Itä-Australia on yksi maailman paloalttiimmista alueista. Vaikka metsäpalot ovat tavallisia Australiassa, vuosien 2019–2020 metsäpalokriisi sytytti tuleen yli 17 miljoonaa hehtaaria maata (suurempi kuin Englannin kokoinen), mikä maksoi Australian taloudelle yli 100 miljardia dollaria kiinteistö-, infrastruktuuri-, sosiaali- ja ympäristökulujen välillä. .
Yhä äärimmäisemmät sääilmiöt, pensaspaloriski Australiassa ei katoa pian. Tämä tarkoittaa, että Australian energiaverkko-operaattoreiden vastuu turvallisen ja luotettavan toimituksen ylläpitämisestä ei ole koskaan ollut suurempi.
Australian energiaverkko sisältää yli 880,000 22 kilometriä jakelu- ja siirtolinjoja (noin 7 matkaa maan kehän ympäri) ja XNUMX miljoonaa voimapylvää. Äärimmäiset ilmasto-olosuhteet ja kasvillisuuden kasvu voimalinjojen lähellä on hoidettava huolellisesti pensaspaloriskin vähentämiseksi.
Tässä viestissä keskustelemme siitä, kuinka AusNet käyttää koneoppimista (ML) ja Amazon Sage Maker auttamaan metsäpalojen lieventämisessä.
AusNet-innovaatio LiDARin kanssa
AusNet hallinnoi 54,000 1.5 kilometriä voimalinjoja ja tuo energiaa yli 62 miljoonaan viktoriaaniseen kotiin ja yritykseen. XNUMX % tästä verkostosta sijaitsee korkean metsäpaloriskin alueilla. AusNet on kehittänyt innovatiivisen ratkaisun ylläpitääkseen energiaverkkoaan turvallisesti ja minimoidakseen kasvillisuuden aiheuttaman verkkovaurion.
Vuodesta 2009 lähtien AusNet on kaapannut korkealaatuista LiDAR-dataa verkossa käyttämällä sekä ilma- että tiepohjaisia kartoitusjärjestelmiä. LiDAR on kaukokartoitusmenetelmä, joka käyttää valoa pulssilaserin muodossa etäisyyksien ja suuntien mittaamiseen. Objektin tunnistetulla pisteellä on 3D-koordinaattitiedot (x, y, z) sekä lisäattribuutteja, kuten tiheys, palautusten määrä, paluunumero, GPS-aikaleima ja niin edelleen. Nämä pisteet esitetään 3D-pistepilvenä, joka on kokoelma kaikista pistetiedoista. Käsittelyn jälkeen LiDAR muuttuu AusNetin verkkoresurssien 3D-malliksi, joka tunnistaa kasvillisuuden kasvun, joka on leikattava pensaspaloturvallisuuden vuoksi.
Edellisessä LiDAR-luokitteluprosessissa käytettiin liiketoimintasääntöihin perustuvaa johtopäätöstä, ja automaation ohjaamiseen luotettiin voimakkaasti GIS (Geographic Information System) -resurssien sijaintiin. Tarvittiin manuaalista työtä käyttämällä räätälöityjä merkintätyökaluja LiDAR-pisteiden merkitsemiseksi oikein, jos resurssien sijainnit olivat epätarkkoja tai niitä ei yksinkertaisesti ollut olemassa. LiDAR-pisteiden manuaalinen korjaus ja luokittelu pidensi käsittelyn läpimenoaikoja ja vaikeutti skaalausta.
AusNet ja Amazon Machine Learning
AusNetin Geospatial-tiimi teki yhteistyötä Amazon ML -asiantuntijoiden, mukaan lukien Amazon Machine Learning Solutions Labin ja Professional Services, kanssa tutkiakseen, kuinka ML voisi automatisoida LiDAR-pisteiden luokittelun ja nopeuttaa työlästä prosessia, jossa virheelliset GIS-sijaintitiedot korjataan manuaalisesti.
Vuotuiset kustannukset biljoonien siepattujen LiDAR-pisteiden tarkasta luokittelusta, jotka edustavat eri verkkokokoonpanoja ympäri Australiaa, ylittivät 700,000 XNUMX dollaria vuodessa ja estivät AusNetin kyvyn laajentaa tätä verkon laajemmille alueille.
AusNet ja AWS tekivät yhteistyötä käyttääkseen Amazon Sage Maker kokeilla ja rakentaa syväoppimismalleja tämän suuren LiDAR-datakokoelman pistekohtaisen luokittelun automatisoimiseksi. Amazon SageMaker on täysin hallittu palvelu, joka auttaa datatieteilijöitä ja kehittäjiä valmistelemaan, rakentamaan, kouluttamaan ja ottamaan käyttöön korkealaatuisia koneoppimismalleja nopeasti. AusNet- ja AWS-tiimi rakensi onnistuneesti semanttisen segmentointimallin, joka luokitteli 3D-pistepilvitiedot tarkasti seuraaviin luokkiin: johdin, rakennus, napa, kasvillisuus ja muut.
AusNetin ja metsäpalojen lieventämisen tulokset
Yhteistyö AWS:n ja AusNetin välillä oli valtava menestys, ja se tuotti seuraavat tulokset sekä liiketoiminnan että metsäpaloriskin vähentämiseksi:
- Lisää työntekijöiden turvallisuutta LiDAR-tietojen avulla ja vähentää insinöörien, katsastajien ja suunnittelijoiden tarvetta matkustaa työmaille
- Tuloksena 80.53 %:n tarkkuus kaikissa viidessä segmentointiluokassa, mikä säästää AusNetiltä arviolta 500,000 XNUMX Australian dollaria vuodessa automaattisen luokituksen ansiosta
- Tarjosi 91.66 % ja 92 % tarkkuuden johtimien ja kasvillisuuden havaitsemisessa, mikä parantaa kahden tärkeimmän segmenttiluokan automaattista luokittelua
- Tarjosi joustavuuden hyödyntää droneista, helikoptereista, lentokoneista ja maanpäällisistä ajoneuvoista saatuja LiDAR-tietoja samalla kun otetaan huomioon kunkin tietolähteen ainutlaatuinen vaihtelu
- Auttoi yrityksiä innovoimaan nopeammin ja skaalaamaan analytiikkaa koko verkostossaan vähentämällä riippuvuutta GIS-viitetiedoista ja manuaalisista korjausprosesseista
- Tarjoaa mahdollisuuden skaalata analytiikkaa koko energiaverkostossaan lisääntyneen ML-automaation avulla ja vähentämällä riippuvuutta manuaalisista GIS-korjausprosesseista
Seuraava taulukko kuvaa semanttisen segmentointimallin suorituskykyä näkymättömissä tiedoissa (mitattu "tarkkuus"- ja "palautus"-mittareilla, korkeampi on parempi) viidessä kategoriassa.
ML-mallin luokitellut pisteet helikopterin sieppauksesta:
Ratkaisun yleiskatsaus
ML Solutions Lab -tiimi kokosi kokeneita ML-tieteilijöitä ja arkkitehteja auttamaan innovaatioiden ja kokeilujen edistämisessä. Huippuluokan ML-kokemuksella eri toimialoilla tiimi teki yhteistyötä AusNetin Geospatial-tiimin kanssa ratkaistakseen joitain yrityksen haastavimmista teknologiaongelmista. SageMakerin syvien ML-ominaisuuksien perusteella AusNet ja AWS pystyivät suorittamaan pilotin vain kahdeksassa viikossa.
SageMakerin laajuudella ja syvyydellä oli keskeinen rooli, jotta AusNetin ja AWS:n kehittäjät ja datatieteilijät saattoivat tehdä yhteistyötä projektin parissa. Tiimi käytti koulutukseen koodin ja muistikirjan jakamisominaisuuksia sekä helposti saatavilla olevia on-demand ML-laskentaresursseja. SageMakerin joustavuus mahdollisti tiimin nopean iteroinnin. Tiimi pystyi myös hyödyntämään erilaisten laitteistokokoonpanojen saatavuutta kokeillakseen AWS:ää ilman, että hänen tarvitsi investoida alkupääomaa hankkiakseen paikan päällä olevia laitteita. Tämän ansiosta AusNet pystyi helposti valitsemaan oikean kokoiset ML-resurssit ja skaalata kokeilujaan tarpeen mukaan. GPU-resurssien joustavuus ja saatavuus ovat kriittisiä, varsinkin kun ML-tehtävä vaatii huippuluokan kokeiluja.
Käytimme SageMaker-muistikirjan esiintymiä tietojen tutkimiseen ja esikäsittelykoodin kehittämiseen sekä SageMaker-käsittely- ja koulutustöitä suuriin työkuormiin. Tiimi käytti myös hyperparametrien optimointia (HPO) iteroidakseen nopeasti useita koulutustöitä eri kokoonpanoilla ja tietojoukkoversioilla hienosäätääkseen hyperparametreja ja löytääkseen parhaiten toimivan mallin. Loimme esimerkiksi erilaisia versioita tietojoukoista käyttämällä alasnäytteenotto- ja lisäysmenetelmiä tietojen epätasapainoongelmien ratkaisemiseksi. Useiden koulutustöiden suorittaminen samanaikaisesti eri tietojoukoilla mahdollistaa oikean tietojoukon löytämisen nopeasti. Suurilla ja epätasapainoisilla pistepilvitietosarjoilla SageMaker tarjosi mahdollisuuden iteroida nopeasti käyttämällä useita kokeiden ja datamuunnosten kokoonpanoja.
ML-insinöörit voisivat suorittaa alustavia tietojen ja algoritmien tutkimista käyttämällä edullisia kannettavan tietokoneen ilmentymiä ja siirtää sitten raskaat datatoiminnot tehokkaampiin prosessointiesiintymiin. Sekuntilaskutus ja automaattinen elinkaarihallinta varmistavat, että kalliimmat koulutustapahtumat käynnistyvät ja pysähtyvät automaattisesti ja pysyvät aktiivisina vain niin kauan kuin on tarpeen, mikä lisää käyttötehokkuutta.
Tiimi pystyi kouluttamaan mallia nopeudella 10.8 minuuttia per aikakausi 17.2 gigatavulla pakkaamatonta dataa 1,571 616 tiedostossa, yhteensä noin 33.6 miljoonaa pistettä. Päätelmiä varten tiimi pystyi käsittelemään 15 gigatavua pakkaamatonta dataa 1.2 tiedostossa, yhteensä 22.1 miljardia pistettä 15,760 tunnissa. Tämä tarkoittaa keskimäärin XNUMX XNUMX pistettä sekunnissa, mukaan lukien jaksotettu käynnistysaika.
Semanttisen segmentointiongelman ratkaiseminen
ML-mallin luokitellut pisteet kiinteän siiven sieppauksesta:
ML-mallin luokitellut pisteet mobiilikaappauksesta:
Ongelmaa pistepilven jokaisen pisteen osoittamisesta luokkaan kategorioiden joukosta kutsutaan a semanttinen segmentointi ongelma. AusNetin 3D-pistepilvet LiDAR-tietojoukoista koostuvat miljoonista pisteistä. Jokaisen pisteen tarkka ja tehokas merkitseminen 3D-pistepilvessä sisältää kaksi haastetta:
- Epätasapainoinen data – Luokkaepätasapaino on yleinen ongelma todellisissa pistepilvissa. Kuten edellisistä leikkeistä näkyy, suurin osa pisteistä koostuu kasvillisuudesta, ja huomattavasti vähemmän pisteitä, jotka koostuvat voimalinjoista tai johtimista, on alle 1 % kokonaispisteistä. Mallit, jotka on koulutettu käyttämällä epätasapainoista tietojoukkoa, ovat helposti painottuneet suuriin luokkiin ja toimivat huonosti alaikäisten kanssa. Tämä luokan epätasapaino on yleinen ongelma ulkoympäristöjen LiDAR-pistepilvitiedoissa. Tätä tehtävää varten on erittäin tärkeää saada hyvä suorituskyky johdinpisteiden luokittelussa. Sekä pää- että sivuluokassa hyvin toimivan mallin kouluttaminen on suurin haaste.
- Laajamittainen pistepilvi – LiDAR-sensorin pistepilvitietojen määrä voi kattaa suuren avoimen alueen. AusNetin tapauksessa pisteiden määrä pistepilveä kohti voi vaihdella sadasta tuhansista kymmeniin miljooniin, ja jokainen pistepilvitiedosto vaihtelee sadoista megatavuista gigatavuihin. Suurin osa pistepilven segmentoinnin ML-algoritmeista vaatii näytteenottoa, koska operaattorit eivät voi ottaa kaikkia pisteitä syötteensä. Valitettavasti monet näytteenottomenetelmät ovat laskennallisesti raskaita, mikä tekee sekä harjoittelusta että päätelmistä hitaita. Tässä työssä meidän on valittava tehokkain ML-algoritmi, joka toimii suuren mittakaavan pistepilvessä.
AWS- ja AusNet-tiimit keksivät uudenlaisen alasnäytteenottostrategian klusterointipisteiden avulla ratkaistakseen voimakkaasti epätasapainoisen luokkaongelman. Tämä alasnäytteenottostrategia yhdessä olemassa olevien lievennysten, kuten luokkapainotuksen, kanssa auttoi ratkaisemaan haasteita opetettaessa tarkkaa mallia epätasapainoisella tietojoukolla ja paransi myös päättelyn suorituskykyä. Kokeilimme myös näytteenottostrategiaa kopioimalla sivuluokat ja sijoittamalla ne eri paikkoihin. Tämä prosessi rakennettiin SageMaker Processing -työnä, jotta sitä voitiin soveltaa äskettäin hankittuun tietojoukkoon mallin jatkokoulutukseen MLOps-putkilinjassa.
Ryhmät tutkivat erilaisia pistepilven segmentointimalleja, jotka huomioivat tarkkuuden, pistemäärän skaalautuvuuden ja tehokkuuden. Useiden kokeiden aikana valitsimme huippuluokan ML-algoritmin pistepilven semanttiseen segmentointiin, joka täytti vaatimukset. Otimme käyttöön myös lisäysmenetelmiä, jotta malli voisi oppia erilaisista aineistoista.
Tuotantoarkkitehtuuri
Pistepilven segmentointiratkaisun käyttöönottamiseksi tiimi suunnitteli ML-putkilinjan SageMakerin avulla koulutusta ja päätelmiä varten. Seuraava kaavio havainnollistaa tuotannon yleistä arkkitehtuuria.
Koulutusputkisto sisältää mukautetun käsittelysäiliön SageMaker Processingissa pistepilvimuodon muuntamista, kategorioiden uudelleenkartoittamista, ylösnäytteenottoa, alasnäytteenottoa ja tietojoukon jakamista varten. Harjoittelutyössä hyödynnetään SageMakerin usean grafiikkasuorittimen instansseja suuremmalla muistikapasiteetilla tukeakseen mallin koulutusta suuremmalla eräkoolla.
AusNetin LiDAR-luokittelutyönkulku alkaa jopa teratavun pistepilvitietojen syöttämisellä maa- ja ilmavalvontaajoneuvoista Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Tiedot käsitellään sitten ja siirretään päättelyputkeen pistepilviluokitusta varten. Tämän tukemiseksi SageMaker Transformia käytetään eräpäätelmän suorittamiseen koko tietojoukossa, jolloin tulos on luokiteltu pistepilvitiedostoja, joilla on luottamuspisteet. AusNetin luokitusmoottori käsittelee tulosteen, joka analysoi luottamuspisteet ja luo omaisuudenhoitoraportin.
Yksi arkkitehtuurin tärkeimmistä näkökohdista on, että se tarjoaa AusNetille skaalautuvan ja modulaarisen lähestymistavan uusien tietojoukkojen, tietojenkäsittelytekniikoiden ja mallien kokeiluun. Tämän lähestymistavan avulla AusNet voi mukauttaa ratkaisunsa muuttuviin ympäristöolosuhteisiin ja ottaa käyttöön tulevaisuuden pistepilven segmentointialgoritmeja.
Johtopäätös ja seuraavat vaiheet AusNetin kanssa
Tässä viestissä keskustelimme siitä, kuinka AusNetin Geospatial-tiimi teki yhteistyötä Amazon ML:n tutkijoiden kanssa automatisoidakseen LiDAR-pisteiden luokituksen poistamalla täysin riippuvuuden GIS-sijaintitiedoista luokitustehtävästä. Näin ollen manuaalisen GIS-korjauksen aiheuttama viive poistetaan, jotta luokitustehtävästä tulee nopeampi ja skaalautuva.
”Mahdollisuus merkitä ilmatutkimustietomme nopeasti ja tarkasti on kriittinen osa metsäpalojen riskin minimoimista. Yhteistyössä Amazon Machine Learning Solutions Labin kanssa pystyimme luomaan mallin, joka saavutti 80.53 %:n keskimääräisen tarkkuuden datamerkinnöissä. Odotamme voivamme vähentää manuaalisia merkintöjämme jopa 80 % uuden ratkaisun avulla”, sanoo Daniel Pendlebury, AusNetin tuotepäällikkö.
AusNet näkee ML-luokitusmalleilla olevan merkittävä rooli tehokkuuden lisäämisessä verkkotoiminnassaan. Laajentamalla automaattisia luokituskirjastojaan uusilla segmentointimalleilla AusNet voi hyödyntää valtavia tietojoukkoja tuottavammin varmistaakseen turvallisen ja luotettavan energiansaannin yhteisöille kaikkialla Victoriassa.
Kiitokset
Kirjoittajat haluavat kiittää Sergiy Redkoa, Claire Burrowsia, William Manahania, Sahil Deshpandea, Ross Kingiä ja Damian Bisignanoa AusNetistä heidän osallistumisestaan projektiin ja heidän toimialueosaamisensa tuomisesta LiDAR-tietosarjoihin ja ML-koulutukseen käyttämällä erilaisia ML-algoritmeja.
Amazon ML Solutions Lab
Amazon ML Solutions Lab Yhdistä joukkueesi ML-asiantuntijoiden kanssa auttamaan sinua tunnistamaan ja toteuttamaan organisaatiosi arvokkaimmat ML-mahdollisuudet. Jos haluat apua ML: n käytön nopeuttamisessa tuotteissasi ja prosesseissasi, ota yhteyttä Amazon ML Solutions Lab.
Tietoja Tekijät
Daniel Pendlebury on AusNet Servicesin tuotepäällikkö, joka on erikoistunut innovatiivisten, automatisoitujen vaatimustenmukaisuustuotteiden toimittamiseen kasvillisuuden hallinnan ja omaisuuden ylläpidon alueilla.
Nathanael Weldon on paikkatietoohjelmistojen kehittäjä Ausnet Servicesissä. Hän on erikoistunut suurten paikkatiedonkäsittelyjärjestelmien rakentamiseen ja virittämiseen, ja hänellä on kokemusta sähkö-, resurssi- ja ympäristösektoreilta.
David Motamed on Amazon Web Services -asiakaspäällikkö. Hän työskentelee Australian Melbournessa ja auttaa yritysasiakkaita menestymään digitaalisen muutoksen matkalla.
Simon Johnston on tekoälyjohtaja ja vastaa Amazon Web Services AI/ML -liiketoiminnasta Australiassa ja Uudessa-Seelannissa erikoistuen tekoälystrategiaan ja talouteen. Yli 20 vuoden tutkimus-, johtamis- ja konsultointikokemus (Yhdysvallat, EU, APAC), joka kattaa joukon innovatiivisia, teollisuusvetoisia tutkimus- ja kaupallistamishankkeita AI-hankkeissa, jotka koskevat start-up-yrityksiä / pk-yrityksiä / suuria yrityksiä ja laajempaa ekosysteemiä.
Derrick Choo on ratkaisuarkkitehti Amazon Web Servicesissä. Hänen kotipaikkansa on Melbournessa, Australiassa, ja hän tekee tiivistä yhteistyötä yritysasiakkaiden kanssa nopeuttaakseen heidän matkaansa pilvessä. Hän on intohimoinen auttamaan asiakkaita luomaan lisäarvoa innovaatioiden ja skaalautuvien sovellusten rakentamisen kautta, ja hän on erityisen kiinnostunut tekoälystä ja ML:stä.
Muhyun Kim on Amazon Machine Learning Solutions Labin datatieteilijä. Hän ratkaisee asiakkaan erilaiset liiketoimintaongelmat soveltamalla koneoppimista ja syvällistä oppimista sekä auttaa heitä taitamaan.
Sujoy Roy on Amazon Machine Learning Solutions Labin tutkija, jolla on yli 20 vuoden akateeminen ja teollisuuden kokemus ML-pohjaisten ratkaisujen rakentamisesta ja käyttöönotosta yritysongelmiin. Hän on soveltanut koneoppimista ratkaisemaan asiakkaiden ongelmia sellaisilla aloilla kuin puhelin, media ja viihde, AdTech, kaukokartoitus, vähittäiskauppa ja valmistus.
Jiyang Kang on vanhempi syväoppiva arkkitehti Amazon ML Solutions Labissa, jossa hän auttaa AWS-asiakkaita useilla toimialoilla tekoälyn ja pilven käyttöönotossa. Ennen Amazon ML Solutions Labiin liittymistään hän työskenteli ratkaisuarkkitehtina yhdelle AWS:n edistyneimmistä yritysasiakkaista ja suunnitteli erilaisia globaalin mittakaavan pilvityökuormia AWS:lle. Hän työskenteli aiemmin ohjelmistokehittäjänä ja järjestelmäarkkitehtina Samsung Electronicsin kaltaisille yrityksille muun muassa puolijohteiden, verkkojen ja televiestinnän aloilla.
Eden Duthie on AWS:n vahvistuskoulutusasiantuntijapalveluiden tiimin johtaja. Eden on intohimoinen päätöksentekoratkaisujen kehittämiseen asiakkaille. Hän on erityisen kiinnostunut auttamaan teollisia asiakkaita, jotka keskittyvät vahvasti toimitusketjun optimointiin.
- '
- 000
- 100
- 3d
- 7
- Tili
- kirjanpito
- aktiivinen
- lisä-
- Hyväksyminen
- Etu
- AI
- algoritmi
- algoritmit
- Kaikki
- Salliminen
- Amazon
- Amazonin koneoppiminen
- Amazon Sage Maker
- Amazon Web Services
- keskuudessa
- Analytics
- sovellukset
- arkkitehtuuri
- ALUE
- noin
- etu
- vahvuuksien hallinta
- Varat
- Australia
- Tekijät
- Automatisoitu
- Automaatio
- saatavuus
- AWS
- PARAS
- laskutus
- Miljardi
- rakentaa
- Rakentaminen
- liiketoiminta
- yritykset
- Koko
- pääoma
- haaste
- luokittelu
- pilvi
- pilvien hyväksyminen
- koodi
- yhteistyö
- Yhteinen
- yhteisöjen
- Yritykset
- noudattaminen
- Laskea
- kapellimestari
- luottamus
- konsultointi
- Kontti
- Muuntaminen
- kustannukset
- kriisi
- Asiakkaat
- tiedot
- tietojenkäsittely
- tietojen tutkija
- Päätöksenteko
- syvä oppiminen
- viivyttää
- Kysyntä
- Kehittäjä
- kehittäjille
- digitaalinen
- Digital Transformation
- ajo
- Drones
- Taloustiede
- talous
- ekosysteemi
- tehokkuus
- Elektroniikka
- energia
- Engineers
- Englanti
- yritys
- yritysasiakkaat
- Viihde
- ympäristön
- EU
- Tapahtumat
- Laajentaa
- laajenee
- experience
- kokeilu
- asiantuntijat
- Ominaisuudet
- Joustavuus
- Keskittää
- muoto
- muoto
- tulevaisuutta
- Global
- hyvä
- GPS
- GPU
- Kasvu
- Tarvikkeet
- helikopteri
- helikopterit
- Korkea
- Miten
- HTTPS
- valtava
- Sadat
- tunnistaa
- Mukaan lukien
- teollinen
- teollisuuden
- teollisuus
- tiedot
- Infrastruktuuri
- Innovaatio
- innovatiivinen
- korko
- tutkia
- kysymykset
- IT
- Job
- Työpaikat
- avain
- kuningas
- merkinnät
- työ
- suuri
- laser
- johtaa
- OPPIA
- oppiminen
- käsitellä
- valo
- sijainti
- Pitkät
- koneoppiminen
- merkittävä
- Enemmistö
- Tekeminen
- johto
- valmistus
- mitata
- Media
- Melbourne
- Metrics
- miljoona
- alaikäisten
- ML
- ML-algoritmit
- MLOps
- Puhelinnumero
- malli
- modulaarinen
- verkko
- verkostoituminen
- Uusi Seelanti
- avata
- Operations
- Mahdollisuudet
- Muuta
- ulko-
- suorituskyky
- lentäjä
- Planes
- teho
- Tuotteet
- tuotanto
- Tuotteemme
- projekti
- omaisuus
- alue
- vähentää
- vahvistaminen oppiminen
- riippuvuus
- raportti
- vaatimukset
- tutkimus
- Esittelymateriaalit
- vähittäiskauppa
- Tuotto
- Riski
- rulla
- ajaa
- juoksu
- turvallista
- Turvallisuus
- sagemaker
- Samsung
- tallentaa
- skaalautuvuus
- Asteikko
- tutkijat
- sektorit
- Puolijohteet
- Palvelut
- setti
- Yksinkertainen
- Koko
- Pk-yritysten
- So
- sosiaalinen
- Tuotteemme
- Ratkaisumme
- SOLVE
- erikoistunut
- alkoi
- käynnistyksen
- Levytila
- Strategia
- menestys
- toimittaa
- toimitusketju
- tuki
- valvonta
- Tutkimus
- järjestelmä
- järjestelmät
- tekniikat
- Elektroniikka
- Telco
- tietoliikenne
- maailma
- aika
- koulutus
- Muutos
- matkustaa
- biljoonia
- us
- apuohjelmia
- arvo
- Ajoneuvot
- Ventures
- verkko
- verkkopalvelut
- siipi
- sisällä
- Referenssit
- työntekijöiden turvallisuus
- työnkulku
- toimii
- maailman-
- X
- vuosi
- vuotta