Ennek a bejegyzésnek a szerzője Hernan Figueroa, a Marubeni Power International adattudományi menedzsere.
Marubeni Power International Inc (MPII) az amerikai kontinensen energiaipari üzleti platformok tulajdonosa és befektet. Az MPII egyik fontos vertikuma a megújuló energiával és az energiatároló eszközökkel kapcsolatos vagyonkezelés, amelyek kritikus fontosságúak energiainfrastruktúránk szén-dioxid-intenzitásának csökkentésében. A megújuló energiaforrásokkal való munkavégzés prediktív és reagáló digitális megoldásokat igényel, mivel a megújuló energiatermelés és a villamosenergia-piaci feltételek folyamatosan változnak. Az MPII egy gépi tanulási (ML) ajánlatoptimalizáló motort használ, hogy tájékozódjon a felfelé irányuló döntéshozatali folyamatokról az energiaeszközök kezelésében és kereskedelmében. Ez a megoldás segít a piaci elemzőknek adatvezérelt ajánlattételi stratégiák tervezésében és végrehajtásában, amelyek az energiaeszközök jövedelmezőségére optimalizáltak.
Ebből a bejegyzésből megtudhatja, hogyan optimalizálja a Marubeni a piaci döntéseket az AWS-analitikai és ML-szolgáltatások széles skálájával, hogy robusztus és költséghatékony Power Bid Optimization megoldást hozzon létre.
Megoldás áttekintése
A villamosenergia-piacok lehetővé teszik az energia- és energiakereskedést, hogy egyensúlyba hozza a villamosenergia-ellátást és a keresletet az elektromos hálózatban, és fedezze a különböző elektromos hálózat-megbízhatósági igényeket. A piaci szereplők, például az MPII eszközüzemeltetők folyamatosan áram- és energiamennyiségeket licitálnak ezekre a villamosenergia-piacokra, hogy nyereséget szerezzenek erőeszközeikből. Egy piaci szereplő egyidejűleg különböző piacokra nyújthat be ajánlatot egy eszköz jövedelmezőségének növelése érdekében, de figyelembe kell vennie az eszközök teljesítményének korlátait és reakciósebességét, valamint az eszközök egyéb működési korlátait és e piacok interoperabilitását.
Az MPII ajánlatoptimalizáló motormegoldása ML modelleket használ a különböző piacokon való részvételhez optimális ajánlatok létrehozásához. A leggyakoribb ajánlatok a másnapi energia ajánlatok, amelyeket a tényleges kereskedési nap előtt 1 nappal, valamint a valós idejű energia ajánlatok, amelyeket a kereskedési óra előtt 75 perccel kell benyújtani. A megoldás megszervezi a dinamikus ajánlattételt és az energiaforrás működését, és megköveteli az ML modellekben elérhető optimalizálási és előrejelző képességeket.
A Power Bid Optimization megoldás több összetevőt tartalmaz, amelyek meghatározott szerepet töltenek be. Nézzük végig az érintett összetevőket és a hozzájuk tartozó üzleti funkciót.
Adatgyűjtés és adatfelvétel
Az adatgyűjtési és -feldolgozási réteg csatlakozik az összes felsőbb szintű adatforráshoz, és betölti az adatokat az adattóba. A villamosenergia-piaci ajánlattételhez legalább négyféle adatra van szükség:
- A villamosenergia-igény előrejelzése
- Előrejelző
- Piaci ártörténet
- Áramárak előrejelzései
Ezek az adatforrások kizárólag API-kon keresztül érhetők el. Ezért a feldolgozási összetevőknek képesnek kell lenniük a hitelesítés, az adatforrás lekéréses módban történő kezelésére, az adatok előfeldolgozása és az adattárolás kezelésére. Mivel az adatok lekérése óránként történik, egy mechanizmusra is szükség van a feldolgozási feladatok összehangolásához és ütemezéséhez.
Adatok előkészítése
A legtöbb ML használati esethez hasonlóan az adatok előkészítése kritikus szerepet játszik. Az adatok különböző forrásokból származnak, számos formátumban. Mielőtt készen állna az ML-modell képzésre, a következő lépéseken kell átesnie:
- Konszolidálja az óránkénti adatkészleteket az érkezési idő alapján. A teljes adatkészletnek tartalmaznia kell az összes forrást.
- Növelje az adatok minőségét olyan technikák használatával, mint a szabványosítás, a normalizálás vagy az interpoláció.
A folyamat végén a gyűjtött adatok színpadra kerülnek, és elérhetővé teszik a további felhasználást.
Modell betanítás és bevetés
A következő lépés egy olyan modell betanítása és bevezetése, amely képes előre jelezni az optimális piaci ajánlatokat az energia vásárlására és eladására. Az alulteljesítés kockázatának minimalizálása érdekében Marubeni az együttes modellezési technikát alkalmazta. Az együttes modellezés több ML modell kombinálásából áll az előrejelzési teljesítmény javítása érdekében. A Marubeni a külső és belső előrejelzési modellek kimeneteit súlyozott átlaggal kombinálja, hogy kihasználja az összes modell erejét. A Marubeni belső modelljei Long Short-Term Memory (LSTM) architektúrákon alapulnak, amelyek jól dokumentáltak, és könnyen megvalósíthatók és testreszabhatók a TensorFlow-ban. Amazon SageMaker támogatja a TensorFlow telepítéseket és sok más ML környezetet. A külső modell szabadalmazott, leírása nem szerepelhet ebben a bejegyzésben.
Marubeni esetében az ajánlattételi modellek numerikus optimalizálást hajtanak végre a bevétel maximalizálása érdekében a kiadványban használt célfüggvények módosított változatával. Energiatárolási lehetőségek a CAISO-ban.
A SageMaker lehetővé teszi a Marubeni számára, hogy ML és numerikus optimalizálási algoritmusokat futtasson egyetlen környezetben. Ez kritikus, mert a belső modell betanítás során a numerikus optimalizálás kimenete az előrejelzési veszteség függvény részeként kerül felhasználásra. A numerikus optimalizálás használati eseteinek kezelésével kapcsolatos további információkért lásd: Numerikus optimalizálási problémák megoldása, például ütemezés, útválasztás és kiosztás az Amazon SageMaker Processing segítségével.
Ezután ezeket a modelleket következtetési végpontokon keresztül telepítjük. Mivel időnként friss adatok kerülnek felhasználásra, a modelleket újra kell képezni, mert idővel elavulttá válnak. A bejegyzés későbbi architektúrájú szakasza további részleteket tartalmaz a modellek életciklusáról.
Hatékony ajánlatadatok generálása
A megoldás óránkénti bontásban előrejelzi azokat az optimális mennyiségeket és árakat, amelyek mellett érdemes a piacon áramot kínálni – ún. ajánlatok. A mennyiségeket MW-ban, az árakat pedig $/MW-ban mérik. Az ajánlatok az előre jelzett és az észlelt piaci feltételek többféle kombinációjára generálódnak. Az alábbi táblázat egy példát mutat a döntőre ajánlati görbe kimenet a 17. üzemórára a Marubeni Los Angeles-i irodája közelében található szemléltető kereskedelmi csomópontban.
találka | óra | piacára | Települések | MW | Ár |
11/7/2022 | 17 | RT Energy | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | RT Energy | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | RT Energy | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | RT Energy | LCIENEGA_6_N001 | 8 | $230.15 |
Ez a példa azt mutatja meg, hogy hajlandóak vagyunk 1.65 MW teljesítményre licitálni, ha az áram ára legalább 80.79 USD, 5.15 MW, ha az áram ára legalább 105.34 USD, és 8 MW, ha az áram ára legalább 230.15 USD.
A független rendszerüzemeltetők (ISO-k) felügyelik az Egyesült Államok villamosenergia-piacait, és felelősek az ajánlatok odaítéléséért és elutasításáért, hogy a villamos hálózat megbízhatóságát a leggazdaságosabb módon fenntartsák. A California Independent System Operator (CAISO) a kaliforniai villamosenergia-piacokat működteti, és minden órában a következő ajánlattételi időszak előtt közzéteszi a piaci eredményeket. Az aktuális piaci feltételek és a görbén lévő megfelelőjük kereszthivatkozása révén az elemzők optimális bevételre következtethetnek. A Power Bid Optimization megoldás az új bejövő piaci információk és az új modell prediktív kimenetei alapján frissíti a jövőbeli ajánlatokat
AWS architektúra áttekintése
Az alábbi ábrán látható megoldásarchitektúra az összes korábban bemutatott réteget megvalósítja. A következő AWS-szolgáltatásokat használja a megoldás részeként:
- Amazon egyszerű tárolási szolgáltatás (Amazon S3) a következő adatok tárolására:
- Ár-, időjárás- és terhelés-előrejelzési adatok különböző forrásokból.
- Konszolidált és bővített adatok készen állnak a modellképzéshez.
- A kimeneti ajánlatgörbék óránként frissülnek.
- Amazon SageMaker modellek betanítására, tesztelésére és üzembe helyezésére az optimalizált ajánlatok következtetési végpontokon keresztül történő kiszolgálására.
- AWS lépésfunkciók az adat- és az ML-folyamatok hangszereléséhez. Két állapotgépet használunk:
- Egy állapotú gép az adatgyűjtés lebonyolítására és annak biztosítására, hogy minden forrás bekerült.
- Egy állapotú gép az ML-folyamat, valamint az optimalizált ajánlatkészítési munkafolyamat összehangolásához.
- AWS Lambda a beviteli, előfeldolgozási és utófeldolgozási funkciók megvalósításához:
- Három funkció a bemeneti adatfolyamok feldolgozásához, forrásonként egy funkcióval.
- Egy funkció az adatok konszolidálására és képzésre való előkészítésére.
- Egy olyan függvény, amely a SageMakerben telepített modell végpontjának meghívásával generálja az ár-előrejelzést.
- Amazon Athéné hogy a fejlesztők és az üzleti elemzők SQL hozzáférést biztosítsanak a generált adatokhoz elemzés és hibaelhárítás céljából.
- Amazon EventBridge az adatfeldolgozás és az ML-folyamat ütemezett és eseményekre reagáló indításához.
A következő részekben részletesebben tárgyaljuk a munkafolyamatot.
Adatgyűjtés és -előkészítés
Óránként megtörténik az adat-előkészítő Step Functions állapotgép meghívása. Párhuzamosan meghívja az adatbeviteli Lambda-funkciókat, és megvárja, amíg mind a négy befejeződik. Az adatgyűjtési funkciók meghívják a megfelelő forrás API-t, és lekérik az elmúlt óra adatait. Ezután mindegyik funkció eltárolja a kapott adatokat a megfelelő S3 tárolóba.
Ezeknek a függvényeknek közös megvalósítási alapja van, amely építőelemeket biztosít a szabványos adatkezeléshez, például a normalizáláshoz vagy az indexáláshoz. Ennek eléréséhez Lambda rétegeket és AWS kehelypontban leírtak szerint AWS Lambda rétegek használata AWS Chalice-el. Ez biztosítja, hogy minden fejlesztő ugyanazokat az alapkönyvtárakat használja az új adat-előkészítési logikák felépítéséhez, és felgyorsítja a megvalósítást.
Mind a négy forrás bevitele és tárolása után az állapotgép elindítja az adat-előkészítő Lambda funkciót. Az energiaárakra, az időjárásra és a terhelésre vonatkozó előrejelzési adatok JSON-fájlokban és karakterekkel tagolt fájlokban érkeznek. Az egyes fájlok minden rekordrésze tartalmaz egy időbélyeget, amely az adattáblázatok egyetlen adatkészletbe történő összevonására szolgál, amely 1 órás időkeretet fed le.
Ez a konstrukció teljes mértékben eseményvezérelt munkafolyamatot biztosít. A képzési adatok előkészítése azonnal megkezdődik, amint az összes várt adat bekerült.
ML csővezeték
Az adatok előkészítése után az új adatkészleteket az Amazon S3 tárolja. Egy EventBridge-szabály aktiválja az ML folyamatot egy Step Functions állapotgépen keresztül. Az állapotgép két folyamatot hajt meg:
- Ellenőrizze, hogy az ajánlati görbe generálási modellje aktuális-e
- A modell újraképzésének automatikus aktiválása, ha a teljesítmény romlik, vagy a modellek bizonyos napoknál régebbiek
Ha a jelenleg telepített modell életkora egy bizonyos küszöbértékkel – mondjuk 7 nappal – régebbi, mint a legújabb adatkészlet, a Step Functions állapotgép elindítja a SageMaker folyamatot, amely betanítja, teszteli és egy új következtetési végpontot telepít. Ha a modellek még mindig naprakészek, a munkafolyamat kihagyja az ML-folyamatot, és továbblép az ajánlatkészítési lépésre. A modell állapotától függetlenül új licitgörbe jön létre az új óránkénti adatkészlet kézbesítésekor. A következő diagram ezt a munkafolyamatot mutatja be. Alapértelmezés szerint a StartPipelineExecution
a művelet aszinkron. A "Várakozás a visszahívásra' választási lehetőség.
A költségek és a piacra kerülési idő csökkentése érdekében a kísérleti megoldás kiépítése során a Marubeni ezt használta Amazon SageMaker szerver nélküli következtetés. Ez biztosítja, hogy a képzéshez és a telepítéshez használt mögöttes infrastruktúra csak szükség esetén számítson fel díjat. Ez a csővezeték építésének folyamatát is megkönnyíti, mivel a fejlesztőknek már nem kell kezelniük az infrastruktúrát. Ez egy nagyszerű lehetőség olyan munkaterhelések esetén, amelyeknél a forgalmi kitörések között üresjáratok vannak. Ahogy a megoldás érlelődik és a gyártásba kerül, a Marubeni felülvizsgálja a tervezést, és olyan konfigurációt alkalmaz, amely jobban megfelel a kiszámítható és egyenletes használathoz.
Ajánlatok generálása és adatlekérdezés
Az ajánlatokat generáló Lambda függvény időszakonként meghívja a következtetési végpontot, hogy óránkénti előrejelzéseket generáljon, és a kimenetet az Amazon S3-ban tárolja.
A fejlesztők és az üzleti elemzők ezután az Athena és a Microsoft Power BI segítségével vizualizálhatják az adatokat. Az adatok API-n keresztül a későbbi üzleti alkalmazások számára is elérhetővé válnak. A kísérleti szakaszban az üzemeltetők vizuálisan leolvassák az ajánlati görbét, hogy támogassák a piacokon végzett villamosenergia-tranzakciós tevékenységeiket. A Marubeni azonban fontolgatja ennek a folyamatnak a jövőbeni automatizálását, és ez a megoldás biztosítja a szükséges alapokat ehhez.
Következtetés
Ez a megoldás lehetővé tette a Marubeni számára, hogy teljesen automatizálja adatfeldolgozási és feldolgozási folyamatait, valamint órákról percekre csökkentse a prediktív és optimalizáló modelljeik telepítési idejét. A licitgörbék mostantól automatikusan generálódnak, és a piaci feltételek változásával folyamatosan frissülnek. Ezenkívül 80%-os költségcsökkentést értek el, amikor egy kiépített következtetési végpontról kiszolgáló nélküli végpontra váltottak.
Az MPII előrejelzési megoldása a Marubeni Corporation által az energiaszektorban elindított legújabb digitális átalakulási kezdeményezések egyike. Az MPII további digitális megoldások kiépítését tervezi az új energiaipari üzleti platformok támogatására. Az MPII számos felhasználási esetben támaszkodhat az AWS-szolgáltatásokra, hogy támogassák digitális átalakítási stratégiájukat.
"Az új üzleti platformok értékláncának kezelésére összpontosíthatunk, tudva, hogy az AWS kezeli megoldásaink digitális infrastruktúráját."
– Hernan Figueroa, a Marubeni Power International adattudományi menedzsere.
Ha többet szeretne megtudni arról, hogy az AWS hogyan segíti az energetikai szervezeteket digitális átalakítási és fenntarthatósági kezdeményezéseikben, lásd: AWS energia.
A Marubeni Power International a Marubeni Corporation leányvállalata. A Marubeni Corporation egy jelentős japán kereskedelmi és befektetési konglomerátum. A Marubeni Power International küldetése új üzleti platformok kifejlesztése, új energiatrendek és technológiák felmérése, valamint a Marubeni energiaportfóliójának irányítása az amerikai kontinensen. Ha többet szeretne megtudni a Marubeni Powerről, nézze meg https://www.marubeni-power.com/.
A szerzőkről
Hernan Figueroa vezeti a Marubeni Power International digitális átalakítási kezdeményezéseit. Csapata adattudományt és digitális technológiákat alkalmaz a Marubeni Power növekedési stratégiáinak támogatására. Mielőtt csatlakozott volna Marubenihez, Hernan adatkutató volt a Columbia Egyetemen. Ph.D. fokozattal rendelkezik. Villamosmérnöki és számítástechnikai BS szakon.
Lino Brescia egy New York-i székhelyű ügyfélszolgálati vezető. Több mint 25 éves technológiai tapasztalattal rendelkezik, és 2018-ban csatlakozott az AWS-hez. Globális vállalati ügyfeleket menedzsel, miközben az AWS felhőszolgáltatásokkal átalakítják üzletüket, és nagy léptékű migrációkat hajtanak végre.
Narcisse Zekpa a bostoni székhelyű Sr. Solutions Architect. Segít az Egyesült Államok északkeleti részén élő ügyfeleinek üzleti átalakulásuk felgyorsításában az AWS Cloud innovatív és méretezhető megoldásaival. Amikor Narcisse nem építkezik, szívesen tölt időt a családjával, utazik, főz, kosarazik és fut.
Pedram Jahangiri az AWS vállalati megoldások építészmérnöke, villamosmérnöki doktori fokozattal. Több mint 10 éves tapasztalattal rendelkezik az energia és az IT iparban. A Pedram sok éves gyakorlati tapasztalattal rendelkezik az Advanced Analytics minden területén, amellyel a felhőtechnológiák felhasználásával kvantitatív és nagyszabású megoldásokat hoz létre a vállalatok számára.
Sarah Childers fiókmenedzser Washington DC-ben. Ő egy korábbi természettudományos oktató, akiből felhő-rajongó lett, és az ügyfelek támogatására összpontosított felhőalapú utazásukon. Sarah szívesen dolgozik együtt egy motivált csapattal, amely változatos ötleteket bátorít, hogy ügyfeleit a leginnovatívabb és legátfogóbb megoldásokkal láthassa el.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :is
- $ UP
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Képes
- Rólunk
- gyorsul
- hozzáférés
- igénybe vett
- Fiók
- Elérése
- át
- Akció
- tevékenységek
- További
- cím
- elfogadja
- előre
- fejlett
- Előny
- algoritmusok
- Minden termék
- kiosztás
- mellett
- amazon
- Amazon SageMaker
- Americas
- összeg
- elemzés
- Az elemzők
- analitika
- és a
- Angeles
- api
- API-k
- alkalmazások
- építészet
- VANNAK
- érkezés
- AS
- szempontok
- vagyontárgy
- Vagyonkezelés
- Eszközök
- At
- bővített
- Hitelesítés
- automatizált
- automatikusan
- automatizálás
- elérhető
- átlagos
- AWS
- AWS Lambda
- AWS gépi tanulás
- Egyenleg
- bázis
- alapján
- kiindulási
- alap
- Kosárlabda
- BE
- mert
- válik
- előtt
- hogy
- BEST
- között
- kínálat
- Blocks
- Boston
- széles
- épít
- Épület
- üzleti
- Üzleti alkalmazások
- Üzleti átalakulás
- Vásárlás
- by
- Kalifornia
- hívás
- hívott
- hívás
- kéri
- TUD
- nem tud
- képességek
- képes
- szén
- eset
- esetek
- bizonyos
- lánc
- változik
- változó
- karakter
- díjak
- ellenőrizze
- felhő
- felhő szolgáltatások
- gyűjtemény
- Kolumbia
- kombinációk
- kombinálása
- Közös
- teljes
- alkatrészek
- átfogó
- számítógép
- Informatika
- Körülmények
- Configuration
- konglomerátum
- összeköt
- Fontolja
- figyelembe véve
- megszilárdítása
- állandóan
- korlátok
- konstrukció
- fogyasztott
- fogyasztás
- folyamatosan
- főzés
- VÁLLALAT
- Költség
- költségcsökkentés
- költséghatékony
- terjed
- fedő
- kritikai
- kereszthivatkozás
- a válogatott
- Jelenlegi
- Jelenleg
- görbe
- Ügyfelek
- testre
- dátum
- adattó
- Adatok előkészítése
- adatfeldolgozás
- adat-tudomány
- adattudós
- adattárolás
- adatalapú
- adatkészletek
- találka
- nap
- dc
- Döntéshozatal
- határozatok
- alapértelmezett
- kézbesítés
- Kereslet
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- bevet
- leírt
- leírás
- Design
- részlet
- részletek
- Fejleszt
- fejlesztők
- különböző
- digitális
- digitális átalakítás
- megvitatni
- eltérő
- változatos
- alatt
- dinamikus
- minden
- Korábban
- könnyebb
- könnyű
- elektromos
- villamosmérnök
- villamos energia
- lehetővé
- engedélyezve
- lehetővé teszi
- ösztönzi
- Endpoint
- energia
- Motor
- Mérnöki
- biztosítására
- biztosítja
- Vállalkozás
- vállalati ügyfelek
- Vállalatok
- rajongó
- Környezet
- környezetek
- Egyenértékű
- Eter (ETH)
- események
- Minden
- példa
- kizárólagosan
- végrehajtó
- várható
- tapasztalat
- feltárása
- külső
- család
- Elhozták
- Ábra
- filé
- Fájlok
- utolsó
- Összpontosít
- összpontosított
- következő
- A
- Előrejelzés
- Korábbi
- Alapok
- KERET
- friss
- ból ből
- teljesen
- funkció
- funkcionalitás
- funkciók
- további
- jövő
- generál
- generált
- generál
- generáció
- Globális
- Go
- nagy
- Rács
- Növekedés
- hands-on
- Legyen
- segít
- segít
- tart
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- ötletek
- Idle
- végre
- végrehajtás
- munkagépek
- fontos
- in
- tartalmaz
- beleértve
- magában foglalja a
- Bejövő
- Növelje
- független
- ipar
- információ
- Infrastruktúra
- kezdeményezések
- újító
- bemenet
- belső
- Nemzetközi
- Az interoperabilitás
- beruházás
- fektet
- behívja
- részt
- IT
- IT ipar
- ITS
- japán
- Állások
- csatlakozott
- csatlakozott
- utazás
- jpg
- json
- Kicks
- Ismer
- Ismerve
- tó
- nagyarányú
- legutolsó
- indítás
- réteg
- tojók
- vezetékek
- TANUL
- tanulás
- erőfölény
- könyvtárak
- életciklus
- mint
- határértékek
- kiszámításának
- terhelések
- Hosszú
- hosszabb
- az
- Los Angeles
- le
- gép
- gépi tanulás
- gép
- készült
- fenntartása
- fontos
- KÉSZÍT
- kezelése
- vezetés
- menedzser
- kezeli
- kezelése
- Manipuláció
- sok
- piacára
- piaci feltételek
- piacok
- megérik
- Maximize
- mechanizmus
- Memory design
- microsoft
- minimalizálása
- jegyzőkönyv
- Küldetés
- ML
- Mód
- modell
- modellezés
- modellek
- módosított
- több
- a legtöbb
- motivált
- mozog
- többszörös
- Közel
- elengedhetetlen
- Szükség
- szükséges
- igények
- Új
- következő
- csomópont
- szám
- NYC
- célkitűzés
- szerez
- of
- felajánlott
- Office
- on
- ONE
- működik
- üzemeltetési
- működés
- operatív
- operátor
- üzemeltetők
- optimálisan
- optimalizálás
- optimalizált
- optimalizálása
- opció
- szervezetek
- Más
- teljesítmény
- tulajdonosa
- Párhuzamos
- rész
- résztvevők
- részvétel
- múlt
- érzékelt
- teljesít
- teljesítmény
- időszakok
- fázis
- pilóta
- csővezeték
- tervek
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- játék
- portfolió
- állás
- hatalom
- Power BI
- Tápegység
- Kiszámítható
- jósolt
- előrejelzésére
- előrejelzés
- Tippek
- jósolja
- Készít
- bemutatott
- ár
- ár előrejelzés
- Áraink
- Fő
- Előzetes
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Termelés
- jövedelmezőség
- nyereség
- szabadalmazott
- ad
- biztosít
- A megjelenés
- közzéteszi
- világítás
- mennyiségi
- kész
- real-time
- realizált
- kapott
- új
- rekord
- csökkenteni
- Tekintet nélkül
- megbízhatóság
- támaszkodnak
- Megújuló
- megújuló energia
- jelentése
- kötelező
- megköveteli,
- azok
- válasz
- felelős
- fogékony
- Eredmények
- átképzés
- jövedelem
- Kritika
- Kockázat
- erős
- Szerep
- szerepek
- Szabály
- futás
- futás
- s
- sagemaker
- azonos
- skálázható
- menetrend
- Tudomány
- Tudós
- Rész
- szakaszok
- szektor
- Eladási
- szolgál
- vagy szerver
- Szolgáltatások
- készlet
- Megosztás
- rövid időszak
- kellene
- Műsorok
- Egyszerű
- egyszerre
- egyetlen
- So
- megoldások
- Megoldások
- néhány
- Nemsokára
- forrás
- Források
- Sourcing
- különleges
- sebesség
- Költési
- SQL
- standard
- Állami
- állandó
- Lépés
- Lépései
- Még mindig
- tárolás
- tárolni
- memorizált
- árnyékolók
- stratégiák
- Stratégia
- erő
- beküldése
- benyújtott
- leányvállalat
- ilyen
- kínálat
- Kereslet és kínálat
- támogatás
- Támogató
- Támogatja
- Fenntarthatóság
- rendszer
- táblázat
- Vesz
- csapat
- technikák
- Technologies
- Technológia
- tensorflow
- teszt
- tesztek
- hogy
- A
- A jövő
- Az állam
- azok
- ebből adódóan
- Ezek
- Keresztül
- idő
- időbélyeg
- nak nek
- Kereskedés
- forgalom
- Vonat
- Képzések
- vonatok
- tranzakció
- Átalakítás
- Átalakítás
- Átalakítási stratégia
- átmenetek
- Utazó
- Trends
- kiváltó
- Fordult
- típusok
- nekünk
- mögöttes
- egyetemi
- Frissítés
- Upstream adatok
- us
- Használat
- használ
- használati eset
- érték
- különféle
- változat
- keresztül
- megjelenítés
- várjon
- washington
- Washington DC
- Út..
- időjárás
- JÓL
- ami
- lesz
- Hajlandóság
- val vel
- belül
- munkafolyamat
- dolgozó
- lenne
- év
- zephyrnet