Wschodnia Australia jest jednym z najbardziej narażonych na pożary regionów na świecie. Chociaż pożary buszu są w Australii częstym zjawiskiem, kryzys związany z pożarami buszu w latach 2019–2020 spłonął ponad 17 milionów hektarów ziemi (większych niż powierzchnia Anglii), kosztując australijską gospodarkę ponad 100 miliardów dolarów, łącznie z kosztami majątkowymi, infrastrukturalnymi, społecznymi i środowiskowymi .
W obliczu coraz bardziej ekstremalnych zjawisk pogodowych ryzyko pożarów buszu w Australii szybko nie zniknie. Oznacza to, że odpowiedzialność australijskich operatorów sieci energetycznych za utrzymanie bezpiecznych i niezawodnych dostaw nigdy nie była większa.
Australijska sieć energetyczna obejmuje ponad 880,000 22 kilometrów linii dystrybucyjnych i przesyłowych (około 7 okrążeń Ziemi) oraz XNUMX milionów słupów energetycznych. Aby ograniczyć ryzyko pożarów buszu, należy uważnie zarządzać ekstremalnymi warunkami klimatycznymi i wzrostem roślinności w pobliżu linii energetycznych.
W tym poście omawiamy, w jaki sposób AusNet wykorzystuje uczenie maszynowe (ML) i Amazon Sage Maker aby pomóc w łagodzeniu pożarów buszu.
Innowacja AusNet z LiDAR
AusNet zarządza 54,000 1.5 km linii energetycznych i dostarcza energię do ponad 62 miliona wiktoriańskich domów i firm. XNUMX% tej sieci znajduje się na obszarach o wysokim ryzyku pożarów buszu. AusNet opracował innowacyjne rozwiązanie umożliwiające bezpieczną konserwację sieci energetycznej i minimalizację ryzyka uszkodzenia sieci przez roślinność.
Od 2009 roku AusNet przechwytuje wysokiej jakości dane LiDAR w sieci, korzystając zarówno z lotniczych, jak i drogowych systemów mapowania. LiDAR to metoda teledetekcji, która wykorzystuje światło w postaci impulsowego lasera do pomiaru odległości i kierunków. Wykryty punkt obiektu zawiera informacje o współrzędnych 3D (x, y, z), a także dodatkowe atrybuty, takie jak gęstość, liczba powrotów, liczba powrotów, znacznik czasu GPS i tak dalej. Punkty te są reprezentowane w postaci chmury punktów 3D, która stanowi zbiór wszystkich informacji o punktach. Po przetworzeniu LiDAR przekształca się w model 3D zasobów sieci AusNet, identyfikując porost roślinności, który należy przyciąć w celu zapewnienia bezpieczeństwa przed pożarami buszu.
Poprzedni proces klasyfikacji LiDAR wykorzystywał wnioskowanie oparte na regułach biznesowych i w dużym stopniu opierał się na dokładnych lokalizacjach zasobów systemu informacji geograficznej (GIS) w celu zapewnienia automatyzacji. Prawidłowe oznaczenie punktów LiDAR, w których lokalizacje zasobów były niedokładne lub po prostu nie istniały, wymagało ręcznej pracy przy użyciu niestandardowych narzędzi do etykietowania. Ręczna korekta i klasyfikacja punktów LiDAR wydłużyła czas przetwarzania i utrudniła skalowanie.
Uczenie maszynowe AusNet i Amazon
Zespół Geospatial AusNet nawiązał współpracę ze specjalistami Amazon ML, w tym z Amazon Machine Learning Solutions Lab i Professional Services, aby zbadać, w jaki sposób ML może zautomatyzować klasyfikację punktów LiDAR i przyspieszyć uciążliwy proces ręcznego poprawiania niedokładnych danych lokalizacyjnych GIS.
Roczny koszt dokładnej klasyfikacji bilionów przechwyconych punktów LiDAR reprezentujących różne konfiguracje sieci w Australii przekroczył 700,000 XNUMX dolarów rocznie i uniemożliwił AusNet rozszerzenie tego na większe obszary sieci.
AusNet i AWS połączyły siły, aby z niego skorzystać Amazon Sage Maker eksperymentować i budować modele głębokiego uczenia się, aby zautomatyzować punktową klasyfikację tego dużego zbioru danych LiDAR. Amazon SageMaker to w pełni zarządzana usługa, która pomaga badaczom danych i programistom szybko przygotowywać, kompilować, szkolić i wdrażać wysokiej jakości modele uczenia maszynowego. Zespołom AusNet i AWS udało się zbudować model segmentacji semantycznej, który dokładnie klasyfikował dane chmury punktów 3D na następujące kategorie: przewodnik, budynek, słup, roślinność i inne.
Wyniki AusNet i łagodzenia pożarów buszu
Współpraca pomiędzy AWS i AusNet okazała się ogromnym sukcesem, przynosząc następujące wyniki zarówno w zakresie biznesu, jak i zmniejszenia ryzyka pożarów buszu:
- Zwiększone bezpieczeństwo pracowników dzięki wykorzystaniu danych LiDAR i zmniejszeniu konieczności podróżowania inżynierów, geodetów i projektantów do miejsc pracy
- Uzyskano dokładność na poziomie 80.53% we wszystkich pięciu kategoriach segmentacji, co pozwoliło AusNet zaoszczędzić około 500,000 XNUMX AUD rocznie dzięki automatycznej klasyfikacji
- Zapewniono dokładność odpowiednio 91.66% i 92% w wykrywaniu przewodów i roślinności, poprawiając automatyczną klasyfikację dwóch najważniejszych klas segmentów
- Zapewniono elastyczność wykorzystania danych LiDAR uzyskanych z dronów, helikopterów, samolotów i pojazdów naziemnych, przy jednoczesnym uwzględnieniu unikalnej zmienności każdego źródła danych
- Umożliwiło firmie szybsze wprowadzanie innowacji i skalowanie analiz w całej sieci poprzez zmniejszenie zależności od danych referencyjnych GIS i procesów ręcznej korekty
- Zapewniono możliwość skalowania analiz w całej sieci energetycznej dzięki zwiększonej automatyzacji ML i zmniejszonej zależności od ręcznych procesów korekcji GIS
Poniższa tabela przedstawia wydajność modelu segmentacji semantycznej na niewidocznych danych (mierzonych przy użyciu wskaźników „precyzji” i „przypomnienia”, przy czym wyższa oznacza lepsza) w pięciu kategoriach.
Model ML sklasyfikował punkty z przechwytywania helikoptera:
Omówienie rozwiązania
Zespół ML Solutions Lab zatrudnił zespół bardzo doświadczonych naukowców i architektów zajmujących się ML, aby pomóc w wprowadzaniu innowacji i eksperymentowaniu. Dzięki najnowocześniejszemu doświadczeniu w zakresie uczenia maszynowego w różnych branżach zespół współpracował z zespołem geoprzestrzennym AusNet, aby rozwiązać niektóre z najtrudniejszych problemów technologicznych dla firmy. Bazując na głębokich możliwościach ML SageMaker, AusNet i AWS były w stanie ukończyć pilotaż w zaledwie 8 tygodni.
Wszechstronność i głębokość SageMaker odegrały kluczową rolę w umożliwieniu programistom i analitykom danych z AusNet i AWS współpracy nad projektem. Zespół wykorzystał do celów szkoleniowych funkcje udostępniania kodu i notatników oraz łatwo dostępne na żądanie zasoby obliczeniowe ML. Elastyczność SageMakera umożliwiła zespołowi szybkie iteracje. Zespół mógł także skorzystać z dostępności różnych konfiguracji sprzętowych, aby eksperymentować na platformie AWS bez konieczności inwestowania kapitału początkowego w zakup sprzętu lokalnego. Umożliwiło to firmie AusNet łatwy wybór zasobów ML odpowiedniej wielkości i skalowanie eksperymentów na żądanie. Elastyczność i dostępność zasobów GPU są krytyczne, szczególnie gdy zadanie ML wymaga najnowocześniejszych eksperymentów.
Wykorzystaliśmy instancje notatników SageMaker do eksploracji danych i opracowania kodu przetwarzania wstępnego, a także wykorzystaliśmy zadania przetwarzania i szkolenia SageMaker w przypadku obciążeń na dużą skalę. Zespół wykorzystał także optymalizację hiperparametrów (HPO), aby szybko wykonywać iteracje w wielu zadaniach szkoleniowych z różnymi konfiguracjami i wersjami zestawu danych, aby dostroić hiperparametry i znaleźć model o najlepszej wydajności. Na przykład utworzyliśmy różne wersje zbiorów danych, korzystając z metod próbkowania w dół i powiększania, aby przezwyciężyć problemy z brakiem równowagi danych. Równolegle uruchamianie wielu zadań szkoleniowych z różnymi zestawami danych pozwala szybko znaleźć odpowiedni zestaw danych. Dzięki dużym i niezrównoważonym zbiorom danych chmur punktów SageMaker zapewnił możliwość szybkiej iteracji przy użyciu wielu konfiguracji eksperymentów i transformacji danych.
Inżynierowie ML mogą przeprowadzić wstępną eksplorację danych i algorytmów przy użyciu tanich instancji notebooków, a następnie przenieść duże operacje na danych do instancji przetwarzających o większej mocy. Rozliczanie sekundowe i automatyczne zarządzanie cyklem życia sprawiają, że droższe instancje szkoleniowe są uruchamiane i zatrzymywane automatycznie i pozostają aktywne tylko tak długo, jak to konieczne, co zwiększa efektywność wykorzystania.
Zespołowi udało się wytrenować model z szybkością 10.8 minuty na epokę na 17.2 GiB nieskompresowanych danych w 1,571 plikach obejmujących łącznie około 616 milionów punktów. Podsumowując, zespół był w stanie przetworzyć 33.6 GiB nieskompresowanych danych w 15 plikach, co dało łącznie 1.2 miliarda punktów w 22.1 godziny. Przekłada się to na wnioskowanie średnio na poziomie 15,760 XNUMX punktów na sekundę, włączając zamortyzowany czas uruchamiania.
Rozwiązanie problemu segmentacji semantycznej
Model ML sklasyfikował punkty ze przechwycenia stałopłata:
Model ML sklasyfikował punkty z przechwytywania mobilnego:
Problem przypisania każdego punktu chmury punktów do kategorii ze zbioru kategorii nazywa się a segmentacja semantyczna problem. Chmury punktów 3D AusNet ze zbiorów danych LiDAR składają się z milionów punktów. Dokładne i wydajne etykietowanie każdego punktu w chmurze punktów 3D wiąże się z koniecznością sprostania dwóm wyzwaniom:
- Niezrównoważone dane – Brak równowagi klas jest częstym problemem w chmurach punktów w świecie rzeczywistym. Jak widać na poprzednich klipach, większość punktów składa się z roślinności, przy znacznie mniejszej liczbie punktów składających się z linii energetycznych lub przewodników, które stanowią mniej niż 1% całkowitej liczby punktów. Modele wyszkolone przy użyciu niezrównoważonego zbioru danych łatwo ulegają stronniczości w kierunku klas głównych i słabo sprawdzają się w przypadku klas podrzędnych. Ta nierównowaga klas jest częstym problemem w danych chmur punktów LiDAR dla środowisk zewnętrznych. W przypadku tego zadania kluczowa jest dobra wydajność w klasyfikacji punktów przewodzących. Największym wyzwaniem jest wytrenowanie modelu, który sprawdza się zarówno na klasie major, jak i minor.
- Chmura punktów w dużej skali – Ilość danych chmury punktów z czujnika LiDAR może obejmować duży otwarty obszar. W przypadku AusNet liczba punktów na chmurę punktów może wahać się od setek tysięcy do dziesiątek milionów, a każdy plik chmury punktów może mieć wielkość od setek megabajtów do gigabajtów. Większość algorytmów ML do segmentacji chmury punktów wymaga próbkowania, ponieważ operatorzy nie mogą przyjąć wszystkich punktów jako danych wejściowych. Niestety wiele metod próbkowania wymaga dużych nakładów obliczeniowych, co powoduje, że zarówno uczenie, jak i wnioskowanie jest powolne. W tej pracy musimy wybrać najbardziej wydajny algorytm ML, który działa na chmurach punktów o dużej skali.
Zespoły AWS i AusNet wymyśliły nowatorską strategię próbkowania w dół poprzez grupowanie punktów, aby rozwiązać problem mocno niezrównoważonych klas. Ta strategia zmniejszania próbkowania w połączeniu z istniejącymi rozwiązaniami zaradczymi, takimi jak ważenie klas, pomogła rozwiązać problemy związane z trenowaniem dokładnego modelu z niezrównoważonym zbiorem danych, a także poprawiła wydajność wnioskowania. Eksperymentowaliśmy także ze strategią upsamplingu, duplikując mniejsze klasy i umieszczając je w różnych lokalizacjach. Proces ten został zbudowany jako zadanie SageMaker Processing, dzięki czemu można go zastosować do nowo uzyskanego zbioru danych w celu dalszego szkolenia modeli w ramach potoku MLOps.
Zespoły zbadały różne modele segmentacji chmury punktów, biorąc pod uwagę dokładność, skalowalność pod względem liczby punktów i wydajność. W wyniku wielu eksperymentów wybraliśmy najnowocześniejszy algorytm ML do segmentacji semantycznej chmury punktów, który spełnił wymagania. Przyjęliśmy także metody augmentacji, aby model mógł uczyć się na podstawie różnych zbiorów danych.
Architektura produkcji
Aby wdrożyć rozwiązanie do segmentacji chmury punktów, zespół zaprojektował potok uczenia maszynowego przy użyciu oprogramowania SageMaker do uczenia i wnioskowania. Poniższy diagram ilustruje ogólną architekturę produkcji.
Potok szkoleniowy zawiera niestandardowy kontener przetwarzania w SageMaker Processing, który umożliwia konwersję formatu chmury punktów, ponowne mapowanie kategorii, próbkowanie w górę i w dół oraz dzielenie zestawu danych. Zadanie szkoleniowe wykorzystuje instancje z wieloma procesorami graficznymi w SageMaker i większą pojemność pamięci, aby wspierać szkolenie modelu z większym rozmiarem wsadu.
Proces klasyfikacji LiDAR w AusNet rozpoczyna się od pobrania do terabajtów danych w chmurze punktów z lądowych i powietrznych pojazdów obserwacyjnych do Usługa Amazon Simple Storage (Amazon S3). Dane są następnie przetwarzane i przekazywane do potoku wnioskowania w celu klasyfikacji chmury punktów. Aby to ułatwić, do uruchamiania wnioskowania wsadowego na zbiorze danych wykorzystywana jest transformacja SageMaker Transform, której wynikiem są sklasyfikowane pliki chmur punktów z oceną ufności. Dane wyjściowe są następnie przetwarzane przez silnik klasyfikacyjny AusNet, który analizuje poziom zaufania i generuje raport dotyczący zarządzania aktywami.
Jednym z kluczowych aspektów architektury jest to, że zapewnia AusNet skalowalne i modułowe podejście do eksperymentowania z nowymi zbiorami danych, technikami przetwarzania danych i modelami. Dzięki takiemu podejściu AusNet może dostosować swoje rozwiązanie do zmieniających się warunków środowiskowych i przyjąć przyszłe algorytmy segmentacji chmur punktów.
Podsumowanie i dalsze kroki z AusNet
W tym poście omówiliśmy, jak zespół Geospatial AusNet nawiązał współpracę z naukowcami z Amazon ML w celu zautomatyzowania klasyfikacji punktów LiDAR poprzez całkowite usunięcie zależności od danych lokalizacyjnych GIS z zadania klasyfikacji. W związku z tym eliminuje się opóźnienia powstałe w wyniku ręcznej korekty GIS, dzięki czemu zadanie klasyfikacji jest szybsze i skalowalne.
„Możliwość szybkiego i dokładnego oznaczania danych z badań lotniczych ma kluczowe znaczenie w minimalizowaniu ryzyka pożarów buszu. Współpracując z laboratorium Amazon Machine Learning Solutions Lab, udało nam się stworzyć model, który osiągnął średnią dokładność etykietowania danych na poziomie 80.53%. Oczekujemy, że dzięki nowemu rozwiązaniu będziemy w stanie ograniczyć wysiłki związane z ręcznym etykietowaniem nawet o 80%” – mówi Daniel Pendlebury, menedżer produktu w AusNet.
AusNet przewiduje, że modele klasyfikacji ML odegrają znaczącą rolę w zwiększaniu wydajności operacji sieciowych. Rozszerzając swoje biblioteki automatycznej klasyfikacji o nowe modele segmentacji, AusNet może wydajniej wykorzystywać ogromne zbiory danych, aby zapewnić bezpieczne i niezawodne dostawy energii dla społeczności w całej Wiktorii.
Podziękowanie
Autorzy chcieliby podziękować Sergiyowi Redko, Claire Burrows, Williamowi Manahanowi, Sahilowi Deshpande, Rossowi Kingowi i Damianowi Bisignano z AusNet za zaangażowanie w projekt i wniesienie swojej wiedzy specjalistycznej w zakresie zbiorów danych LiDAR i szkoleń ML przy użyciu różnych algorytmów ML.
Laboratorium rozwiązań Amazon ML
Laboratorium rozwiązań Amazon ML łączy Twój zespół z ekspertami ML, aby pomóc Ci zidentyfikować i wdrożyć najbardziej wartościowe możliwości ML Twojej organizacji. Jeśli potrzebujesz pomocy w przyspieszeniu korzystania z ML w swoich produktach i procesach, skontaktuj się z Laboratorium rozwiązań Amazon ML.
O autorach
Daniela Pendlebury'ego jest menedżerem produktu w AusNet Services specjalizującym się w dostarczaniu innowacyjnych, zautomatyzowanych produktów zapewniających zgodność z przepisami dla przedsiębiorstw użyteczności publicznej w obszarach zarządzania roślinnością i utrzymania majątku trwałego.
Nathanaela Weldona jest programistą oprogramowania geoprzestrzennego w Ausnet Services. Specjalizuje się w budowaniu i dostrajaniu wielkoskalowych systemów przetwarzania danych geoprzestrzennych, mając doświadczenie w sektorach użyteczności publicznej, zasobów i środowiska.
Dawid Motamed jest Account Managerem w Amazon Web Services. Mieszka w Melbourne w Australii i pomaga klientom korporacyjnym odnieść sukces na drodze do transformacji cyfrowej.
Szymon Johnston jest liderem AI i jest odpowiedzialny za działalność AI/ML w Amazon Web Services w Australii i Nowej Zelandii, specjalizując się w strategii i ekonomii AI. Ponad 20-letnie doświadczenie w badaniach, zarządzaniu i doradztwie (USA, UE, APAC) obejmujące szereg innowacyjnych, prowadzonych przez branżę przedsięwzięć w zakresie badań i komercjalizacji sztucznej inteligencji – angażujących start-upy / MŚP / duże korporacje i szerszy ekosystem.
Derricka Choo jest architektem rozwiązań w Amazon Web Services. Mieszka w Melbourne w Australii i blisko współpracuje z klientami korporacyjnymi, aby przyspieszyć ich podróż do chmury. Jego pasją jest pomaganie klientom w tworzeniu wartości poprzez innowacje i budowanie skalowalnych aplikacji, a szczególnie interesuje się sztuczną inteligencją i uczeniem maszynowym.
Muhyun Kim jest analitykiem danych w Amazon Machine Learning Solutions Lab. Rozwiązuje różne problemy biznesowe klientów, stosując uczenie maszynowe i głębokie uczenie, a także pomaga im zdobyć umiejętności.
Sujoy Roy jest naukowcem w laboratorium Amazon Machine Learning Solutions Lab z ponad 20-letnim doświadczeniem akademickim i branżowym w tworzeniu i wdrażaniu rozwiązań opartych na uczeniu maszynowym do rozwiązywania problemów biznesowych. Zastosował uczenie maszynowe do rozwiązywania problemów klientów w branżach takich jak telekomunikacja, media i rozrywka, AdTech, teledetekcja, handel detaliczny i produkcja.
Jiyang Kanga jest starszym architektem głębokiego uczenia się w Amazon ML Solutions Lab, gdzie pomaga klientom AWS z wielu branż we wdrażaniu sztucznej inteligencji i chmury. Przed dołączeniem do Amazon ML Solutions Lab pracował jako architekt rozwiązań dla jednego z najbardziej zaawansowanych klientów korporacyjnych AWS, projektując różne obciążenia chmurowe na skalę globalną w AWS. Wcześniej pracował jako programista i architekt systemów dla takich firm jak Samsung Electronics w branżach takich jak półprzewodniki, sieci i telekomunikacja.
Eden Duthie jest liderem zespołu Reinforcement Learning Professional Services w AWS. Eden pasjonuje się opracowywaniem rozwiązań decyzyjnych dla klientów. Szczególnie interesuje go pomoc klientom przemysłowym ze szczególnym naciskiem na optymalizację łańcucha dostaw.
- '
- 000
- 100
- 3d
- 7
- Konto
- Księgowość
- aktywny
- Dodatkowy
- Przyjęcie
- Korzyść
- AI
- algorytm
- Algorytmy
- Wszystkie kategorie
- Pozwalać
- Amazonka
- Uczenie maszynowe Amazon
- Amazon Sage Maker
- Amazon Web Services
- wśród
- analityka
- aplikacje
- architektura
- POWIERZCHNIA
- na około
- kapitał
- zarządzanie aktywami
- Aktywa
- Australia
- Autorzy
- zautomatyzowane
- Automatyzacja
- dostępność
- AWS
- BEST
- billing
- Miliard
- budować
- Budowanie
- biznes
- biznes
- Pojemność
- kapitał
- wyzwanie
- klasyfikacja
- Chmura
- adopcja chmury
- kod
- współpraca
- wspólny
- społeczności
- Firmy
- spełnienie
- obliczać
- dyrygent
- pewność siebie
- consulting
- Pojemnik
- Konwersja
- Koszty:
- kryzys
- Klientów
- dane
- analiza danych
- naukowiec danych
- Podejmowanie decyzji
- głęboka nauka
- opóźnienie
- Kreowanie
- Deweloper
- deweloperzy
- cyfrowy
- cyfrowy Transformacja
- jazdy
- Drony
- ekonomia
- gospodarka
- Ekosystem
- efektywność
- Elektronika
- energia
- Inżynierowie
- Anglia
- Enterprise
- klienci korporacyjni
- rozrywka
- środowiskowy
- EU
- wydarzenia
- Rozszerzać
- rozszerzenie
- doświadczenie
- eksperyment
- eksperci
- Korzyści
- Elastyczność
- Skupiać
- Nasz formularz
- format
- przyszłość
- Globalne
- dobry
- GPS
- GPU
- Wzrost
- sprzęt komputerowy
- śmigłowiec
- Śmigłowce
- Wysoki
- W jaki sposób
- HTTPS
- olbrzymi
- Setki
- zidentyfikować
- Włącznie z
- przemysłowy
- przemysłowa
- przemysł
- Informacja
- Infrastruktura
- Innowacja
- Innowacyjny
- odsetki
- badać
- problemy
- IT
- Praca
- Oferty pracy
- Klawisz
- król
- etykietowanie
- praca
- duży
- laser
- prowadzić
- UCZYĆ SIĘ
- nauka
- sprawa
- lekki
- lokalizacja
- długo
- uczenie maszynowe
- poważny
- Większość
- Dokonywanie
- i konserwacjami
- produkcja
- zmierzyć
- Media
- Melbourne
- Metryka
- milion
- małoletni
- ML
- Algorytmy ML
- MLOps
- Aplikacje mobilne
- model
- Modułowa
- sieć
- sieci
- Nowa Zelandia
- koncepcja
- operacje
- Szanse
- Pozostałe
- Na wolnym powietrzu
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- pilot
- Planes
- power
- Produkt
- Produkcja
- Produkty
- projekt
- własność
- zasięg
- zmniejszyć
- uczenie się wzmacniania
- poleganie
- raport
- wymagania
- Badania naukowe
- Zasoby
- detaliczny
- powraca
- Ryzyko
- Rolka
- run
- bieganie
- "bezpiecznym"
- Bezpieczeństwo
- sagemaker
- Samsung
- oszczędność
- Skalowalność
- Skala
- Naukowcy
- Sektory
- Półprzewodniki
- Usługi
- zestaw
- Prosty
- Rozmiar
- MŚP
- So
- Obserwuj Nas
- Tworzenie
- Rozwiązania
- ROZWIĄZANIA
- specjalizuje się
- rozpoczęty
- startup
- przechowywanie
- Strategia
- sukces
- Dostawa
- łańcuch dostaw
- wsparcie
- inwigilacja
- Badanie
- system
- systemy
- Techniki
- Technologia
- Telco
- telekomunikacja
- świat
- czas
- Trening
- Transformacja
- podróżować
- biliony
- us
- Użytkowe
- wartość
- Pojazdy
- Ventures
- sieć
- usługi internetowe
- Skrzydło
- w ciągu
- Praca
- bezpieczeństwo pracownika
- workflow
- działa
- świat
- X
- rok
- lat