מזרח אוסטרליה היא בין האזורים המועדים ביותר לשריפות בעולם. למרות שריפות שיחים הן תופעה קבועה באוסטרליה, משבר השריפות 2019–2020 הצית למעלה מ-17 מיליון דונם של אדמה (גדולה מגודלה של אנגליה), ועלתה לכלכלה האוסטרלית יותר מ-100 מיליארד דולר בין עלויות רכוש, תשתיות, חברתיות וסביבתיות. .
עם אירועי מזג אוויר קיצוניים יותר ויותר, הסיכון לשריפות עצים באוסטרליה לא ייעלם בקרוב. המשמעות היא שהאחריות על מפעילי רשתות האנרגיה של אוסטרליה לשמור על אספקה בטוחה ואמינה מעולם לא הייתה גדולה יותר.
רשת האנרגיה האוסטרלית כוללת למעלה מ-880,000 קילומטרים של קווי הפצה והולכה (כ-22 נסיעות סביב כדור הארץ) ו-7 מיליון עמודי חשמל. יש לנהל בקפידה תנאי אקלים קיצוניים וצמיחת צמחייה קרובה לקווי חשמל כדי להפחית את הסיכון לשריפות עצים.
בפוסט זה, אנו דנים כיצד AusNet משתמשת למידת מכונה (ML) ו אמזון SageMaker כדי לסייע בהפחתת שריפות השיחים.
חדשנות AusNet עם LiDAR
AusNet מנהלת 54,000 קילומטרים של קווי חשמל ומביאה אנרגיה ליותר מ-1.5 מיליון בתים ועסקים ויקטוריאניים. 62% מרשת זו ממוקמת באזורי סיכון גבוהים לשריפות. AusNet פיתחה פתרון חדשני לתחזוקה בטוחה של רשת האנרגיה שלה ולמזער את הסיכון שצמחייה תגרום נזק לרשת.
מאז 2009, AusNet לוכדת נתוני LiDAR באיכות גבוהה ברחבי הרשת באמצעות מערכות מיפוי אוויריות וכבישים. LiDAR היא שיטת חישה מרחוק המשתמשת באור בצורת לייזר דופק למדידת מרחקים וכיוונים. לנקודה שנחושה של אובייקט יש מידע קואורדינטות תלת-ממדיות (x, y, z) וכן תכונות נוספות כגון צפיפות, מספר החזרות, מספר החזרה, חותמת זמן של GPS וכן הלאה. נקודות אלו מיוצגות כענן נקודות תלת מימד, שהוא אוסף של כל מידע הנקודות. לאחר העיבוד, ה-LiDAR הופך למודל תלת-ממדי של נכסי הרשת של AusNet, המזהה את גידול הצמחייה שצריך לקצץ לבטיחות שריפות שיחים.
התהליך הקודם לסיווג LiDAR השתמש בהסקה מונעת כללים עסקיים, תוך הסתמכות רבה על מיקומי נכסים מדויקים של מערכת מידע גיאוגרפית (GIS) כדי להניע אוטומציה. נדרש מאמץ ידני באמצעות כלי תיוג מותאמים אישית כדי לתייג נכון נקודות LiDAR שבהן מיקומי הנכסים לא היו מדויקים או פשוט לא היו קיימים. התיקון והסיווג הידני של נקודות LiDAR הגדילו את זמני העיבוד והקשו על קנה המידה.
AusNet ו-Amazon Machine Learning
הצוות ה-Geospatial של AusNet שיתף פעולה עם מומחי אמזון ML, כולל מעבדת פתרונות למידת מכונה של אמזון והשירותים המקצועיים, כדי לחקור כיצד ML יכולה להפוך את סיווג נקודות LiDAR לאוטומטי ולהאיץ את התהליך המעיק של תיקון ידני של נתוני מיקום GIS לא מדויקים.
העלות השנתית של סיווג מדוייק של טריליוני נקודות LiDAR שנלכדו המייצגות את תצורות הרשת השונות ברחבי אוסטרליה עלתה על 700,000 דולר לשנה ומנעה את יכולתה של AusNet להרחיב זאת לאזורים גדולים יותר של הרשת.
AusNet ו-AWS חברו יחד לשימוש אמזון SageMaker להתנסות ולבנות מודלים של למידה עמוקה כדי להפוך את הסיווג הנקודתי של האוסף הגדול הזה של נתוני LiDAR לאוטומטי. Amazon SageMaker הוא שירות מנוהל במלואו המסייע למדעני נתונים ומפתחים להכין, לבנות, לאמן ולפרוס מודלים של למידת מכונה באיכות גבוהה במהירות. צוות AusNet ו-AWS בנו בהצלחה מודל פילוח סמנטי שסווג במדויק נתוני ענן נקודות תלת מימדיים לקטגוריות הבאות: מוליכים, בניין, עמוד, צמחייה ואחרים.
תוצאות עבור AusNet והפחתת שריפות
שיתוף הפעולה בין AWS ו-AusNet היה הצלחה עצומה, והניב את התוצאות הבאות הן להפחתת הסיכון העסקי והן להפחתת הסיכון לשריפות:
- הגברת בטיחות העובדים על ידי שימוש בנתוני LiDAR והפחתת הצורך של מהנדסים, מודדים ומעצבים לנסוע לאתרים
- הביא לדיוק של 80.53% בכל חמש קטגוריות הפילוח, וחסך ל-AusNet כ-500,000 דולר אוסטרלי לשנה באמצעות סיווג אוטומטי
- סיפק דיוק של 91.66% ו-92% בזיהוי מוליכים וצמחייה, בהתאמה, שיפור הסיווג האוטומטי של שתי מחלקות הפלחים החשובות ביותר
- סיפקה את הגמישות לניצול נתוני LiDAR המתקבלים מרחפנים, מסוקים, מטוסים וכלי רכב קרקעיים, תוך התחשבות בשונות הייחודית של כל מקור נתונים
- אפשרו לעסק לחדש ניתוח מהיר יותר ולהגדיל את הניתוח בכל הרשת שלו על ידי הפחתת התלות בנתוני התייחסות GIS ובתהליכי תיקון ידניים
- סיפקו את היכולת לשנות קנה מידה על פני כל רשת האנרגיה שלהם עם אוטומציה מוגברת של ML ותלות מופחתת בתהליכי תיקון GIS ידניים
הטבלה הבאה מתארת את הביצועים של מודל הפילוח הסמנטי על נתונים בלתי נראים (נמדדים באמצעות מדדי "דיוק" ו"זכירה", כאשר גבוה יותר הוא טוב יותר), על פני חמש הקטגוריות.
מודל ML סיווג נקודות מתפיסת מסוק:
סקירת פתרונות
צוות מעבדת ML Solutions הביא צוות של מדענים ואדריכלים ML מנוסים ביותר כדי לעזור להניע חדשנות וניסויים. עם ניסיון ML חדשני בתעשיות, הצוות שיתף פעולה עם הצוות Geospatial של AusNet כדי לפתור כמה מהבעיות הטכנולוגיות המאתגרות ביותר עבור העסק. בהתבסס על יכולות ה-ML העמוקות של SageMaker, AusNet ו-AWS הצליחו להשלים את הפיילוט תוך 8 שבועות בלבד.
הרוחב והעומק של SageMaker מילאו תפקיד מפתח באפשרות למפתחים ולמדעני נתונים מ-AusNet ו-AWS לשתף פעולה בפרויקט. הצוות השתמש בתכונות שיתוף קוד ומחברת וגישה בקלות למשאבי מחשוב ML לפי דרישה לצורך הדרכה. הגמישות של SageMaker אפשרה לצוות לבצע איטרציה במהירות. הצוות גם הצליח לנצל את הזמינות של תצורות חומרה שונות כדי להתנסות ב-AWS מבלי צורך להשקיע בהון מראש כדי לרכוש חומרה מקומית. זה אפשר ל-AusNet לבחור בקלות את משאבי ה-ML בגודל הנכון ולהגדיל את הניסויים שלהם לפי דרישה. הגמישות והזמינות במשאבי GPU הם קריטיים, במיוחד כאשר משימת ה-ML דורשת ניסויים מתקדמים.
השתמשנו במופעי מחברת SageMaker כדי לחקור את הנתונים ולפתח קוד עיבוד מקדים, והשתמשנו בעבודות עיבוד והדרכה של SageMaker עבור עומסי עבודה בקנה מידה גדול. הצוות גם השתמש באופטימיזציה של היפרפרמטרים (HPO) כדי לחזור במהירות על מספר עבודות אימון עם תצורות שונות וגרסאות מערך נתונים כדי לכוונן את הפרמטרים ההיפר ולמצוא את המודל בעל הביצועים הטובים ביותר. לדוגמה, יצרנו גרסאות שונות של מערכי נתונים תוך שימוש בשיטות דגימה והגדלה למטה כדי להתגבר על בעיות חוסר איזון בנתונים. הפעלת מספר עבודות הדרכה עם מערכי נתונים שונים במקביל מאפשרת לך למצוא את מערך הנתונים המתאים במהירות. עם מערכי נתונים גדולים ובלתי מאוזנים של ענן נקודות, SageMaker סיפקה את היכולת לבצע חזרה מהירה באמצעות תצורות רבות של ניסויים וטרנספורמציות נתונים.
מהנדסי ML יכלו לערוך חקר ראשוני של נתונים ואלגוריתמים באמצעות מופעי מחשב נייד בעלות נמוכה, ולאחר מכן להוריד פעולות נתונים כבדות למופעי העיבוד החזקים יותר. חיוב לשנייה וניהול מחזור חיים אוטומטי מוודאים שמופעי ההדרכה היקרים יותר יתחילו ונעצרו אוטומטית ויישארו פעילים רק כל עוד יש צורך, מה שמגביר את יעילות הניצול.
הצוות הצליח לאמן מודל בקצב של 10.8 דקות לכל תקופה ב-17.2 GiB של נתונים לא דחוסים על פני 1,571 קבצים הכוללים כ-616 מיליון נקודות. להסיק, הצוות הצליח לעבד 33.6 GiB של נתונים לא דחוסים על פני 15 קבצים בהיקף כולל של 1.2 מיליארד נקודות ב-22.1 שעות. זה מתורגם להסקת ממוצע של 15,760 נקודות לשנייה כולל זמן הפעלה מופחת.
פתרון בעיית הפילוח הסמנטי
מודל ML סיווג נקודות מתפיסת כנף קבועה:
מודל ML סיווג נקודות מתוך לכידה ניידת:
הבעיה של הקצאת כל נקודה בענן נקודות לקטגוריה מתוך קבוצה של קטגוריות נקראת a פילוח סמנטי בְּעָיָה. ענני הנקודות התלת-ממדיים של AusNet ממערכי נתונים של LiDAR מורכבים ממיליוני נקודות. תיוג מדויק ויעיל של כל נקודה בענן נקודות תלת מימד כרוך בהתמודדות עם שני אתגרים:
- נתונים לא מאוזנים - חוסר איזון במעמד הוא בעיה נפוצה בענני נקודות בעולם האמיתי. כפי שנראה בקטעים הקודמים, רוב הנקודות מורכבות מצמחייה, כאשר פחות מנקודות משמעותיות המורכבות מקווי מתח או מוליכים מהוות פחות מ-1% מסך הנקודות. מודלים שהוכשרו באמצעות מערך הנתונים הלא מאוזן מוטים בקלות כלפי הכיתות הגדולות, ועובדים בצורה גרועה על הקטינים. חוסר איזון מעמדי זה הוא בעיה שכיחה בנתוני ענן נקודות LiDAR עבור סביבות חיצוניות. עבור משימה זו, חיוני לקבל ביצועים טובים בסיווג נקודות מנצח. הכשרת מודל שעובד היטב על הכיתה העיקרית והמינורית היא האתגר הגדול ביותר.
- ענן נקודות בקנה מידה גדול – כמות נתוני ענן הנקודות מחיישן LiDAR יכולה לכסות שטח פתוח גדול. במקרה של AusNet, מספר הנקודות לענן נקודות יכול לנוע בין מאות אלפים לעשרות מיליונים, כאשר כל קובץ ענן נקודות משתנה ממאות מגה-בייט ועד ג'יגה-בייט. רוב האלגוריתמים של פילוח ענן נקודות ML דורשים דגימה מכיוון שהמפעילים לא יכולים לקחת את כל הנקודות כקלט שלהם. לרוע המזל, רבות משיטות הדגימה הן כבדות מבחינה חישובית, מה שהופך את האימון והמסק לאיטיים. בעבודה זו, עלינו לבחור באלגוריתם ה-ML היעיל ביותר שעובד על ענני נקודות בקנה מידה גדול.
צוותי ה-AWS ו-AusNet המציאו אסטרטגיית דגימה חדשה חדשה באמצעות צבירת נקודות כדי לפתור את בעיית המחלקות המאוזנות בכבדות. אסטרטגיית דגימה מופחתת זו יחד עם הפחתות קיימות, כגון שקלול כיתות, עזרו לפתור את האתגרים באימון מודל מדויק עם מערך נתונים לא מאוזן וגם שיפרו את ביצועי ההסקות. ניסינו גם באסטרטגיית דגימה על-ידי שכפול השיעורים הקטנים והצבתם במקומות שונים. תהליך זה נבנה כעבודת SageMaker Processing כך שניתן יהיה ליישם אותו על מערך הנתונים החדש שנרכש לצורך הכשרת מודלים נוספת בתוך צינור MLOps.
הצוותים חקרו מודלים שונים של פילוח ענן נקודות תוך התייחסות לדיוק, מדרגיות מבחינת מספר הנקודות ויעילות. לאורך ניסויים מרובים, בחרנו באלגוריתם ML חדיש עבור פילוח סמנטי של ענן נקודות, שעמד בדרישות. אימצנו גם שיטות הגדלה כדי שהמודל יוכל ללמוד ממערכי נתונים שונים.
ארכיטקטורת ייצור
כדי להפעיל את פתרון הפילוח של ענן נקודות, הצוות עיצב צינור ML באמצעות SageMaker להדרכה והסקת מסקנות. התרשים הבא ממחיש את ארכיטקטורת הייצור הכוללת.
צינור ההדרכה כולל מיכל עיבוד מותאם אישית ב- SageMaker Processing לביצוע המרת פורמט ענן נקודות, מיפוי מחדש של קטגוריות, דגימה עלייה, דגימה מטה ופיצול מערך הנתונים. עבודת ההדרכה מנצלת את מופעי ריבוי ה-GPU ב- SageMaker עם קיבולת זיכרון גבוהה יותר כדי לתמוך באימון הדגם בגודל אצווה גדול יותר.
זרימת העבודה של סיווג LiDAR של AusNet מתחילה בהטמעה של עד טרה-בייט של נתוני ענן נקודתי מרכבי מעקב יבשתיים ואוויריים לתוך שירות אחסון פשוט של אמזון (אמזון S3). לאחר מכן הנתונים מעובדים ומועברים לצינור מסקנות לסיווג ענן נקודות. כדי לתמוך בכך, נעשה שימוש ב-SageMaker Transform להפעלת הסקת אצווה על פני מערך הנתונים, כאשר הפלט הוא קבצי ענן נקודות מסווגים עם ציוני ביטחון. לאחר מכן, הפלט מעובד על ידי מנוע הסיווג של AusNet, המנתח את ציון האמון ומפיק דוח ניהול נכסים.
אחד ההיבטים המרכזיים של הארכיטקטורה הוא שהיא מספקת ל-AusNet גישה מדרגית ומודולרית להתנסות עם מערכי נתונים חדשים, טכניקות עיבוד נתונים ומודלים. עם גישה זו, AusNet יכולים להתאים את הפתרון שלהם לתנאי סביבה משתנים ולאמץ אלגוריתמים עתידיים של פילוח ענן נקודות.
מסקנה והצעדים הבאים עם AusNet
בפוסט זה, דנו כיצד הצוות הגיאו-מרחבי של AusNet שיתף פעולה עם מדעני אמזון ML כדי להפוך את סיווג נקודות LiDAR לאוטומטי על ידי הסרה מוחלטת של התלות בנתוני המיקום של GIS ממשימת הסיווג. לפיכך, העיכוב שהתרחש על ידי תיקון GIS ידני מוסר כדי להפוך את משימת הסיווג למהירה יותר וניתנת להרחבה.
"היכולת לתייג במהירות ובדייקנות את נתוני הסקר האווירי שלנו היא חלק קריטי במזעור הסיכון לשריפות עצים. בעבודה עם Amazon Machine Learning Solutions Lab, הצלחנו ליצור מודל שהשיג דיוק ממוצע של 80.53% בתיוג הנתונים. אנו מצפים שנוכל להפחית את מאמצי התיוג הידניים שלנו בעד 80% עם הפתרון החדש", אומר דניאל פנדלברי, מנהל מוצר ב-AusNet.
AusNet רואה מודלים של סיווג ML בעלי תפקיד משמעותי בהנעת יעילות בכל פעילות הרשת שלהם. על ידי הרחבת ספריות הסיווג האוטומטיות שלהם עם דגמי פילוח חדשים, AusNet יכולה לנצל מערכי נתונים עצומים בצורה פרודוקטיבית יותר כדי להבטיח אספקה בטוחה ואמינה של אנרגיה לקהילות ברחבי ויקטוריה.
תודות
המחברים רוצים להודות ל-Sergiy Redko, Claire Burrows, William Manahan, Sahil Deshpande, Ross King ודמיאן Bisignano מ-AusNet על מעורבותם בפרויקט והבאת מומחיות התחום שלהם על מערכי נתונים של LiDAR והדרכה ב-ML באמצעות אלגוריתמים שונים של ML.
מעבדת פתרונות אמזון ML
מעבדת פתרונות אמזון ML מזווג את הצוות שלך עם מומחי ML שיעזרו לך לזהות וליישם את הזדמנויות ה- ML בעלות הערך הגבוה ביותר. אם ברצונך לקבל עזרה בהאצת השימוש שלך ב- ML במוצרים ובתהליכים שלך, אנא צור קשר עם מעבדת פתרונות אמזון ML.
על הכותבים
דניאל פנדלברי הוא מנהל מוצר ב-AusNet Services המתמחה באספקת מוצרי תאימות חדשניים ואוטומטיים לשירותים בתחומי ניהול צמחיה ותחזוקת נכסים.
נתנאל וולדון הוא מפתח תוכנה גיאו-מרחבי ב-Ausnet Services. הוא מתמחה בבנייה וכוונון מערכות עיבוד נתונים גיאו-מרחביות בקנה מידה גדול, עם ניסיון בכל תחומי השירותים, המשאבים והסביבה.
דוד מוטאמד הוא מנהל חשבונות ב- Amazon Web Services. מבוסס במלבורן, אוסטרליה, הוא עוזר ללקוחות ארגוניים להצליח במסעות הטרנספורמציה הדיגיטלית שלהם.
סיימון ג'ונסטון הוא מוביל בינה מלאכותית ואחראי על עסקי ה-AI/ML של Amazon Web Services ברחבי אוסטרליה וניו זילנד, המתמחה באסטרטגיה וכלכלה של AI. 20+ שנות ניסיון במחקר, ניהול וייעוץ (ארה"ב, האיחוד האירופי, APAC) המכסים מגוון מיזמי מחקר ומסחור בינה מלאכותית חדשניים בהובלת התעשייה - העוסקים בסטארט-אפים / חברות קטנות ובינוניות / חיל גדול, והאקולוגית הרחבה יותר.
דריק צ'ו הוא אדריכל פתרונות בשירותי האינטרנט של אמזון. הוא מבוסס במלבורן, אוסטרליה ועובד בשיתוף פעולה הדוק עם לקוחות ארגוניים כדי להאיץ את המסע שלהם בענן. הוא נלהב לעזור ללקוחות ליצור ערך באמצעות חדשנות ובניית יישומים ניתנים להרחבה ויש לו עניין מיוחד ב-AI ו-ML.
מוחיון קים הוא מדען נתונים במעבדת Amazon Machine Learning Solutions. הוא פותר את הבעיות העסקיות השונות של הלקוח על ידי יישום למידה מכונה ולמידה עמוקה, ועוזר להם גם להיות מיומנים.
סוג'וי רוי הוא מדען במעבדת פתרונות למידת מכונה של אמזון עם 20+ שנות ניסיון אקדמי ותעשייתי בבנייה ופריסה של פתרונות מבוססי ML לבעיות עסקיות. הוא יישם למידת מכונה כדי לפתור בעיות של לקוחות בתעשיות כמו טלקו, מדיה ובידור, AdTech, חישה מרחוק, קמעונאות וייצור.
ג'יאנג קאנג הוא אדריכל בכיר ללמידה עמוקה במעבדת פתרונות ML של Amazon, שם הוא עוזר ללקוחות AWS בתעשיות מרובות עם אימוץ AI ואימוץ ענן. לפני שהצטרף למעבדת הפתרונות של אמזון ML, הוא עבד כאדריכל פתרונות עבור אחד מהלקוחות הארגוניים המתקדמים ביותר של AWS, ותכנן עומסי עבודה ענן שונים בקנה מידה עולמי ב-AWS. בעבר עבד כמפתח תוכנה וארכיטקט מערכות עבור חברות כמו Samsung Electronics בתעשיות כמו מוליכים למחצה, רשתות וטלקומוניקציה.
עדן דותי היא המובילה של צוות שירותי למידה מקצועית חיזוק ב-AWS. עדן נלהבת בפיתוח פתרונות לקבלת החלטות עבור לקוחות. הוא מעוניין במיוחד לעזור ללקוחות תעשייתיים עם התמקדות חזקה באופטימיזציה של שרשרת האספקה.
- '
- 000
- 100
- 3d
- 7
- חֶשְׁבּוֹן
- חשבונאות
- פעיל
- נוסף
- אימוץ
- יתרון
- AI
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- מאפשר
- אמזון בעברית
- למידת מכונת אמזון
- אמזון SageMaker
- אמזון שירותי אינטרנט
- בין
- ניתוח
- יישומים
- ארכיטקטורה
- AREA
- סביב
- נכס
- ניהול נכסים
- נכסים
- אוסטרליה
- מחברים
- אוטומטי
- אוטומציה
- זמינות
- AWS
- הטוב ביותר
- חיוב
- B
- לִבנוֹת
- בִּניָן
- עסקים
- עסקים
- קיבולת
- הון
- לאתגר
- מיון
- ענן
- אימוץ ענן
- קוד
- שיתוף פעולה
- Common
- הקהילות
- חברות
- הענות
- לחשב
- מנצח
- אמון
- ייעוץ
- מכולה
- המרה
- עלויות
- משבר
- לקוחות
- נתונים
- עיבוד נתונים
- מדען נתונים
- קבלת החלטות
- למידה עמוקה
- עיכוב
- דרישה
- מפתח
- מפתחים
- דיגיטלי
- טרנספורמציה דיגיטלית
- נהיגה
- מזל"ט
- כלכלה
- כלכלה
- המערכת האקולוגית
- יְעִילוּת
- מכשירי חשמל
- אנרגיה
- מהנדסים
- אַנְגלִיָה
- מִפְעָל
- לקוחות ארגוניים
- בידור
- סביבתי
- EU
- אירועים
- לְהַרְחִיב
- הרחבת
- ניסיון
- לְנַסוֹת
- מומחים
- תכונות
- גמישות
- להתמקד
- טופס
- פוּרמָט
- עתיד
- גלוֹבָּלִי
- טוב
- GPS
- GPU
- צמיחה
- חומרה
- מסוק
- מסוקים
- גָבוֹהַ
- איך
- HTTPS
- עצום
- מאות
- לזהות
- כולל
- התעשייה
- תעשיות
- תעשייה
- מידע
- תשתית
- חדשנות
- חדשני
- אינטרס
- לחקור
- בעיות
- IT
- עבודה
- מקומות תעסוקה
- מפתח
- המלך
- תיוג
- עבודה
- גָדוֹל
- לייזר
- עוֹפֶרֶת
- לִלמוֹד
- למידה
- עסקה
- אוֹר
- מיקום
- ארוך
- למידת מכונה
- גדול
- הרוב
- עשייה
- ניהול
- ייצור
- למדוד
- מדיה
- מלבורן
- מדדים
- מִילִיוֹן
- קטינים
- ML
- אלגוריתמים של ML
- MLOps
- סלולרי
- מודל
- מודולרי
- רשת
- רשתות
- ניו זילנד
- לפתוח
- תפעול
- הזדמנויות
- אחרים
- בָּחוּץ
- ביצועים
- טַיָס
- מטוסים
- כּוֹחַ
- המוצר
- הפקה
- מוצרים
- פּרוֹיֶקט
- רכוש
- רכס
- להפחית
- למידה חיזוק
- הסתמכות
- לדווח
- דרישות
- מחקר
- משאבים
- קמעוני
- החזרות
- הסיכון
- גָלִיל
- הפעלה
- ריצה
- בטוח
- בְּטִיחוּת
- בעל חכמים
- סמסונג
- חסכת
- בקרת מערכות ותקשורת
- סולם
- מדענים
- מגזרים
- סמיקונדקטורס
- שירותים
- סט
- פָּשׁוּט
- מידה
- חברות קטנות ובינוניות
- So
- חֶברָתִי
- תוכנה
- פתרונות
- לפתור
- מתמחה
- החל
- סטארט - אפ
- אחסון
- אִסטרָטֶגִיָה
- הצלחה
- לספק
- שרשרת אספקה
- תמיכה
- מעקב
- סֶקֶר
- מערכת
- מערכות
- טכניקות
- טכנולוגיה
- Telco
- התקשורת
- העולם
- זמן
- הדרכה
- טרנספורמציה
- נסיעות
- טריליונים
- us
- כלי עזר
- ערך
- כלי רכב
- מיזמים
- אינטרנט
- שירותי אינטרנט
- אגף
- בתוך
- תיק עבודות
- בטיחות העובד
- זרימת עבודה
- עובד
- עוֹלָם
- X
- שנה
- שנים