برق بهینه شده اند.
در این پست، یاد خواهید گرفت که Marubeni چگونه تصمیمات بازار را با استفاده از مجموعه وسیعی از خدمات تجزیه و تحلیل AWS و ML بهینه می کند تا یک راه حل قوی و مقرون به صرفه Power Bid Optimization ایجاد کند.
بررسی اجمالی راه حل
بازارهای برق، قدرت و انرژی مبادله ای را قادر می سازد تا عرضه و تقاضای برق را در شبکه برق متعادل کند و نیازهای مختلف قابلیت اطمینان شبکه برق را پوشش دهد. فعالان بازار، مانند اپراتورهای دارایی MPII، دائماً مقادیر انرژی و انرژی را به این بازارهای برق پیشنهاد می کنند تا از دارایی های برق خود سود ببرند. یک شرکتکننده در بازار میتواند برای افزایش سودآوری یک دارایی به طور همزمان پیشنهادهایی را به بازارهای مختلف ارائه کند، اما باید محدودیتهای توان دارایی و سرعت پاسخ و همچنین سایر محدودیتهای عملیاتی دارایی و قابلیت همکاری آن بازارها را در نظر بگیرد.
راه حل موتور بهینه سازی پیشنهادات MPII از مدل های ML برای تولید پیشنهادهای بهینه برای مشارکت در بازارهای مختلف استفاده می کند. متداول ترین پیشنهادها، پیشنهادهای انرژی یک روزه هستند که باید 1 روز قبل از روز معاملاتی واقعی ارائه شوند و پیشنهادات انرژی بلادرنگ که باید 75 دقیقه قبل از ساعت معاملاتی ارائه شوند. این راه حل مناقصه و عملکرد پویا یک دارایی نیرو را هماهنگ می کند و نیاز به استفاده از قابلیت های بهینه سازی و پیش بینی موجود در مدل های ML آن دارد.
راه حل Power Bid Optimization شامل اجزای متعددی است که نقش های خاصی را ایفا می کنند. اجازه دهید اجزای درگیر و عملکرد تجاری مربوطه آنها را مرور کنیم.
جمع آوری و جذب داده ها
لایه جمع آوری و جذب داده ها به همه منابع داده بالادستی متصل می شود و داده ها را در دریاچه داده بارگذاری می کند. مناقصه بازار برق حداقل به چهار نوع ورودی نیاز دارد:
- پیش بینی تقاضای برق
- پیش بینی آب و هوا
- تاریخچه قیمت بازار
- پیش بینی قیمت برق
این منابع داده منحصراً از طریق APIها قابل دسترسی هستند. بنابراین، اجزای جذب باید بتوانند احراز هویت، منبع داده در حالت کشش، پیش پردازش داده و ذخیره سازی داده را مدیریت کنند. از آنجایی که دادهها به صورت ساعتی واکشی میشوند، مکانیسمی نیز برای هماهنگسازی و زمانبندی کارهای بلع مورد نیاز است.
آماده سازی داده ها
مانند بسیاری از موارد استفاده از ML، آماده سازی داده ها نقش مهمی ایفا می کند. داده ها از منابع متفاوت در قالب های مختلفی به دست می آیند. قبل از اینکه برای آموزش مدل ML آماده شود، باید برخی از مراحل زیر را طی کند:
- مجموعه داده های ساعتی را بر اساس زمان ورود ادغام کنید. یک مجموعه داده کامل باید شامل همه منابع باشد.
- کیفیت داده ها را با استفاده از تکنیک هایی مانند استانداردسازی، عادی سازی یا درون یابی افزایش دهید.
در پایان این فرآیند، داده های انتخاب شده مرحله بندی شده و برای مصرف بیشتر در دسترس قرار می گیرند.
آموزش و استقرار نمونه
مرحله بعدی شامل آموزش و به کارگیری مدلی است که قادر به پیشبینی پیشنهادهای بهینه بازار برای خرید و فروش انرژی باشد. برای به حداقل رساندن خطر کم کاری، ماروبنی از تکنیک مدلسازی گروهی استفاده کرد. مدلسازی مجموعه شامل ترکیب چندین مدل ML برای افزایش عملکرد پیشبینی است. Marubeni خروجی های مدل های پیش بینی خارجی و داخلی را با میانگین وزنی ترکیب می کند تا از قدرت همه مدل ها استفاده کند. مدلهای داخلی Marubeni مبتنی بر معماریهای حافظه کوتاهمدت (LSTM) هستند که به خوبی مستند شده و پیادهسازی و سفارشیسازی آن در TensorFlow آسان است. آمازون SageMaker از استقرار TensorFlow و بسیاری از محیط های ML دیگر پشتیبانی می کند. مدل خارجی اختصاصی است و توضیح آن در این پست نمی گنجد.
در مورد استفاده Marubeni، مدلهای مناقصه بهینهسازی عددی را برای به حداکثر رساندن درآمد با استفاده از نسخه اصلاحشده توابع هدف مورد استفاده در نشریه انجام میدهند. فرصت های ذخیره انرژی در CAISO.
SageMaker Marubeni را قادر می سازد تا ML و الگوریتم های بهینه سازی عددی را در یک محیط واحد اجرا کند. این بسیار مهم است، زیرا در طول آموزش مدل داخلی، خروجی بهینه سازی عددی به عنوان بخشی از تابع ضرر پیش بینی استفاده می شود. برای اطلاعات بیشتر در مورد نحوه پرداختن به موارد استفاده بهینه سازی عددی، به حل مسائل بهینه سازی عددی مانند زمان بندی، مسیریابی و تخصیص با Amazon SageMaker Processing.
سپس آن مدل ها را از طریق نقاط پایانی استنتاج مستقر می کنیم. از آنجایی که داده های تازه به طور دوره ای دریافت می شوند، مدل ها نیاز به آموزش مجدد دارند زیرا با گذشت زمان کهنه می شوند. بخش معماری در ادامه این پست جزئیات بیشتری در مورد چرخه عمر مدل ها ارائه می دهد.
تولید داده های قیمت پیشنهادی
به صورت ساعتی، راه حل مقادیر و قیمت های بهینه ای را پیش بینی می کند که در آن برق باید در بازار عرضه شود. مناقصه. مقادیر بر حسب مگاوات و قیمت ها با واحد دلار/مگاوات اندازه گیری می شوند. پیشنهادها برای ترکیب های متعددی از شرایط بازار پیش بینی شده و درک شده تولید می شود. جدول زیر نمونه ای از فینال را نشان می دهد منحنی پیشنهاد خروجی برای ساعت کاری 17 در یک گره تجاری گویا در نزدیکی دفتر Marubeni در لس آنجلس.
تاریخ | ساعت | بازار | موقعیت مکانی: | MW | قیمت |
11/7/2022 | 17 | انرژی RT | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | انرژی RT | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | انرژی RT | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | انرژی RT | LCIENEGA_6_N001 | 8 | $230.15 |
این مثال نشان دهنده تمایل ما به پیشنهاد 1.65 مگاوات برق در صورتی که قیمت برق حداقل 80.79 دلار باشد، 5.15 مگاوات اگر قیمت برق حداقل 105.34 دلار باشد و 8 مگاوات اگر قیمت برق حداقل 230.15 دلار باشد، پیشنهاد میشود.
اپراتورهای سیستم مستقل (ISO) بر بازارهای برق در ایالات متحده نظارت دارند و مسئول اعطای و رد پیشنهادها برای حفظ قابلیت اطمینان شبکه برق به اقتصادی ترین راه هستند. اپراتور سیستم مستقل کالیفرنیا (CAISO) بازارهای برق در کالیفرنیا را اداره می کند و نتایج بازار را هر ساعت قبل از پنجره مناقصه بعدی منتشر می کند. با ارجاع متقابل شرایط فعلی بازار با معادل آنها در منحنی، تحلیلگران می توانند درآمد بهینه را استنباط کنند. راه حل Power Bid Optimization پیشنهادات آتی را با استفاده از اطلاعات جدید بازار ورودی و خروجی های پیش بینی مدل جدید به روز می کند.
نمای کلی معماری AWS
معماری راه حل نشان داده شده در شکل زیر تمام لایه های ارائه شده در قبل را پیاده سازی می کند. از خدمات AWS زیر به عنوان بخشی از راه حل استفاده می کند:
- سرویس ذخیره سازی ساده آمازون (Amazon S3) برای ذخیره داده های زیر:
- داده های پیش بینی قیمت، آب و هوا و بار از منابع مختلف.
- داده های تلفیقی و افزوده آماده برای استفاده برای آموزش مدل.
- منحنی های پیشنهاد خروجی هر ساعت تجدید می شوند.
- آمازون SageMaker برای آموزش، آزمایش و استقرار مدلها برای ارائه پیشنهادهای بهینه از طریق نقاط پایانی استنتاج.
- توابع مرحله AWS برای هماهنگ کردن خطوط لوله داده و ML. ما از دو ماشین حالت استفاده می کنیم:
- یک ماشین حالت برای سازماندهی جمع آوری داده ها و اطمینان از اینکه همه منابع جذب شده اند.
- یک ماشین حالت برای تنظیم خط لوله ML و همچنین گردش کار تولید مناقصه بهینه.
- AWS لامبدا برای پیاده سازی عملکردهای بلع، پیش پردازش و پس پردازش:
- سه عملکرد برای دریافت فیدهای داده ورودی، با یک تابع در هر منبع.
- یک تابع برای تجمیع و آماده سازی داده ها برای آموزش.
- یک تابع که پیش بینی قیمت را با فراخوانی نقطه پایانی مدل مستقر در SageMaker ایجاد می کند.
- آمازون آتنا به توسعه دهندگان و تحلیلگران کسب و کار دسترسی SQL به داده های تولید شده برای تجزیه و تحلیل و عیب یابی.
- پل رویداد آمازون برای راه اندازی انتقال داده و خط لوله ML بر اساس یک برنامه زمان بندی و در پاسخ به رویدادها.
در بخشهای بعدی، روند کار را با جزئیات بیشتری مورد بحث قرار میدهیم.
جمع آوری و آماده سازی داده ها
هر ساعت، ماشین حالت توابع مرحله آماده سازی داده فراخوانی می شود. هر یک از توابع لامبدا را به صورت موازی فراخوانی می کند و منتظر می ماند تا هر چهار توابع تکمیل شوند. توابع جمع آوری داده ها API منبع مربوطه خود را فراخوانی می کنند و داده های ساعت گذشته را بازیابی می کنند. سپس هر تابع داده های دریافتی را در سطل S3 مربوطه خود ذخیره می کند.
این توابع یک خط پایه پیاده سازی مشترک دارند که بلوک های ساختمانی را برای دستکاری داده های استاندارد مانند عادی سازی یا نمایه سازی فراهم می کند. برای رسیدن به این هدف از لایه های Lambda و جام AWS، همانطور که در استفاده از لایه های AWS Lambda با AWS Chalice. این تضمین میکند که همه توسعهدهندگان از کتابخانههای پایه یکسانی برای ایجاد منطقهای آمادهسازی دادههای جدید استفاده میکنند و اجرای آن را سرعت میبخشد.
پس از جذب و ذخیره هر چهار منبع، دستگاه حالت عملکرد لامبدا آماده سازی داده را فعال می کند. دادههای پیشبینی قیمت نیرو، آبوهوا و بار در فایلهای JSON و شخصیتهای محدود دریافت میشود. هر بخش رکورد هر فایل دارای یک مهر زمانی است که برای ادغام فیدهای داده در یک مجموعه داده استفاده می شود که بازه زمانی 1 ساعت را پوشش می دهد.
این ساختار یک گردش کار کاملاً مبتنی بر رویداد را فراهم می کند. آماده سازی داده های آموزشی به محض دریافت تمام داده های مورد انتظار آغاز می شود.
خط لوله ML
پس از آماده سازی داده ها، مجموعه داده های جدید در آمازون S3 ذخیره می شوند. یک قانون EventBridge خط لوله ML را از طریق ماشین حالت توابع مرحله راه اندازی می کند. ماشین حالت دو فرآیند را هدایت می کند:
- بررسی کنید که آیا مدل تولید منحنی پیشنهاد جاری است یا خیر
- زمانی که عملکرد کاهش مییابد یا مدلها قدیمیتر از مقدار معینی از روز هستند، بهطور خودکار بازآموزی مدل را آغاز میکند
اگر سن مدلی که در حال حاضر مستقر شده است از آخرین مجموعه داده با یک آستانه خاص - مثلاً 7 روز - بزرگتر باشد، ماشین حالت توابع Step خط لوله SageMaker را راه اندازی می کند که یک نقطه پایانی استنتاج جدید را آموزش می دهد، آزمایش می کند و مستقر می کند. اگر مدلها هنوز بهروز باشند، گردش کار از خط لوله ML میگذرد و به مرحله تولید پیشنهاد میرود. صرف نظر از وضعیت مدل، یک منحنی پیشنهاد جدید پس از تحویل یک مجموعه داده ساعتی جدید ایجاد می شود. نمودار زیر این گردش کار را نشان می دهد. به طور پیش فرض، StartPipelineExecution
عمل ناهمزمان است میتوانیم قبل از فراخوانی مرحله تولید پیشنهادات با استفاده از «ماشین دولتی منتظر پایان خط لوله باشد.منتظر پاسخ تماس باشید' گزینه.
برای کاهش هزینه و زمان به بازار در ساخت یک راه حل آزمایشی، Marubeni استفاده کرد استنتاج بدون سرور Amazon SageMaker. این تضمین میکند که زیرساختهای زیربنایی مورد استفاده برای آموزش و استقرار فقط در صورت نیاز هزینهای را متحمل میشوند. این همچنین روند ساخت خط لوله را آسان تر می کند زیرا توسعه دهندگان دیگر نیازی به مدیریت زیرساخت ندارند. این یک گزینه عالی برای بارهای کاری است که دوره های بیکاری بین جهش ترافیک دارند. همانطور که راه حل بالغ می شود و به تولید تبدیل می شود، Marubeni طراحی آنها را بررسی می کند و پیکربندی مناسب تر برای استفاده قابل پیش بینی و ثابت را اتخاذ می کند.
تولید پیشنهادات و پرس و جوی داده ها
تابع لامبدا تولید پیشنهادات به صورت دوره ای نقطه پایان استنتاج را برای تولید پیش بینی های ساعتی فراخوانی می کند و خروجی را در آمازون S3 ذخیره می کند.
سپس توسعه دهندگان و تحلیلگران تجاری می توانند داده ها را با استفاده از Athena و Microsoft Power BI برای تجسم کاوش کنند. داده ها همچنین می توانند از طریق API برای برنامه های تجاری پایین دستی در دسترس قرار گیرند. در مرحله آزمایشی، اپراتورها به صورت بصری منحنی پیشنهاد را برای حمایت از فعالیتهای مبادلات انرژی خود در بازارها بررسی میکنند. با این حال، Marubeni در حال بررسی خودکارسازی این فرآیند در آینده است و این راه حل، پایه های لازم را برای این کار فراهم می کند.
نتیجه
این راه حل به Marubeni امکان داد تا پردازش داده و خطوط لوله انتقال داده خود را به طور کامل خودکار کند و همچنین زمان استقرار مدل های پیش بینی و بهینه سازی خود را از ساعت به دقیقه کاهش دهد. منحنی های پیشنهاد اکنون به طور خودکار ایجاد می شوند و با تغییر شرایط بازار به روز می شوند. آنها همچنین متوجه کاهش 80 درصدی هزینه در هنگام تغییر از یک نقطه پایانی استنتاج ارائه شده به یک نقطه پایانی بدون سرور شدند.
راه حل پیش بینی MPII یکی از ابتکارات تحول دیجیتال اخیر است که شرکت Marubeni در بخش برق راه اندازی کرده است. MPII قصد دارد راهحلهای دیجیتالی بیشتری را برای پشتیبانی از پلتفرمهای جدید کسبوکار قدرتمند بسازد. MPII می تواند به خدمات AWS برای پشتیبانی از استراتژی تحول دیجیتال خود در بسیاری از موارد استفاده تکیه کند.
"ما میتوانیم روی مدیریت زنجیره ارزش برای پلتفرمهای تجاری جدید تمرکز کنیم، زیرا بدانیم که AWS زیرساخت دیجیتالی راهحلهای ما را مدیریت میکند."
– هرنان فیگوئروا، مدیر ارشد علوم داده در Marubeni Power International.
برای اطلاعات بیشتر در مورد اینکه چگونه AWS به سازمانهای انرژی در ابتکارات تحول دیجیتال و پایداری کمک میکند، مراجعه کنید انرژی AWS.
Marubeni Power International یکی از شرکت های تابعه Marubeni Corporation است. Marubeni Corporation یک شرکت تجاری تجاری و سرمایه گذاری بزرگ ژاپنی است. ماموریت Marubeni Power بینالمللی توسعه پلتفرمهای تجاری جدید، ارزیابی روندها و فنآوریهای انرژی جدید و مدیریت سبد برق Marubeni در قاره آمریکا است. اگر میخواهید درباره Marubeni Power بیشتر بدانید، بررسی کنید https://www.marubeni-power.com/.
درباره نویسنده
هرنان فیگوروآ ابتکارات تحول دیجیتال را در Marubeni Power International رهبری می کند. تیم او از علم داده و فناوری های دیجیتال برای حمایت از استراتژی های رشد Marubeni Power استفاده می کند. هرنان قبل از پیوستن به Marubeni، دانشمند داده در دانشگاه کلمبیا بود. او دارای مدرک دکتری است. در مهندسی برق و لیسانس مهندسی کامپیوتر.
لینو برشا یک مدیر اجرایی اصلی حساب مستقر در نیویورک است. او بیش از 25 سال تجربه فناوری دارد و در سال 2018 به AWS ملحق شده است. او مشتریان سازمانی جهانی را مدیریت می کند زیرا آنها کسب و کار خود را با سرویس های ابری AWS تغییر می دهند و مهاجرت های بزرگ را انجام می دهند.
نارسیس زکپا Sr. Solutions Architect مستقر در بوستون است. او به مشتریان در شمال شرقی ایالات متحده کمک می کند تا از طریق راه حل های نوآورانه و مقیاس پذیر در AWS Cloud، تحول کسب و کار خود را تسریع بخشند. وقتی نارسیس در حال ساخت و ساز نیست، از گذراندن وقت با خانواده، مسافرت، آشپزی، بازی بسکتبال و دویدن لذت می برد.
پدرام جهانگیری یک معمار راه حل سازمانی با AWS، با مدرک دکترا در مهندسی برق است. او بیش از 10 سال تجربه در صنعت انرژی و فناوری اطلاعات دارد. پدرام سالها تجربه عملی در تمام جنبههای تحلیل پیشرفته برای ایجاد راهحلهای کمی و در مقیاس بزرگ برای شرکتها با استفاده از فناوریهای ابری دارد.
سارا چیلدرز یک مدیر حساب مستقر در واشنگتن دی سی است. او یک مربی سابق علوم است که علاقهمند به فضای ابری است و بر حمایت از مشتریان از طریق سفر ابری آنها متمرکز شده است. سارا از کار در کنار تیمی با انگیزه که ایدههای متنوع را تشویق میکند تا مشتریان را با خلاقانهترین و جامعترین راهحلها به بهترین وجه تجهیز کند، لذت میبرد.
- 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/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :است
- $UP
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- قادر
- درباره ما
- شتاب دادن
- دسترسی
- قابل دسترسی است
- حساب
- رسیدن
- در میان
- عمل
- فعالیت ها
- اضافی
- نشانی
- اتخاذ
- پیشرفت
- پیشرفته
- مزیت - فایده - سود - منفعت
- الگوریتم
- معرفی
- تخصیص
- در کنار
- آمازون
- آمازون SageMaker
- آمریکا
- مقدار
- تحلیل
- تحلیلگران
- علم تجزیه و تحلیل
- و
- آنجلس
- API
- رابط های برنامه کاربردی
- برنامه های کاربردی
- معماری
- هستند
- ورود
- AS
- جنبه
- دارایی
- مدیریت دارایی
- دارایی
- At
- افزوده شده
- تصدیق
- خودکار بودن
- بطور خودکار
- اتوماسیون
- در دسترس
- میانگین
- AWS
- AWS لامبدا
- آموزش ماشین AWS
- برج میزان
- پایه
- مستقر
- خط مقدم
- اساس
- بسکتبال
- BE
- زیرا
- شدن
- قبل از
- بودن
- بهترین
- میان
- پیشنهاد
- بلاک ها
- بوستون
- پهن
- ساختن
- بنا
- کسب و کار
- برنامه های تجاری
- تحول تجاری
- خریداری کردن
- by
- کالیفرنیا
- صدا
- نام
- فراخوانی
- تماس ها
- CAN
- نمی توان
- قابلیت های
- توانا
- کربن
- مورد
- موارد
- معین
- زنجیر
- تغییر دادن
- متغیر
- شخصیت
- بار
- بررسی
- ابر
- خدمات ابر
- مجموعه
- کلمبیا
- ترکیب
- ترکیب
- مشترک
- کامل
- اجزاء
- جامع
- کامپیوتر
- مهندسی رایانه
- شرایط
- پیکر بندی
- کنگلومرا
- متصل
- در نظر بگیرید
- با توجه به
- محکم کردن
- به طور مداوم
- محدودیت ها
- ساختن
- مصرف
- مصرف
- به طور مداوم
- پخت و پز
- شرکت
- هزینه
- کاهش هزینه
- مقرون به صرفه
- پوشش
- پوشش
- بحرانی
- ارجاع متقابل
- سرپرستی
- جاری
- در حال حاضر
- منحنی
- مشتریان
- سفارشی
- داده ها
- دریاچه دریاچه
- آماده سازی داده ها
- پردازش داده ها
- علم اطلاعات
- دانشمند داده
- ذخیره سازی داده ها
- داده محور
- مجموعه داده ها
- تاریخ
- روز
- dc
- تصمیم گیری
- تصمیم گیری
- به طور پیش فرض
- تحویل
- تقاضا
- گسترش
- مستقر
- استقرار
- گسترش
- اعزام ها
- مستقر می کند
- شرح داده شده
- شرح
- طرح
- جزئیات
- جزئیات
- توسعه
- توسعه دهندگان
- مختلف
- دیجیتال
- دگرگونی های دیجیتال
- بحث و تبادل نظر
- متفاوت
- متنوع
- در طی
- پویا
- هر
- پیش از آن
- آسان تر
- ساده
- برقی
- مهندسی برق
- برق
- قادر ساختن
- فعال
- را قادر می سازد
- تشویق می کند
- نقطه پایانی
- انرژی
- موتور
- مهندسی
- اطمینان حاصل شود
- تضمین می کند
- سرمایه گذاری
- مشتریان سازمانی
- شرکت
- علاقهمند
- محیط
- محیط
- معادل
- اتر (ETH)
- حوادث
- هر
- مثال
- منحصرا
- اجرایی
- انتظار می رود
- تجربه
- اکتشاف
- خارجی
- خانواده
- وصله
- شکل
- پرونده
- فایل ها
- نهایی
- تمرکز
- متمرکز شده است
- پیروی
- برای
- پیش بینی
- سابق
- مبانی
- FRAME
- تازه
- از جانب
- کاملا
- تابع
- قابلیت
- توابع
- بیشتر
- آینده
- تولید می کنند
- تولید
- تولید می کند
- نسل
- جهانی
- Go
- بزرگ
- توری
- رشد
- دست
- آیا
- کمک
- کمک می کند
- دارای
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- ایده ها
- آرام
- انجام
- پیاده سازی
- پیاده سازی می کند
- مهم
- in
- شامل
- مشمول
- شامل
- وارد شونده
- افزایش
- مستقل
- صنعت
- اطلاعات
- شالوده
- ابتکارات
- ابتکاری
- ورودی
- داخلی
- بین المللی
- قابلیت همکاری
- سرمایه گذاری
- سرمایه گذاری می کند
- فراخوانی میکند
- گرفتار
- IT
- صنعت فناوری اطلاعات
- ITS
- ژاپنی
- شغل ها
- پیوست
- پیوستن
- سفر
- JPG
- json
- ضربات
- دانستن
- دانا
- دریاچه
- در مقیاس بزرگ
- آخرین
- راه اندازی
- لایه
- لایه
- منجر می شود
- یاد گرفتن
- یادگیری
- بهره برداری
- کتابخانه ها
- wifecycwe
- پسندیدن
- محدودیت
- بار
- بارهای
- طولانی
- دیگر
- آنها
- لس آنجلس
- خاموش
- دستگاه
- فراگیری ماشین
- ماشین آلات
- ساخته
- حفظ
- عمده
- باعث می شود
- مدیریت
- مدیریت
- مدیر
- مدیریت می کند
- مدیریت
- دست کاری
- بسیاری
- بازار
- شرایط بازار
- بازارها
- بالغ می شود
- بیشینه ساختن
- مکانیزم
- حافظه
- مایکروسافت
- به حداقل رساندن
- دقیقه
- ماموریت
- ML
- حالت
- مدل
- مدل سازی
- مدل
- اصلاح شده
- بیش
- اکثر
- انگیزه
- حرکت می کند
- چندگانه
- نزدیک
- لازم
- نیاز
- ضروری
- نیازهای
- جدید
- بعد
- گره
- عدد
- نیویورک
- هدف
- گرفتن
- of
- ارائه شده
- دفتر
- on
- ONE
- عمل می کند
- عملیاتی
- عمل
- قابل استفاده
- اپراتور
- اپراتور
- بهینه
- بهینه سازی
- بهینه
- بهینه سازی
- گزینه
- سازمان های
- دیگر
- تولید
- مالک است
- موازی
- بخش
- شرکت کنندگان
- مشارکت
- گذشته
- ادراک شده
- انجام دادن
- کارایی
- دوره ها
- فاز
- خلبان
- خط لوله
- برنامه
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- بازی
- مقام
- پست
- قدرت
- قدرت BI
- منبع تغذیه
- قابل پیش بینی
- پیش بینی
- پیش بینی
- پیش گویی
- پیش بینی
- پیش بینی می کند
- آماده
- ارائه شده
- قیمت
- پیش بینی قیمت
- قیمت
- اصلی
- قبلا
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- تولید
- سودبخشی
- منافع
- اختصاصی
- ارائه
- فراهم می کند
- انتشار
- منتشر می کند
- کیفیت
- کمی
- اماده
- زمان واقعی
- متوجه
- اخذ شده
- اخیر
- رکورد
- كاهش دادن
- بدون در نظر گرفتن
- قابلیت اطمینان
- تکیه
- تجدید پذیر
- انرژی تجدید پذیر
- نشان دهنده
- ضروری
- نیاز
- قابل احترام
- پاسخ
- مسئوليت
- پاسخگو
- نتایج
- بازآموزی
- درامد
- این فایل نقد می نویسید:
- خطر
- تنومند
- نقش
- نقش
- قانون
- دویدن
- در حال اجرا
- s
- حکیم ساز
- همان
- مقیاس پذیر
- برنامه
- علم
- دانشمند
- بخش
- بخش
- بخش
- فروش
- خدمت
- بدون سرور
- خدمات
- تنظیم
- اشتراک گذاری
- کوتاه مدت
- باید
- نشان می دهد
- ساده
- به طور همزمان
- تنها
- So
- راه حل
- مزایا
- برخی از
- بزودی
- منبع
- منابع
- سپارش
- خاص
- سرعت
- هزینه
- SQL
- استاندارد
- دولت
- ثابت
- گام
- مراحل
- هنوز
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- استراتژی ها
- استراتژی
- استحکام
- ارسال
- ارسال
- فرعی
- چنین
- عرضه
- عرضه و تقاضا
- پشتیبانی
- حمایت از
- پشتیبانی از
- پایداری
- سیستم
- جدول
- گرفتن
- تیم
- تکنیک
- فن آوری
- پیشرفته
- جریان تنسور
- آزمون
- تست
- که
- La
- آینده
- دولت
- شان
- از این رو
- اینها
- از طریق
- زمان
- برچسب زمان
- به
- تجارت
- ترافیک
- قطار
- آموزش
- قطار
- معامله
- دگرگون کردن
- دگرگونی
- استراتژی تحول
- گذار
- سفر
- روند
- ماشه
- تبدیل
- انواع
- ما
- اساسی
- دانشگاه
- به روز رسانی
- داده بالادستی
- us
- استفاده
- استفاده کنید
- مورد استفاده
- ارزش
- مختلف
- نسخه
- از طريق
- تجسم
- صبر کنيد
- واشنگتن
- ایالت واشنگتن
- مسیر..
- هوا
- خوب
- که
- اراده
- تمایل
- با
- در داخل
- گردش کار
- کارگر
- خواهد بود
- سال
- زفیرنت