Tämä viesti on kirjoitettu yhdessä Marubeni Power Internationalin datatieteen vanhempien johtajan Hernan Figueroan kanssa.
Marubeni Power International Inc (MPII) omistaa ja sijoittaa voimaliiketoiminta-alustoille Amerikassa. MPII:n tärkeä toimiala on uusiutuvan energian omaisuudenhallinta ja energian varastointivarat, jotka ovat kriittisiä voimainfrastruktuurimme hiili-intensiteetin vähentämisessä. Työskentely uusiutuvien voimavarojen parissa edellyttää ennakoivia ja reagoivia digitaalisia ratkaisuja, koska uusiutuvan energian tuotanto ja sähkömarkkinaolosuhteet muuttuvat jatkuvasti. MPII käyttää koneoppimisen (ML) tarjousten optimointimoottoria tiedottaakseen alkupään päätöksentekoprosesseista tehovarojen hallinnassa ja kaupassa. Tämä ratkaisu auttaa markkina-analyytikoita suunnittelemaan ja toteuttamaan tietoihin perustuvia hintatarjousstrategioita, jotka on optimoitu teholaitteiden kannattavuudelle.
Tässä viestissä opit, kuinka Marubeni optimoi markkinapäätökset käyttämällä laajaa AWS-analytiikka- ja ML-palveluiden valikoimaa rakentaakseen vankan ja kustannustehokkaan Power Bid Optimization -ratkaisun.
Ratkaisun yleiskatsaus
Sähkömarkkinat mahdollistavat kaupankäynnin sähköllä ja energialla tasapainottamaan sähköverkon tehon tarjontaa ja kysyntää sekä kattamaan erilaisia sähköverkon luotettavuustarpeita. Markkinaosapuolet, kuten MPII-omaisuuden operaattorit, tarjoavat jatkuvasti sähkö- ja energiamääriä näille sähkömarkkinoille saadakseen voittoa voimavaroistaan. Markkinatoimija voi tehdä tarjouksia eri markkinoille samanaikaisesti lisätäkseen hyödykkeen kannattavuutta, mutta sen on otettava huomioon omaisuuden tehorajoitukset ja vastenopeudet sekä muut omaisuuden toiminnalliset rajoitteet ja näiden markkinoiden yhteentoimivuus.
MPII:n tarjousten optimointimoottoriratkaisu käyttää ML-malleja optimaalisten tarjousten luomiseen eri markkinoille osallistumista varten. Yleisimmät tarjoukset ovat seuraavan päivän energiatarjoukset, jotka tulee tehdä 1 vrk ennen varsinaista kaupankäyntipäivää, ja reaaliaikaiset energiatarjoukset, jotka tulee jättää 75 minuuttia ennen kaupankäyntituntia. Ratkaisu ohjaa dynaamista hinnoittelua ja tehoresurssin toimintaa ja vaatii sen ML-malleissa saatavilla olevien optimointi- ja ennakointiominaisuuksien käyttöä.
Power Bid Optimization -ratkaisu sisältää useita komponentteja, joilla on tietty rooli. Käydään läpi mukana olevat komponentit ja niiden liiketoiminnalliset toiminnot.
Tiedonkeruu ja tiedonkeruu
Tiedonkeruu- ja käsittelykerros muodostaa yhteyden kaikkiin ylävirran tietolähteisiin ja lataa tiedot datajärveen. Sähkömarkkinoiden tarjouskilpailu edellyttää vähintään neljän tyyppistä syötettä:
- Sähkön kysynnän ennusteet
- Sääennusteet
- Markkinahintahistoria
- Sähkön hintaennusteet
Näitä tietolähteitä käytetään yksinomaan sovellusliittymien kautta. Siksi käsittelykomponenttien on kyettävä hallitsemaan todennusta, tiedonhankintaa pull-tilassa, tietojen esikäsittelyä ja tietojen tallennusta. Koska tiedot noudetaan tunneittain, tarvitaan myös mekanismi vastaanottotöiden järjestämiseen ja ajoittamiseen.
Tietojen valmistelu
Kuten useimmissa ML-käyttötapauksissa, tietojen valmistelulla on ratkaiseva rooli. Tiedot tulevat eri lähteistä useissa muodoissa. Ennen kuin se on valmis käytettäväksi ML-malliharjoitteluun, sen on suoritettava jotkin seuraavista vaiheista:
- Yhdistä tuntikohtaiset tietojoukot saapumisajan perusteella. Täydellisen tietojoukon on sisällettävä kaikki lähteet.
- Paranna tietojen laatua käyttämällä tekniikoita, kuten standardointia, normalisointia tai interpolointia.
Prosessin päätteeksi kuratoitu data lavastetaan ja tarjotaan jatkokäyttöön.
Mallikoulutus ja käyttöönotto
Seuraava vaihe koostuu koulutuksesta ja sellaisen mallin käyttöönotosta, joka pystyy ennustamaan optimaaliset markkinoiden tarjoukset energian osto- ja myyntihinnasta. Minimoidakseen huonon suorituskyvyn riskiä Marubeni käytti ensemble-mallinnustekniikkaa. Ensemble-mallinnus koostuu useiden ML-mallien yhdistämisestä ennustamissuorituskyvyn parantamiseksi. Marubeni yhdistää ulkoisten ja sisäisten ennustemallien tuotokset painotetun keskiarvon kanssa hyödyntääkseen kaikkien mallien vahvuutta. Marubenin sisäiset mallit perustuvat Long Short-Term Memory (LSTM) -arkkitehtuureihin, jotka ovat hyvin dokumentoituja ja helppoja toteuttaa ja mukauttaa TensorFlow'ssa. Amazon Sage Maker tukee TensorFlow-asennusta ja monia muita ML-ympäristöjä. Ulkoinen malli on oma, eikä sen kuvausta voi sisällyttää tähän viestiin.
Marubenin käyttötapauksessa tarjousmallit suorittavat numeerista optimointia tulojen maksimoimiseksi käyttämällä julkaisussa käytettyjen tavoitefunktioiden muokattua versiota. Mahdollisuudet energian varastointiin CAISOssa.
SageMakerin avulla Marubeni voi suorittaa ML- ja numeerisia optimointialgoritmeja yhdessä ympäristössä. Tämä on kriittistä, koska sisäisen mallin koulutuksen aikana numeerisen optimoinnin tulosta käytetään osana ennustehäviöfunktiota. Lisätietoja numeerisen optimoinnin käyttötapauksista on kohdassa Numeeristen optimointiongelmien, kuten aikataulutuksen, reitityksen ja allokoinnin ratkaiseminen Amazon SageMaker Processing -sovelluksella.
Sitten otamme nämä mallit käyttöön päätepäätepisteiden kautta. Koska tuoretta dataa syötetään säännöllisesti, mallit on koulutettava uudelleen, koska ne vanhenevat ajan myötä. Myöhemmin tässä viestissä oleva arkkitehtuuriosio tarjoaa lisätietoja mallien elinkaaresta.
Tehokas hintatarjoustietojen luominen
Ratkaisu ennustaa tuntikohtaisesti optimaaliset määrät ja hinnat, joilla sähköä tulisi tarjota markkinoilla – myös ns. tarjouksia. Määrät mitataan MW:issa ja hinnat dollareissa/MW. Tarjoukset luodaan useille ennustettujen ja havaittujen markkinaolosuhteiden yhdistelmille. Seuraavassa taulukossa on esimerkki finaalista hintatarjouskäyrä lähtö käyttötunnille 17 kuvaavassa kaupankäyntisolmussa lähellä Marubenin Los Angelesin toimistoa.
Päivämäärä | tunti | markkinat | Sijainti | MW | Hinta |
11/7/2022 | 17 | RT Energia | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | RT Energia | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | RT Energia | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | RT Energia | LCIENEGA_6_N001 | 8 | $230.15 |
Tämä esimerkki edustaa halukkuuttamme tarjota 1.65 MW tehoa, jos sähkön hinta on vähintään 80.79 dollaria, 5.15 MW, jos sähkön hinta on vähintään 105.34 dollaria, ja 8 MW, jos sähkön hinta on vähintään 230.15 dollaria.
Riippumattomat järjestelmäoperaattorit (ISO) valvovat sähkömarkkinoita Yhdysvalloissa ja ovat vastuussa tarjousten myöntämisestä ja hylkäämisestä sähköverkon luotettavuuden ylläpitämiseksi edullisimmalla tavalla. California Independent System Operator (CAISO) ylläpitää sähkömarkkinoita Kaliforniassa ja julkaisee markkinatulokset joka tunti ennen seuraavaa tarjousikkunaa. Vertailemalla nykyisiä markkinaolosuhteita niiden vastaaviin käyrällä analyytikot voivat päätellä optimaalisen tuoton. Power Bid Optimization -ratkaisu päivittää tulevat tarjoukset käyttämällä uusia saapuvia markkinatietoja ja uuden mallin ennakoivia lähtöjä
AWS-arkkitehtuurin yleiskatsaus
Seuraavassa kuvassa esitetty ratkaisuarkkitehtuuri toteuttaa kaikki aiemmin esitetyt kerrokset. Se käyttää seuraavia AWS-palveluita osana ratkaisua:
- Amazonin yksinkertainen tallennuspalvelu (Amazon S3) tallentaaksesi seuraavat tiedot:
- Hinnoittelu-, sää- ja kuormaennustetiedot eri lähteistä.
- Konsolidoitu ja lisätty data on valmis käytettäväksi mallikoulutuksessa.
- Tuotoksen hintakäyrät päivitetään tunnin välein.
- Amazon Sage Maker kouluttaa, testata ja ottaa käyttöön malleja, jotka tarjoavat optimoituja tarjouksia päätepäätepisteiden kautta.
- AWS-vaihetoiminnot ohjata sekä data- että ML-liukuhihnat. Käytämme kahta tilakonetta:
- Yksi tilakone, joka ohjaa tiedonkeruuta ja varmistaa, että kaikki lähteet on haettu.
- Yksi tilakone ML-putkilinjan sekä optimoidun hintatarjousten luomisen työnkulun ohjaamiseen.
- AWS Lambda ottamaan käyttöön käsittely-, esikäsittely- ja jälkikäsittelytoiminnot:
- Kolme toimintoa syötettyjen tietosyötteiden vastaanottamiseen, yksi toiminto lähdettä kohti.
- Yksi toiminto tietojen yhdistämiseen ja valmisteluun harjoittelua varten.
- Yksi toiminto, joka luo hintaennusteen kutsumalla mallin päätepistettä, joka on otettu käyttöön SageMakerissa.
- Amazon Athena tarjota kehittäjille ja yritysanalyytikoille SQL-käyttöoikeus luotuihin tietoihin analysointia ja vianmääritystä varten.
- Amazon EventBridge käynnistää tiedonkeruun ja ML-liukuhihnan aikataulussa ja vastauksena tapahtumiin.
Seuraavissa osioissa käsittelemme työnkulkua yksityiskohtaisemmin.
Tiedonkeruu ja valmistelu
Joka tunti käynnistyy tietojen valmistelu Step Functions -tilakone. Se kutsuu jokaista tiedonkeruuta Lambda-toimintoa rinnakkain ja odottaa kaikkien neljän valmistumista. Tiedonkeruutoiminnot kutsuvat vastaavaa lähdesovellusliittymää ja hakevat tiedot kuluneelta tunnilta. Jokainen toiminto tallentaa sitten vastaanotetun datan vastaavaan S3-säihään.
Näillä toiminnoilla on yhteinen toteutusperusta, joka tarjoaa rakennuspalikoita standarditietojen käsittelyyn, kuten normalisointiin tai indeksointiin. Tämän saavuttamiseksi käytämme Lambda-kerroksia ja AWS Chalicekohdassa kuvatulla tavalla AWS Lambda -kerrosten käyttö AWS Chalicen kanssa. Tämä varmistaa, että kaikki kehittäjät käyttävät samoja peruskirjastoja luodakseen uusia tietojen valmistelulogiikoita ja nopeuttavat käyttöönottoa.
Kun kaikki neljä lähdettä on syöty ja tallennettu, tilakone laukaisee tietojen valmistelun Lambda-toiminnon. Virran hinta-, sää- ja kuormitusennustetiedot vastaanotetaan JSON- ja merkkieroteltuina tiedostoina. Jokaisen tiedoston jokaisessa tietueosassa on aikaleima, jota käytetään tietosyötteiden yhdistämiseen yhdeksi tietojoukoksi, joka kattaa 1 tunnin ajanjakson.
Tämä rakenne tarjoaa täysin tapahtumalähtöisen työnkulun. Harjoitustietojen valmistelu aloitetaan heti, kun kaikki odotetut tiedot on saatu.
ML-putki
Tietojen valmistelun jälkeen uudet tietojoukot tallennetaan Amazon S3:een. EventBridge-sääntö käynnistää ML-liukuhihnan Step Functions -tilakoneen kautta. Tilakone ajaa kahta prosessia:
- Tarkista, onko tarjouskäyrän luontimalli ajan tasalla
- Käynnistä mallin uudelleenkoulutus automaattisesti, kun suorituskyky heikkenee tai mallit ovat vanhempia kuin tietty määrä päiviä
Jos käytössä olevan mallin ikä on vanhempi kuin viimeisin tietojoukko tietyllä kynnysarvolla – esimerkiksi 7 päivää – Step Functions -tilakone käynnistää SageMaker-putkilinjan, joka kouluttaa, testaa ja ottaa käyttöön uuden päättelypäätepisteen. Jos mallit ovat edelleen ajan tasalla, työnkulku ohittaa ML-prosessin ja siirtyy tarjouksen luomisvaiheeseen. Riippumatta mallin tilasta, uusi tarjouskäyrä luodaan uuden tuntikohtaisen tietojoukon toimittamisen yhteydessä. Seuraava kaavio havainnollistaa tätä työnkulkua. Oletuksena StartPipelineExecution
toiminta on asynkronista. Voimme antaa tilakoneen odottaa putkilinjan loppua ennen tarjousten luontivaiheen käynnistämistä käyttämällä "Odota takaisinsoittoa"vaihtoehto.
Marubeni käytti pilottiratkaisun rakentamisen kustannusten ja markkinoilletuloajan vähentämiseksi Amazon SageMaker -palvelimeton johtopäätös. Näin varmistetaan, että koulutukseen ja käyttöönottoon käytetystä infrastruktuurista veloitetaan vain tarvittaessa. Tämä myös helpottaa putkilinjan rakentamista, koska kehittäjien ei enää tarvitse hallita infrastruktuuria. Tämä on loistava vaihtoehto työkuormille, joissa on joutojaksoja liikennespurttien välillä. Kun ratkaisu kypsyy ja siirtyy tuotantoon, Marubeni tarkistaa niiden suunnittelun ja ottaa käyttöön kokoonpanon, joka sopii paremmin ennakoitavaan ja vakaaseen käyttöön.
Hintatarjousten luonti ja tietojen kysely
Tarjousten luonti Lambda-funktio kutsuu määräajoin päätelmäpäätepistettä luodakseen tuntikohtaisia ennusteita ja tallentaa tuotoksen Amazon S3:een.
Kehittäjät ja yritysanalyytikot voivat sitten tutkia tietoja visualisointiin Athenen ja Microsoft Power BI:n avulla. Tiedot voidaan myös asettaa saataville API:n kautta myöhempien liiketoimintasovellusten käyttöön. Pilottivaiheessa operaattorit tarkastelevat visuaalisesti tarjouskäyrää tukeakseen sähkötransaktiotoimintaansa markkinoilla. Marubeni kuitenkin harkitsee tämän prosessin automatisoimista tulevaisuudessa, ja tämä ratkaisu antaa siihen tarvittavan perustan.
Yhteenveto
Ratkaisun avulla Marubeni pystyi täysin automatisoimaan tietojenkäsittely- ja käsittelyputkistonsa sekä lyhentämään ennakoivien ja optimointimalliensa käyttöönottoaikaa tunneista minuutteihin. Tarjouskäyrät luodaan nyt automaattisesti ja pidetään ajan tasalla markkinaolosuhteiden muuttuessa. He myös havaitsivat 80 %:n kustannussäästön, kun he vaihtavat varautuneesta päättelypäätepisteestä palvelimettomaan päätepisteeseen.
MPII:n ennusteratkaisu on yksi Marubeni Corporationin viimeaikaisista digitaalimuutoshankkeista, joita lanseeraa sähköalalla. MPII aikoo rakentaa lisää digitaalisia ratkaisuja tukemaan uusia sähköntuotantoalustoja. MPII voi luottaa AWS-palveluihin tukemaan digitaalista muunnosstrategiaansa monissa käyttötapauksissa.
"Voimme keskittyä uusien liiketoiminta-alustojen arvoketjun hallintaan tietäen, että AWS hallitsee ratkaisujemme taustalla olevaa digitaalista infrastruktuuria."
– Hernan Figueroa, vanhempi tietotieteen johtaja, Marubeni Power International.
Lisätietoja siitä, kuinka AWS auttaa energia-organisaatioita niiden digitaalisessa transformaatiossa ja kestävän kehityksen aloitteissa, on osoitteessa AWS-energia.
Marubeni Power International on Marubeni Corporationin tytäryhtiö. Marubeni Corporation on suuri japanilainen kauppa- ja sijoitusliiketoimintaryhmittymä. Marubeni Power Internationalin missio on kehittää uusia liiketoiminta-alustoja, arvioida uusia energiatrendejä ja teknologioita sekä hallita Marubenin tehoportfoliota Amerikassa. Jos haluat tietää lisää Marubeni Powerista, tutustu https://www.marubeni-power.com/.
Tietoja Tekijät
Hernan Figueroa johtaa Marubeni Power Internationalin digitaalimuunnoshankkeita. Hänen tiiminsä soveltaa datatieteitä ja digitaalisia tekniikoita tukeakseen Marubeni Powerin kasvustrategioita. Ennen Marubeniin liittymistään Hernan oli tietotutkija Columbian yliopistossa. Hän on koulutukseltaan Ph.D. sähkötekniikassa ja BS tietokonetekniikassa.
Lino Brescia on pääasiallinen johtaja, jonka kotipaikka on NYC. Hänellä on yli 25 vuoden kokemus teknologiasta, ja hän on liittynyt AWS:n palvelukseen vuonna 2018. Hän hallitsee globaaleja yritysasiakkaita, kun he muuttavat liiketoimintaansa AWS-pilvipalveluilla ja tekevät suuria siirtoja.
Narcisse Zekpa on Sr. Solutions -arkkitehti Bostonissa. Hän auttaa asiakkaita Koillis-Yhdysvalloissa nopeuttamaan liiketoimintansa muutosta innovatiivisten ja skaalautuvien ratkaisujen avulla AWS Cloudissa. Kun Narcisse ei rakenna, hän viettää aikaa perheensä kanssa, matkustaa, ruoanlaittoa, pelaa koripalloa ja juoksee.
Pedram Jahangiri on AWS:n yritysratkaisuarkkitehti, jolla on tohtorin tutkinto sähkötekniikasta. Hänellä on yli 10 vuoden kokemus energia- ja IT-alalta. Pedramilla on monen vuoden käytännön kokemus kaikista Advanced Analyticsin osa-alueista kvantitatiivisten ja laajamittaisten ratkaisujen rakentamiseen yrityksille pilviteknologioita hyödyntäen.
Sarah Childers on asiakaspäällikkö Washington DC:ssä. Hän on entinen luonnontieteiden kouluttaja, josta tuli pilviharrastaja, ja hän on keskittynyt tukemaan asiakkaita heidän pilvimatkallaan. Sarah nauttii työskentelystä motivoituneen tiimin kanssa, joka kannustaa monipuolisiin ideoihin tarjotakseen asiakkailleen innovatiivisimpia ja kattavia ratkaisuja.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :On
- $ YLÖS
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- pystyy
- Meistä
- kiihdyttää
- pääsy
- Accessed
- Tili
- Saavuttaa
- poikki
- Toiminta
- toiminta
- lisä-
- osoite
- hyväksyä
- edistää
- kehittynyt
- Etu
- algoritmit
- Kaikki
- jako
- rinnalla
- Amazon
- Amazon Sage Maker
- Amerikka
- määrä
- analyysi
- analyytikot
- Analytics
- ja
- angeles
- api
- API
- sovellukset
- arkkitehtuuri
- OVAT
- saapuminen
- AS
- näkökohdat
- etu
- vahvuuksien hallinta
- Varat
- At
- täydennetty
- Authentication
- automatisoida
- automaattisesti
- automatisointi
- saatavissa
- keskimäärin
- AWS
- AWS Lambda
- AWS-koneoppiminen
- Balance
- pohja
- perustua
- Lähtötilanne
- perusta
- Koripallo
- BE
- koska
- tulevat
- ennen
- ovat
- PARAS
- välillä
- tarjous
- Blocks
- boston
- laaja
- rakentaa
- Rakentaminen
- liiketoiminta
- Business Applications
- Liiketoiminnan muutos
- Ostaminen
- by
- Kalifornia
- soittaa
- nimeltään
- soittamalla
- Puhelut
- CAN
- ei voi
- kyvyt
- kykenee
- hiili
- tapaus
- tapauksissa
- tietty
- ketju
- muuttaa
- muuttuviin
- merkki
- maksut
- tarkastaa
- pilvi
- pilvipalvelut
- kokoelma
- Columbia
- yhdistelmät
- yhdistely
- Yhteinen
- täydellinen
- osat
- kattava
- tietokone
- Tietotekniikka
- olosuhteet
- Konfigurointi
- monialayritys
- Yhdistää
- Harkita
- ottaen huomioon
- lujittaa
- alituisesti
- rajoitteet
- rakentaa
- kulutetaan
- kulutus
- jatkuvasti
- ruoanlaitto
- YHTIÖ
- Hinta
- kustannusten vähentäminen
- kustannustehokas
- kattaa
- päällyste
- kriittinen
- ristiinviittauksia
- kuratoitu
- Nykyinen
- Tällä hetkellä
- käyrä
- Asiakkaat
- räätälöidä
- tiedot
- Datajärvi
- Tietojen valmistelu
- tietojenkäsittely
- tietojenkäsittely
- tietojen tutkija
- tietovarasto
- data-driven
- aineistot
- Päivämäärä
- päivä
- dc
- Päätöksenteko
- päätökset
- oletusarvo
- toimitus
- Kysyntä
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- käyttöönotot
- lauennut
- on kuvattu
- kuvaus
- Malli
- yksityiskohta
- yksityiskohdat
- kehittää
- kehittäjille
- eri
- digitaalinen
- Digital Transformation
- pohtia
- erilainen
- monipuolinen
- aikana
- dynaaminen
- kukin
- Aikaisemmin
- helpompaa
- helppo
- sähköinen
- Sähkötekniikka
- sähkö
- mahdollistaa
- käytössä
- mahdollistaa
- kannustaa
- päätepiste
- energia
- Moottori
- Tekniikka
- varmistaa
- varmistaa
- yritys
- yritysasiakkaat
- yrityksille
- intoilija
- ympäristö
- ympäristöissä
- Vastaava
- Eetteri (ETH)
- Tapahtumat
- Joka
- esimerkki
- yksinomaan
- johtaja
- odotettu
- experience
- tutkia
- ulkoinen
- perhe
- Haettu
- Kuva
- filee
- Asiakirjat
- lopullinen
- Keskittää
- keskityttiin
- jälkeen
- varten
- Ennuste
- Entinen
- Perustukset
- FRAME
- tuore
- alkaen
- täysin
- toiminto
- toiminnallisuus
- tehtävät
- edelleen
- tulevaisuutta
- tuottaa
- syntyy
- synnyttää
- sukupolvi
- Global
- Go
- suuri
- ruudukko
- Kasvu
- käytännön
- Olla
- auttaa
- auttaa
- pitää
- TUNTIA
- Miten
- Miten
- Kuitenkin
- HTML
- HTTPS
- ideoita
- Idle
- toteuttaa
- täytäntöönpano
- työkoneet
- tärkeä
- in
- sisältää
- mukana
- sisältää
- Saapuva
- Kasvaa
- itsenäinen
- teollisuus
- tiedot
- Infrastruktuuri
- aloitteita
- innovatiivinen
- panos
- sisäinen
- kansainvälisesti
- Interoperability
- investointi
- sijoittaa
- vedotaan
- osallistuva
- IT
- IT-teollisuus
- SEN
- Japanilainen
- Työpaikat
- liittyi
- tuloaan
- matka
- jpg
- json
- Kicks
- Tietää
- tietäen
- järvi
- laaja
- uusin
- käynnistäminen
- kerros
- kerrokset
- Liidit
- OPPIA
- oppiminen
- vipuvaikutuksen
- kirjastot
- elinkaari
- pitää
- rajat
- kuormitus
- kuormat
- Pitkät
- kauemmin
- niitä
- Los Angeles
- pois
- kone
- koneoppiminen
- Koneet
- tehty
- ylläpitää
- merkittävä
- TEE
- hoitaa
- johto
- johtaja
- hallinnoi
- toimitusjohtaja
- Manipulointi
- monet
- markkinat
- markkinaolosuhteet
- markkinat
- kypsyy
- Maksimoida
- mekanismi
- Muisti
- Microsoft
- minimoida
- pöytäkirja
- Tehtävä
- ML
- tila
- malli
- mallintaminen
- mallit
- muokattu
- lisää
- eniten
- motivoituneita
- liikkuu
- moninkertainen
- Lähellä
- välttämätön
- Tarve
- tarvitaan
- tarpeet
- Uusi
- seuraava
- solmu
- numero
- NYC
- tavoite
- saada
- of
- tarjotaan
- Office
- on
- ONE
- toimii
- toiminta
- toiminta
- toiminta-
- operaattori
- operaattorit
- optimaalinen
- optimointi
- optimoitu
- optimoimalla
- Vaihtoehto
- organisaatioiden
- Muut
- ulostulo
- omistaa
- Parallel
- osa
- osallistujat
- osallistuminen
- Ohi
- koettu
- suorittaa
- suorituskyky
- aikoja
- vaihe
- lentäjä
- putki
- suunnitelmat
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Pelaa
- pelaa
- salkku
- Kirje
- teho
- Power BI
- Virtalähde
- Ennustettavissa
- ennusti
- ennustamiseen
- ennustus
- Ennusteet
- ennustaa
- Valmistella
- esitetty
- hinta
- hintaennuste
- Hinnat
- Pääasiallinen
- Aikaisempi
- ongelmia
- prosessi
- Prosessit
- käsittely
- tuotanto
- kannattavuus
- voitot
- patentoitu
- toimittaa
- tarjoaa
- Julkaisu
- Julkaisee
- laatu
- määrällinen
- valmis
- reaaliaikainen
- tajusi
- sai
- äskettäinen
- ennätys
- vähentää
- riippumatta
- luotettavuus
- luottaa
- Uusiutuva
- uusiutuva energia
- edustaa
- tarvitaan
- Vaatii
- ne
- vastaus
- vastuullinen
- herkkä
- tulokset
- uudelleenkoulutus
- tulot
- arviot
- Riski
- luja
- Rooli
- roolit
- Sääntö
- ajaa
- juoksu
- s
- sagemaker
- sama
- skaalautuva
- aikataulu
- tiede
- Tiedemies
- Osa
- osiot
- sektori
- myynti
- palvella
- serverless
- Palvelut
- setti
- Jaa:
- Lyhytaikainen
- shouldnt
- Näytä
- Yksinkertainen
- samanaikaisesti
- single
- So
- ratkaisu
- Ratkaisumme
- jonkin verran
- Pian
- lähde
- Lähteet
- Sourcing
- erityinen
- nopeudet
- menot
- SQL
- standardi
- Osavaltio
- tasainen
- Vaihe
- Askeleet
- Yhä
- Levytila
- verkkokaupasta
- tallennettu
- varastot
- strategiat
- Strategia
- vahvuus
- antaa
- toimitettu
- tytäryhtiö
- niin
- toimittaa
- Tarjonta ja kysyntä
- tuki
- Tukea
- Tukee
- kestävyys
- järjestelmä
- taulukko
- ottaa
- joukkue-
- tekniikat
- Technologies
- Elektroniikka
- tensorflow
- testi
- testit
- että
- -
- Tulevaisuus
- Valtion
- heidän
- siksi
- Nämä
- Kautta
- aika
- aikaleima
- että
- kaupankäynti
- liikenne
- Juna
- koulutus
- junat
- kauppa
- Muuttaa
- Muutos
- Muutosstrategia
- siirtymät
- Matkustaminen
- Trendit
- laukaista
- Sorvatut
- tyypit
- meille
- taustalla oleva
- yliopisto
- Päivitykset
- Ylävirran tiedot
- us
- Käyttö
- käyttää
- käyttölaukku
- arvo
- eri
- versio
- kautta
- visualisointi
- odottaa
- Washington
- Washington DC
- Tapa..
- Sää
- HYVIN
- joka
- tulee
- halukkuus
- with
- sisällä
- työnkulku
- työskentely
- olisi
- vuotta
- zephyrnet