인더스트리 4.0 혁명의 지난 XNUMX년 동안 수직 및 환경 전반에 걸쳐 기계 학습(ML)의 가치와 중요성이 입증되었으며, 이는 다른 어떤 애플리케이션보다 제조에 더 큰 영향을 미쳤습니다. 보다 자동화되고 안정적이며 비용 효율적인 OT(운영 기술) 전략을 구현하는 조직은 비용이 많이 들고 계획되지 않은 가동 중지 시간을 방지하기 위해 조립 라인 오류를 예측하는 데 ML의 이점을 인식하여 앞장서 왔습니다. 그러나 관리 및 재무 소유자가 이러한 새로운 기술을 구현하는 데 필요한 예산을 할당하도록 설득하기 위해 모든 규모의 팀이 적은 노력으로 신속하게 ML 기반 이상 탐지의 가치를 입증해야 하는 과제가 남아 있습니다. 모델 교육을 위한 데이터 과학자 또는 로컬 수준에서 솔루션을 배포하기 위한 ML 전문가에 대한 액세스가 없으면 공장 현장의 팀이 채택할 수 없는 것처럼 보였습니다.
이제 공장의 기계에서 센서 데이터 신호를 수집하는 팀은 다음과 같은 서비스의 힘을 발휘할 수 있습니다. 아마존 타임 스트림, 장비에 대한 Amazon Lookout및 AWS IoT 코어 로컬 에지에서 완전한 생산 준비가 된 시스템을 쉽게 가동하고 테스트하여 치명적인 다운타임 이벤트를 방지할 수 있습니다. Lookout for Equipment는 고유한 ML 모델을 사용하여 들어오는 센서 데이터를 실시간으로 분석하고 기계 고장으로 이어질 수 있는 조기 경고 신호를 정확하게 식별합니다. 즉, 장비 이상을 빠르고 정확하게 감지하고, 문제를 신속하게 진단하고, 비용이 많이 드는 가동 중지 시간을 줄이기 위한 조치를 취하고, 잘못된 경고를 줄일 수 있습니다. 응답 팀은 센서가 문제를 나타내는 특정 핀 포인트와 감지된 이벤트에 미치는 영향의 크기를 통해 경고를 받을 수 있습니다.
이 게시물에서는 훈련된 모델을 사용하여 공장 현장에서 이벤트를 시뮬레이션하고 Timestream, Lookout for Equipment 및 AWS 람다 기능. 이 게시물의 단계는 다음을 강조합니다. AWS 관리 콘솔 UI는 개발자 배경이나 강력한 코딩 기술이 없는 기술 인력이 어떻게 프로토타입을 구축할 수 있는지 보여줍니다. 시뮬레이션된 센서 신호를 사용하면 시스템을 테스트하고 생산을 중단하기 전에 자신감을 얻을 수 있습니다. 마지막으로 이 예에서는 다음을 사용합니다. 아마존 단순 알림 서비스 (Amazon SNS) 팀이 예측된 이벤트에 대한 알림을 받고 대응하여 조립 라인 실패의 치명적인 영향을 방지하는 방법을 보여줍니다. 또한 팀은 다음을 사용할 수 있습니다. 아마존 퀵 사이트 보고를 위한 추가 분석 및 대시보드.
솔루션 개요
시작하려면 먼저 공장 센서 판독값에서 과거 데이터 세트를 수집하고, 데이터를 수집하고, 모델을 교육합니다. 훈련된 모델을 사용하여 다음을 설정합니다. IoT 디바이스 시뮬레이터 프로덕션 데이터를 사용하기 전에 원하는 프로덕션 설정을 식별하기 위해 시스템 테스트를 허용하는 주제에 MQTT 신호를 게시하여 비용을 낮게 유지합니다.
다음 다이어그램은 솔루션 아키텍처를 보여줍니다.
워크 플로에는 다음 단계가 포함됩니다.
- 샘플 데이터를 사용하여 Lookout for Equipment 모델을 교육하고 제공된 레이블이 지정된 데이터를 사용하여 모델 정확도를 개선합니다. 5분의 샘플 속도로 20~30분 안에 모델을 교육할 수 있습니다.
- 실행 AWS 클라우드 포메이션 템플릿을 사용하여 IoT 시뮬레이터를 활성화하고 시뮬레이션을 생성하여 센서 데이터 신호 형식으로 MQTT 주제를 게시합니다.
- IoT 규칙 작업을 생성하여 MQTT 주제를 읽고 저장을 위해 주제 페이로드를 Timestream으로 보냅니다. 이들은 ML 모델을 사용한 추론에 사용될 실시간 데이터 세트입니다.
- 다음에 의해 트리거되는 Lambda 함수 설정 아마존 이벤트 브리지 Lookout for Equipment를 위해 데이터를 CSV 형식으로 변환합니다.
- Lookout for Equipment 모델 추론 출력 파일을 구문 분석하는 Lambda 함수 생성 아마존 단순 스토리지 서비스 (Amazon S3) 그리고 장애가 예상되는 경우 구성된 주소로 이메일을 보냅니다. 추가적으로, AWS 접착제, 아마존 아테나및 QuickSight는 예측된 고장 이벤트에 대한 센서 데이터 기여도를 시각화합니다.
사전 조건
이상 탐지를 위한 환경을 설정하려면 AWS 계정에 대한 액세스 권한이 필요합니다.
데이터를 시뮬레이션하고 AWS 클라우드로 수집
데이터 및 수집 구성을 설정하려면 다음 단계를 완료하세요.
- 교육 파일 다운로드 하위 시스템-08_multisensor_training.csv 그리고 라벨 파일 labels_data.csv. 파일을 로컬로 저장합니다.
- 원하는 리전의 Amazon S3 콘솔에서 고유한 이름(예:
l4e-training-data)
, 기본 구성 옵션을 사용합니다. - 버킷을 열고 선택 가이드라가다음, 파일을 추가합니다.
- 라는 폴더에 교육 데이터를 업로드합니다.
/training-data
레이블 데이터를/labels
.
다음으로 S3 버킷의 데이터로 훈련할 ML 모델을 생성합니다. 이렇게 하려면 먼저 프로젝트를 만들어야 합니다.
- Lookout for Equipment 콘솔에서 다음을 선택합니다. 프로젝트 만들기.
- 프로젝트 이름을 지정하고 선택 프로젝트 만들기.
- 에 데이터세트 추가 페이지에서 S3 버킷 위치를 지정합니다.
- 다음에 대한 기본값 사용 새 역할 만들기 와 CloudWatch 로그 활성화.
- 왼쪽 메뉴에서 파일 이름으로 for 스키마 탐지 방법.
- 왼쪽 메뉴에서 수집 시작.
수집을 완료하는 데 몇 분 정도 걸립니다.
- 수집이 완료되면 다음을 선택하여 데이터 세트의 세부 정보를 검토할 수 있습니다. 데이터세트 보기.
- 페이지를 아래로 스크롤하여 센서별 세부정보 안내
- 페이지 하단으로 스크롤하여 XNUMX개 센서의 데이터에 대한 센서 등급이 표시되어 있는지 확인합니다.
Low
. - 낮은 등급의 XNUMX개를 제외한 모든 센서 레코드를 선택합니다.
- 왼쪽 메뉴에서 모델 생성.
- 에 모델 세부 정보 지정 페이지에서 모델 이름을 지정하고 다음 보기.
- 에 입력 데이터 구성 페이지에서 교육 및 평가 설정 값과 샘플 속도(이 게시물의 경우 1분)를 입력합니다.
- 건너 뛰기 오프 타임 감지 설정을 선택하고 다음 보기.
- 에 데이터 레이블 제공 페이지에서 레이블 데이터가 있는 S3 폴더 위치를 지정합니다.
- 선택 새 역할 만들기.
- 왼쪽 메뉴에서 다음 보기.
- 에 검토 및 교육 페이지에서 선택 훈련 시작.
샘플 속도가 5분인 경우 모델을 빌드하는 데 20~30분이 소요됩니다.
모델이 구축되는 동안 나머지 아키텍처를 설정할 수 있습니다.
센서 데이터 시뮬레이션
- 왼쪽 메뉴에서 발사 스택 다음을 사용하여 시뮬레이션된 센서 신호를 설정하기 위해 CloudFormation 템플릿을 시작합니다. IoT 시뮬레이터.
- 템플릿이 시작된 후 CloudFormation 콘솔로 이동합니다.
- 에 스택 페이지에서 선택
IoTDeviceSimulator
스택 세부 정보를 보려면 - 에 출력 탭, 찾기
ConsoleURL
키와 해당 URL 값. - URL을 선택하여 IoT Device Simulator 로그인 페이지를 엽니다.
- 사용자 이름과 암호를 생성하고 선택 로그인.
- 나중에 다시 로그인해야 하는 경우를 대비하여 자격 증명을 저장하십시오.
- IoT 장치 시뮬레이터 메뉴 표시줄에서 다음을 선택합니다. 장치 유형.
- 다음과 같은 장치 유형 이름을 입력하십시오.
My_testing_device
. - 다음과 같은 MQTT 주제를 입력하십시오.
factory/line/station/simulated_testing
. - 왼쪽 메뉴에서 속성 추가.
- 속성 값을 입력하세요.
signal5
다음 스크린 샷에 표시된대로 - 왼쪽 메뉴에서 찜하기.
- 왼쪽 메뉴에서 속성 추가 다음 표와 같이 샘플 신호 데이터와 일치하도록 나머지 특성을 다시 추가합니다.
. | 신호5 | 신호6 | 신호7 | 신호8 | 신호48 | 신호49 | 신호78 | 신호109 | 신호120 | 신호121 |
낮은 | 95 | 347 | 27 | 139 | 458 | 495 | 675 | 632 | 742 | 675 |
Hi | 150 | 460 | 217 | 252 | 522 | 613 | 812 | 693 | 799 | 680 |
- 에 시뮬레이션 탭에서 시뮬레이션 추가.
- 시뮬레이션에 이름을 지정합니다.
- 지정 시뮬레이션 유형 as 사용자 생성, 기기 종류 최근에 생성된 장치로 데이터 전송 간격 60으로, 그리고 데이터 전송 기간 3600 년.
- 마지막으로 방금 만든 시뮬레이션을 시작하고 생성된 페이로드를 확인합니다. 시뮬레이션 세부 정보 선택하여 페이지 관측.
이제 신호가 생성되고 있으므로 MQTT 주제를 읽고 페이로드를 Timestream 데이터베이스로 보내도록 IoT Core를 설정할 수 있습니다.
- IoT Core 콘솔에서 메시지 라우팅 탐색 창에서 규칙.
- 왼쪽 메뉴에서 규칙 만들기.
- 규칙 이름을 입력하고 선택 다음 보기.
- 다음 SQL 문을 입력하여 게시된 MQTT 주제에서 모든 값을 가져옵니다.
- 왼쪽 메뉴에서 다음 보기.
- 럭셔리 규칙 작업, Timestream 테이블을 검색합니다.
- 왼쪽 메뉴에서 Timestream 데이터베이스 생성.
Timestream 콘솔과 함께 새 탭이 열립니다.
- 선택 표준 데이터베이스.
- 데이터베이스 이름 지정
sampleDB
선택하고 데이터베이스 생성.
생성한 데이터베이스를 볼 수 있는 Timestream 콘솔로 리디렉션됩니다.
- IoT Core 탭으로 돌아가서 선택
sampleDB
for 데이터베이스 이름. - 왼쪽 메뉴에서 타임스트림 테이블 생성 센서 데이터 신호가 저장될 데이터베이스에 테이블을 추가합니다.
- 타임스트림 콘솔에서 표 만들기 탭에서
sampleDB
for 데이터베이스 이름, 입력signalTable
for 테이블 이름, 선택 표 만들기. - IoT 메시지 라우팅 규칙을 완료하려면 IoT Core 콘솔 탭으로 돌아갑니다.
- 엔터 버튼
Simulated_signal
for 차원 이름 및 1 for 치수 값다음을 선택 새로운 역할 만들기.
- 역할 이름 지정
TimestreamRole
선택하고 다음 보기. - 에 검토 및 생성 페이지에서 선택 만들기.
이제 MQTT 주제에 게시된 데이터를 Timestream 데이터베이스로 보내는 규칙 작업을 IoT Core에 추가했습니다.
분석을 위한 쿼리 타임스트림
분석을 위해 Timestream을 쿼리하려면 다음 단계를 완료하십시오.
- Timestream 콘솔로 이동하고 다음을 선택하여 데이터가 데이터베이스에 저장되고 있는지 확인합니다. 쿼리 편집기.
- 왼쪽 메뉴에서 테이블 선택을 선택한 다음 옵션 메뉴를 선택하고 데이터 미리보기.
- 왼쪽 메뉴에서 달리기 테이블을 쿼리합니다.
이제 데이터가 스트림에 저장되고 있으므로 Lambda 및 EventBridge를 사용하여 5분마다 테이블에서 데이터를 가져와 형식을 지정하고 추론 및 예측 결과를 위해 Lookout for Equipment로 보낼 수 있습니다.
- Lambda 콘솔에서 기능 만들기.
- 럭셔리 런타임선택한다. 파이썬 3.9.
- 럭셔리 레이어 소스, 고르다 ARN 지정.
- 지역에 대한 올바른 ARN을 입력하십시오. AWS 팬더 리소스.
- 왼쪽 메뉴에서 추가.
- 함수에 다음 코드를 입력하고 폴더가 있는 버킷의 S3 경로와 일치하도록 편집합니다.
/input
(아직 존재하지 않는 경우 이러한 데이터 스트림 파일에 대한 버킷 폴더 생성).
이 코드는 awswrangler
라이브러리를 사용하여 Lookout for Equipment에 필요한 필수 CSV 형식으로 데이터 형식을 쉽게 지정할 수 있습니다. Lambda 함수는 또한 필요에 따라 데이터 파일의 이름을 동적으로 지정합니다.
- 왼쪽 메뉴에서 배포.
- 에 구성 탭에서 일반 구성.
- 럭셔리 시간 초과선택한다. 5 분.
- . 기능 개요 섹션 선택 트리거 추가 EventBridge를 소스로 사용합니다.
- 선택 새 규칙 만들기.
- 규칙 이름 지정
eventbridge-cron-job-lambda-read-timestream
그리고 추가rate(5 minutes)
for 일정 표현. - 왼쪽 메뉴에서 추가.
- Lambda 실행 역할에 다음 정책을 추가합니다.
이상 징후 예측 및 사용자에게 알림
이상 예측 및 알림을 설정하려면 다음 단계를 완료하십시오.
- Lookout for Equipment 프로젝트 페이지로 돌아가서 다음을 선택합니다. 일정 추론.
- 일정의 이름을 지정하고 이전에 만든 모델을 지정합니다.
- 럭셔리 입력 데이터, S3 지정
/input
Lambda 함수 및 EventBridge 트리거를 사용하여 파일이 기록되는 위치. - 세트 데이터 업로드 빈도 에 5 분 떠난다. 오프셋 지연 시간 at 0 분.
- 다음을 사용하여 S3 경로를 설정합니다.
/output
폴더로 지정하고 다른 기본값은 그대로 둡니다. - 왼쪽 메뉴에서 일정 추론.
5분 후 S3 확인 /output
예측 파일이 생성되었는지 확인하는 경로입니다. 결과에 대한 자세한 내용은 다음을 참조하십시오. 추론 결과 검토.
마지막으로, 이상이 예측될 때 Amazon SNS를 사용하여 알림을 트리거하는 두 번째 Lambda 함수를 생성합니다.
- Amazon SNS 콘솔에서 주제 만들기.
- 럭셔리 성함, 입력
emailnoti
. - 왼쪽 메뉴에서 만들기.
- . 세부 정보 섹션 타입, 고르다 ㅁㄴㅇㄹ.
- 왼쪽 메뉴에서 주제 만들기.
- 에 구독 탭에서 다음을 사용하여 구독을 생성합니다. 이메일 유형 as 프로토콜 액세스할 수 있는 엔드포인트 이메일 주소.
- 왼쪽 메뉴에서 구독 만들기 이메일이 도착하면 구독을 확인합니다.
- 에 주제 탭에서 ARN을 복사합니다.
- 다음 코드를 사용하여 다른 Lambda 함수를 생성하고 ARN 주제를
MY_SYS_ARN
: - 왼쪽 메뉴에서 배포 기능을 배포합니다.
Lookout for Equipment가 이상을 감지하면 결과에서 예측 값이 1입니다. Lambda 코드는 JSONL 파일을 사용하고 구성된 주소로 이메일 알림을 보냅니다.
- $XNUMX Million 미만 구성선택한다. 권한 와 역할 이름.
- 왼쪽 메뉴에서 정책 첨부 그리고 추가
AmazonS3FullAccess
와AmazonSNSFullAccess
역할에. - 마지막으로 함수에 S3 트리거를 추가하고
/output
버킷.
몇 분 후 5분마다 이메일이 도착하는 것을 볼 수 있습니다.
추론 결과 시각화
Amazon S3가 예측 결과를 저장한 후 Athena 및 QuickSight와 함께 AWS Glue 데이터 카탈로그를 사용하여 보고 대시보드를 생성할 수 있습니다.
- AWS Glue 콘솔에서 겉옷 탐색 창에서
- 왼쪽 메뉴에서 크롤러 생성.
- 크롤러에 다음과 같은 이름을 지정합니다.
inference_crawler
. - 왼쪽 메뉴에서 데이터 소스 추가 로 S3 버킷 경로를 선택합니다.
results.jsonl
파일. - 선택 모든 하위 폴더 크롤링.
- 왼쪽 메뉴에서 S3 데이터 소스 추가.
- 왼쪽 메뉴에서 새 IAM 역할 생성.
- 데이터베이스를 생성하고 이름을 제공합니다(예:
anycompanyinferenceresult
). - 럭셔리 크롤러 일정선택한다. 주문형.
- 왼쪽 메뉴에서 다음 보기다음을 선택 크롤러 생성.
- 크롤러가 완료되면 다음을 선택합니다. 크롤러 실행.
- Athena 콘솔에서 쿼리 편집기를 엽니다.
- 왼쪽 메뉴에서 설정 편집 Amazon S3에서 쿼리 결과 위치를 설정합니다.
- 버킷을 생성하지 않은 경우 지금 Amazon S3 콘솔을 통해 생성하십시오.
- Athena 콘솔로 돌아가 버킷을 선택하고 다음을 선택합니다. 찜하기.
- 다시 편집자 쿼리 편집기에서 탭을 클릭하고 쿼리를 실행하여
select *
인사말/output
S3 폴더. - 예상대로 변칙 검색을 표시하는 결과를 검토합니다.
- 예측 결과를 시각화하려면 QuickSight 콘솔로 이동합니다.
- 왼쪽 메뉴에서 새로운 분석 와 새로운 데이터 세트.
- 럭셔리 데이터 세트 소스선택한다. 아테나.
- 럭셔리 데이터 소스 이름, 입력
MyDataset
. - 왼쪽 메뉴에서 데이터 소스 생성.
- 생성한 테이블을 선택한 다음 사용자 지정 SQL 사용.
- 다음 쿼리를 입력하십시오.
- 쿼리를 확인하고 선택 눈에 보이게하다.
- 왼쪽 메뉴에서 피벗 테이블.
- 지정 따라서 오른쪽 하단에 와 감지기 for 행.
- 지정 예측 와 점수값 for
마케팅은:.
- 왼쪽 메뉴에서 비주얼 추가 시각적 개체를 추가합니다.
- 왼쪽 메뉴에서 수직 막대 차트.
- 지정 시간 기록 for X 축, 점수값 for 가치관및 감지기 for 그룹 / 색상.
- 변화 점수값 에 합계:평균.
정리
리소스를 삭제하지 않으면 추가 요금이 발생할 수 있습니다. 리소스를 정리하려면 다음 단계를 완료하세요.
- QuickSight 콘솔에서 최근 탐색 창에서
- 이 게시물의 일부로 생성한 모든 리소스를 삭제합니다.
- 로 이동 데이터 세트 생성한 데이터 세트를 페이지로 이동하고 삭제합니다.
- Lookout for Equipment 콘솔에서 이 게시물에 사용된 프로젝트, 데이터 세트, 모델 및 추론 일정을 삭제합니다.
- Timestream 콘솔에서 데이터베이스 및 연결된 테이블을 삭제합니다.
- Lambda 콘솔에서 EventBridge 및 Amazon S3 트리거를 삭제합니다.
- S3 버킷, IoT Core 규칙, IoT 시뮬레이션 및 디바이스를 삭제합니다.
결론
이 게시물에서는 로우 코드 접근 방식으로 실시간 스트리밍 데이터를 사용하여 예측 유지 관리를 위한 기계 학습을 구현하는 방법을 배웠습니다. Timestream, Lookout for Equipment 및 Lambda와 같은 관리형 AWS 서비스를 사용하여 이 프로세스에서 도움이 될 수 있는 다양한 도구를 배웠으므로 운영 팀은 오버헤드에 대한 추가 워크로드 없이 가치를 확인할 수 있습니다. 아키텍처는 서버리스 기술을 사용하므로 필요에 따라 확장 및 축소할 수 있습니다.
더 많은 데이터 기반 학습 리소스를 보려면 AWS 블로그 홈페이지.
저자,
매트 리드 AWS의 자동차 및 제조 부문 선임 솔루션 아키텍트입니다. 그는 모든 사람의 삶을 개선하기 위해 멋진 기술로 고객이 문제를 해결하도록 돕는 데 열정적입니다. Matt는 산악 자전거, 스키, 친구, 가족, 개 및 고양이와 어울리는 것을 좋아합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/use-machine-learning-to-detect-anomalies-and-predict-downtime-with-amazon-timestream-and-amazon-lookout-for-equipment/
- 1
- 10
- 100
- 11
- 28
- 7
- 9
- a
- 소개
- ACCESS
- 데이터에 액세스
- 계정
- 정확히
- 가로질러
- 동작
- 추가
- 추가
- 또한
- 주소
- 양자
- All
- 이미
- 아마존
- 아마존 타임 스트림
- 분석
- 분석하다
- 와
- 이상 감지
- 다른
- 어플리케이션
- 접근
- 아키텍처
- 도착
- 조립
- 관련
- 속성
- 자동화
- 자동차
- AWS
- AWS 접착제
- 배경
- 바
- 때문에
- 전에
- 존재
- 혜택
- 더 나은
- 블로그
- 몸
- 바닥
- 예산
- 빌드
- 건물
- 라는
- 케이스
- 목록
- 치명적인
- 고양이
- 과제
- 요금
- 검사
- 왼쪽 메뉴에서
- 선택
- 클라이언트
- 암호
- 코딩
- 수집
- 완전한
- 자신
- 구성
- 확인하기
- 콘솔에서
- 이 포함되어 있습니다
- 함유량
- 문맥
- 기부금
- 변하게 하다
- 시원한
- 핵심
- 동
- 비용 효율적인
- 비용
- 수
- 러
- 만들
- 만든
- 신임장
- Cross
- 관습
- 고객
- 절단
- 데이터
- 데이터베이스
- 데이터 세트
- 날짜 시간
- 로사리오 염주
- 태만
- 기본값
- 지연
- 보여
- 배포
- 세부설명
- 탐지 된
- Detection System
- 개발자
- 장치
- 디바이스
- 다른
- 곧장
- 말라
- 아래 (down)
- 중단 시간
- 초기의
- 용이하게
- Edge
- 편집자
- 효과
- 효과
- 노력
- 이메일
- 이메일
- 강조하다
- 가능
- 종점
- 엔터 버튼
- 환경
- 환경
- 장비
- 에테르 (ETH)
- 평가
- 이벤트
- 이벤트
- 모두의
- 예
- 외
- 실행
- 기대하는
- 비싼
- 공장
- 고장
- 가족
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 재원
- Find
- 먼저,
- 바닥
- 수행원
- 형태
- 체재
- 친구
- 에
- 충분히
- 기능
- 기능
- 추가
- 이득
- 생성
- 얻을
- 주기
- 학년
- 그룹
- 다루는 법
- 도움
- 도움이
- 역사적인
- 홈
- 방법
- How To
- HTML
- HTTPS
- 확인
- 영향
- 구현
- 구현
- import
- 중요성
- 개선
- in
- 들어오는
- 산업
- 산업 4.0
- 정보
- 입력
- IOT
- IoT 장치
- 발행물
- 문제
- IT
- 어울리다
- JSON
- 유지
- 키
- 라벨
- 레이블
- 성
- 시작
- 시작
- 리드
- 배운
- 배우기
- 휴가
- 지도
- 레벨
- 도서관
- 생활
- 라인
- 작은
- 지방의
- 장소 상에서
- 위치
- 낮은
- 기계
- 기계 학습
- 기계
- 유지
- 확인
- 관리
- 구축
- 제조
- 경기
- 방법
- 소개
- 메뉴
- 메시지
- 메시지
- 분
- ML
- 모델
- 모델
- 배우기
- name
- 이름
- 이동
- 탐색
- 카테고리
- 필요
- 요구
- 신제품
- 새로운 기술
- 공고
- 알림
- 대상
- ONE
- 열 수
- 열립니다
- 운영
- 옵션
- 주문
- 조직
- OS
- 기타
- 소유자
- 팬더
- 빵
- 부품
- 열렬한
- 비밀번호
- 통로
- 사람들
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 정책
- 게시하다
- 힘
- Precision
- 예측
- 예측
- 예측
- 예측
- 선호하는
- 제시
- 이전에
- 문제
- 방법
- 생산
- 프로젝트
- 프로젝트
- 프로토 타입
- 제공
- 제공
- 게시
- 출판
- 빨리
- 율
- 도달
- 읽기
- 현실
- 실시간
- 받다
- 최근에
- 기록
- 감소
- 지방
- 신뢰할 수있는
- 남아
- 나머지
- 통계 보고서
- 필수
- 의지
- 자료
- 응답
- 응답
- REST
- 결과
- 결과
- return
- 리뷰
- 혁명
- 직위별
- 통치
- 달리기
- 찜하기
- 규모
- 예정
- 과학자
- 검색
- 둘째
- 섹션
- ~ 같았다
- 센서
- 서버리스
- 서비스
- 세트
- 설정
- 영상을
- 표시
- 표시
- 기호
- 신호
- 신호
- 안전표시
- 단순, 간단, 편리
- 시뮬레이션
- 시뮬레이터
- 크기
- 기술
- So
- 해결책
- 솔루션
- 풀다
- 출처
- 전문가
- 구체적인
- 속도
- 회전
- 스택
- 스타트
- 시작
- 성명서
- 단계
- 아직도
- 저장
- 저장
- 상점
- 전략
- 흐름
- 스트리밍
- 강한
- 제목
- 신청
- 이러한
- 체계
- 테이블
- 받아
- 소요
- 팀
- 테크니컬
- 기술
- Technology
- 이 템플릿
- test
- 지원
- XNUMXD덴탈의
- 프로젝트
- 소스
- 세
- 시간
- 따라서 오른쪽 하단에
- 에
- 검색을
- 화제
- 이상의 주제
- Train
- 훈련 된
- 트레이닝
- 트리거
- 방아쇠를 당긴
- ui
- 아래에
- 유일한
- 잠금을 해제
- URL
- 사용
- 사용자
- 세계 협정시
- 가치
- 마케팅은:
- 확인
- 버전
- 업종
- 를 통해
- 관측
- 경고
- 어느
- 의지
- 없이
- 쓴
- 너의
- 제퍼 넷