Ten post jest współautorem Hernana Figueroa, starszego kierownika Data Science w Marubeni Power International.
Marubeni Power International Inc (MPII) posiada i inwestuje w platformy biznesowe w obu Amerykach. Ważnym pionem dla MPII jest zarządzanie aktywami w zakresie energii odnawialnej i magazynowania energii, które mają kluczowe znaczenie dla zmniejszenia intensywności emisji dwutlenku węgla w naszej infrastrukturze energetycznej. Praca z zasobami energii odnawialnej wymaga predykcyjnych i responsywnych rozwiązań cyfrowych, ponieważ wytwarzanie energii odnawialnej i warunki na rynku energii elektrycznej stale się zmieniają. MPII korzysta z mechanizmu optymalizacji stawek opartego na uczeniu maszynowym (ML), aby informować procesy decyzyjne w zakresie zarządzania i handlu zasobami energetycznymi. To rozwiązanie pomaga analitykom rynkowym projektować i realizować oparte na danych strategie przetargowe zoptymalizowane pod kątem rentowności aktywów energetycznych.
W tym poście dowiesz się, w jaki sposób Marubeni optymalizuje decyzje rynkowe, korzystając z szerokiego zestawu usług analitycznych AWS i ML, aby zbudować solidne i opłacalne rozwiązanie Power Bid Optimization.
Omówienie rozwiązania
Rynki energii elektrycznej umożliwiają handel mocą i energią w celu zbilansowania podaży i zapotrzebowania na moc w sieci elektroenergetycznej oraz zaspokojenia różnych potrzeb w zakresie niezawodności sieci elektroenergetycznej. Uczestnicy rynku, tacy jak operatorzy aktywów MPII, stale składają oferty na moc i ilości energii na tych rynkach energii elektrycznej, aby uzyskać zyski ze swoich aktywów energetycznych. Uczestnik rynku może jednocześnie składać oferty na różne rynki, aby zwiększyć rentowność aktywów, ale musi wziąć pod uwagę ograniczenia mocy aktywów i szybkości reakcji, a także inne ograniczenia operacyjne aktywów i interoperacyjność tych rynków.
Rozwiązanie silnika optymalizacji stawek MPII wykorzystuje modele ML do generowania optymalnych stawek za udział w różnych rynkach. Najczęściej spotykanymi ofertami są oferty energii dnia następnego, które należy składać na 1 dzień przed właściwym dniem sesyjnym oraz oferty energii czasu rzeczywistego, które należy składać 75 minut przed godziną handlową. Rozwiązanie koordynuje dynamiczne licytowanie i działanie zasobu energetycznego i wymaga użycia funkcji optymalizacji i predykcyjnych dostępnych w jego modelach ML.
Rozwiązanie Power Bid Optimization obejmuje wiele komponentów, które odgrywają określone role. Przyjrzyjmy się zaangażowanym komponentom i ich odpowiednim funkcjom biznesowym.
Gromadzenie i pozyskiwanie danych
Warstwa zbierania i pozyskiwania danych łączy się ze wszystkimi nadrzędnymi źródłami danych i ładuje dane do jeziora danych. Licytacja na rynku energii elektrycznej wymaga co najmniej czterech rodzajów danych wejściowych:
- Prognozy zapotrzebowania na energię elektryczną
- Prognozy pogody
- Historia cen rynkowych
- Prognozy cen energii
Dostęp do tych źródeł danych jest możliwy wyłącznie za pośrednictwem interfejsów API. W związku z tym składniki pozyskiwania muszą mieć możliwość zarządzania uwierzytelnianiem, pozyskiwaniem danych w trybie ściągania, wstępnym przetwarzaniem danych i przechowywaniem danych. Ponieważ dane są pobierane co godzinę, wymagany jest również mechanizm do organizowania i planowania zadań pozyskiwania.
Przygotowywanie danych
Podobnie jak w przypadku większości przypadków użycia uczenia maszynowego, przygotowanie danych odgrywa kluczową rolę. Dane pochodzą z różnych źródeł w wielu formatach. Zanim będzie gotowy do wykorzystania w szkoleniu modelu ML, musi przejść przez niektóre z następujących kroków:
- Konsoliduj godzinowe zestawy danych na podstawie czasu przybycia. Kompletny zbiór danych musi zawierać wszystkie źródła.
- Popraw jakość danych za pomocą technik takich jak standaryzacja, normalizacja lub interpolacja.
Pod koniec tego procesu wyselekcjonowane dane są umieszczane i udostępniane do dalszego wykorzystania.
Modeluj szkolenie i wdrażanie
Następny krok polega na szkoleniu i wdrożeniu modelu zdolnego do przewidywania optymalnych ofert rynkowych na zakup i sprzedaż energii. Aby zminimalizować ryzyko gorszych wyników, Marubeni zastosował technikę modelowania zespołowego. Modelowanie zespołowe polega na łączeniu wielu modeli ML w celu zwiększenia wydajności przewidywania. Marubeni łączy wyniki zewnętrznych i wewnętrznych modeli prognostycznych ze średnią ważoną, aby wykorzystać siłę wszystkich modeli. Wewnętrzne modele Marubeni są oparte na architekturach Long Short-Term Memory (LSTM), które są dobrze udokumentowane i łatwe do wdrożenia i dostosowania w TensorFlow. Amazon Sage Maker obsługuje wdrożenia TensorFlow i wiele innych środowisk ML. Model zewnętrzny jest zastrzeżony, a jego opis nie może być zawarty w tym poście.
W przypadku użycia Marubeni modele licytacji przeprowadzają optymalizację numeryczną w celu maksymalizacji przychodów przy użyciu zmodyfikowanej wersji funkcji celu użytych w publikacji Możliwości magazynowania energii w CAISO.
SageMaker umożliwia Marubeni uruchamianie algorytmów ML i optymalizacji numerycznej w jednym środowisku. Jest to krytyczne, ponieważ podczas uczenia modelu wewnętrznego dane wyjściowe optymalizacji numerycznej są wykorzystywane jako część funkcji przewidywania strat. Aby uzyskać więcej informacji na temat sposobów rozwiązywania przypadków użycia optymalizacji numerycznej, zobacz Rozwiązywanie numerycznych problemów optymalizacji, takich jak planowanie, routing i alokacja za pomocą przetwarzania Amazon SageMaker.
Następnie wdrażamy te modele za pomocą punktów końcowych wnioskowania. Ponieważ świeże dane są okresowo pozyskiwane, modele muszą zostać ponownie przeszkolone, ponieważ z czasem stają się nieaktualne. Sekcja architektury w dalszej części tego wpisu zawiera więcej szczegółów na temat cyklu życia modeli.
Generowanie danych o przewadze
Rozwiązanie co godzinę przewiduje optymalne ilości i ceny, po jakich energia powinna być oferowana na rynku – tzw oferty. Ilości mierzone są w MW, a ceny w $/MW. Oferty są generowane dla wielu kombinacji przewidywanych i postrzeganych warunków rynkowych. Poniższa tabela przedstawia przykład finału krzywa stawek produkcja dla godziny pracy 17 w ilustracyjnym węźle handlowym w pobliżu biura Marubeni w Los Angeles.
Data | godzina | rynek | Lokalizacja | MW | Cena |
11/7/2022 | 17 | Energia RT | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | Energia RT | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | Energia RT | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | Energia RT | LCIENEGA_6_N001 | 8 | $230.15 |
Ten przykład przedstawia naszą gotowość do złożenia oferty na 1.65 MW mocy, jeśli cena energii wynosi co najmniej 80.79 USD, 5.15 MW, jeśli cena energii wynosi co najmniej 105.34 USD, i 8 MW, jeśli cena energii wynosi co najmniej 230.15 USD.
Niezależni operatorzy systemów (ISO) nadzorują rynki energii elektrycznej w USA i są odpowiedzialni za przyznawanie i odrzucanie ofert w celu utrzymania niezawodności sieci elektrycznej w najbardziej ekonomiczny sposób. California Independent System Operator (CAISO) zarządza rynkami energii elektrycznej w Kalifornii i publikuje wyniki rynkowe co godzinę przed następnym okresem składania ofert. Poprzez porównanie aktualnych warunków rynkowych z ich odpowiednikami na krzywej, analitycy są w stanie wywnioskować optymalne przychody. Rozwiązanie Power Bid Optimization aktualizuje przyszłe oferty, korzystając z nowych przychodzących informacji rynkowych i wyników predykcyjnych nowego modelu
Omówienie architektury AWS
Architektura rozwiązania przedstawiona na poniższym rysunku implementuje wszystkie przedstawione wcześniej warstwy. W ramach rozwiązania wykorzystuje następujące usługi AWS:
- Usługa Amazon Simple Storage (Amazon S3) do przechowywania następujących danych:
- Dane dotyczące cen, pogody i prognozy obciążenia z różnych źródeł.
- Skonsolidowane i rozszerzone dane gotowe do wykorzystania w szkoleniu modeli.
- Wyjściowe krzywe stawek są odświeżane co godzinę.
- Amazon Sage Maker trenować, testować i wdrażać modele w celu obsługi zoptymalizowanych stawek za pośrednictwem punktów końcowych wnioskowania.
- Funkcje kroków AWS aranżować zarówno potoki danych, jak i ML. Korzystamy z dwóch maszyn stanowych:
- Jedna maszyna stanowa do organizowania gromadzenia danych i zapewniania, że wszystkie źródła zostały przetworzone.
- Jedna maszyna stanowa do koordynowania potoku uczenia maszynowego oraz zoptymalizowanego przepływu pracy generowania stawek.
- AWS Lambda aby zaimplementować funkcje pozyskiwania, przetwarzania wstępnego i przetwarzania końcowego:
- Trzy funkcje do pozyskiwania źródeł danych wejściowych, z jedną funkcją na źródło.
- Jedna funkcja do konsolidacji i przygotowania danych do trenowania.
- Jedna funkcja, która generuje prognozę ceny, wywołując punkt końcowy modelu wdrożony w SageMaker.
- Amazonka Atena zapewnienie programistom i analitykom biznesowym dostępu SQL do wygenerowanych danych w celu analizy i rozwiązywania problemów.
- Most zdarzeń Amazona aby wyzwolić pozyskiwanie danych i potok ML zgodnie z harmonogramem i w odpowiedzi na zdarzenia.
W poniższych sekcjach omówimy bardziej szczegółowo przepływ pracy.
Gromadzenie i przygotowywanie danych
Co godzinę wywoływana jest maszyna stanu Step Functions przygotowania danych. Wywołuje równolegle każdą z funkcji Lambda pozyskiwania danych i czeka na zakończenie wszystkich czterech. Funkcje gromadzenia danych wywołują odpowiedni źródłowy interfejs API i pobierają dane z ostatniej godziny. Następnie każda funkcja przechowuje odebrane dane w odpowiednim zasobniku S3.
Funkcje te mają wspólną linię bazową implementacji, która zapewnia bloki konstrukcyjne do standardowych manipulacji danymi, takich jak normalizacja lub indeksacja. Aby to osiągnąć, używamy warstw Lambda i Kielich AWS, jak opisano w Używanie AWS Lambda Layers z AWS Chalice. Dzięki temu wszyscy programiści używają tych samych bibliotek podstawowych do tworzenia nowych logik przygotowywania danych i przyspiesza to wdrażanie.
Po pobraniu i zapisaniu wszystkich czterech źródeł maszyna stanów uruchamia funkcję lambda przygotowania danych. Dane dotyczące ceny energii, pogody i prognozy obciążenia są odbierane w plikach JSON i rozdzielanych znakami. Każda część rekordu każdego pliku zawiera sygnaturę czasową, która służy do konsolidacji strumieni danych w jeden zestaw danych obejmujący przedział czasowy wynoszący 1 godzinę.
Ta konstrukcja zapewnia w pełni sterowany zdarzeniami przepływ pracy. Przygotowanie danych szkoleniowych jest inicjowane, gdy tylko wszystkie oczekiwane dane zostaną przetworzone.
Rurociąg ML
Po przygotowaniu danych nowe zestawy danych są przechowywane w Amazon S3. Reguła EventBridge wyzwala potok ML za pośrednictwem maszyny stanów Step Functions. Maszyna stanów steruje dwoma procesami:
- Sprawdź, czy model generowania krzywej stawek jest aktualny
- Automatycznie uruchamiaj ponowne szkolenie modelu, gdy spada wydajność lub gdy modele są starsze niż określona liczba dni
Jeśli wiek obecnie wdrożonego modelu jest starszy niż najnowszy zestaw danych o określony próg — powiedzmy 7 dni — maszyna stanu Step Functions uruchamia potok SageMaker, który trenuje, testuje i wdraża nowy punkt końcowy wnioskowania. Jeśli modele są nadal aktualne, przepływ pracy pomija potok ML i przechodzi do kroku generowania stawek. Niezależnie od stanu modelu, po dostarczeniu nowego godzinowego zestawu danych generowana jest nowa krzywa stawek. Poniższy diagram ilustruje ten przepływ pracy. Domyślnie StartPipelineExecution
akcja jest asynchroniczna. Możemy sprawić, by maszyna stanu czekała na koniec potoku przed wywołaniem kroku generowania ofert, używając „Oczekiwanie na oddzwonienie' opcja.
Aby zredukować koszty i skrócić czas wprowadzania na rynek rozwiązania pilotażowego, firma Marubeni wykorzystała to rozwiązanie Wnioskowanie bezserwerowe Amazon SageMaker. Gwarantuje to, że podstawowa infrastruktura używana do szkolenia i wdrażania podlega opłacie tylko wtedy, gdy jest to konieczne. Ułatwia to również proces budowy potoku, ponieważ programiści nie muszą już zarządzać infrastrukturą. Jest to świetna opcja w przypadku obciążeń, które mają okresy bezczynności między skokami ruchu. Gdy rozwiązanie dojrzeje i przejdzie do produkcji, Marubeni dokona przeglądu ich projektu i przyjmie konfigurację bardziej dostosowaną do przewidywalnego i stabilnego użytkowania.
Generowanie ofert i kwerenda danych
Funkcja Lambda do generowania ofert okresowo wywołuje punkt końcowy wnioskowania w celu generowania prognoz godzinowych i zapisuje dane wyjściowe w Amazon S3.
Deweloperzy i analitycy biznesowi mogą następnie eksplorować dane za pomocą Athena i Microsoft Power BI do wizualizacji. Dane mogą być również udostępniane przez API dalszym aplikacjom biznesowym. W fazie pilotażowej operatorzy wizualnie konsultują krzywą ofertową, aby wspierać swoje transakcje dotyczące energii na rynkach. Marubeni rozważa jednak zautomatyzowanie tego procesu w przyszłości, a to rozwiązanie zapewnia niezbędne do tego podstawy.
Wnioski
To rozwiązanie umożliwiło firmie Marubeni pełną automatyzację potoków przetwarzania i pozyskiwania danych, a także skrócenie czasu wdrażania modeli predykcyjnych i optymalizacyjnych z godzin do minut. Krzywe stawek są teraz generowane automatycznie i aktualizowane wraz ze zmianami warunków rynkowych. Osiągnęli również 80% redukcję kosztów po przejściu z punktu końcowego wnioskowania z obsługą administracyjną na punkt końcowy bezserwerowy.
Rozwiązanie prognostyczne MPII jest jedną z ostatnich inicjatyw transformacji cyfrowej, które Marubeni Corporation wprowadza w sektorze energetycznym. MPII planuje zbudować dodatkowe rozwiązania cyfrowe wspierające nowe platformy biznesowe. MPII może polegać na usługach AWS, aby wspierać swoją strategię transformacji cyfrowej w wielu przypadkach użycia.
"Możemy skupić się na zarządzaniu łańcuchem wartości dla nowych platform biznesowych, wiedząc, że AWS zarządza podstawową infrastrukturą cyfrową naszych rozwiązań."
– Hernan Figueroa, starszy kierownik Data Science w Marubeni Power International.
Aby uzyskać więcej informacji o tym, jak AWS pomaga organizacjom energetycznym w ich inicjatywach związanych z transformacją cyfrową i zrównoważonym rozwojem, zobacz AWS Energia.
Marubeni Power International jest spółką zależną Marubeni Corporation. Marubeni Corporation jest głównym japońskim konglomeratem handlowym i inwestycyjnym. Misją Marubeni Power International jest rozwój nowych platform biznesowych, ocena nowych trendów i technologii energetycznych oraz zarządzanie portfelem energii Marubeni w obu Amerykach. Jeśli chcesz dowiedzieć się więcej o Marubeni Power, sprawdź https://www.marubeni-power.com/.
O autorach
Hernana Figueroa kieruje inicjatywami transformacji cyfrowej w Marubeni Power International. Jego zespół stosuje analitykę danych i technologie cyfrowe, aby wspierać strategie rozwoju Marubeni Power. Przed dołączeniem do Marubeni Hernan był Data Scientist na Columbia University. Posiada stopień doktora. w elektrotechnice i licencjat z inżynierii komputerowej.
Lino Brescii jest dyrektorem ds. klientów z siedzibą w Nowym Jorku. Ma ponad 25-letnie doświadczenie technologiczne i dołączył do AWS w 2018 roku. Zarządza globalnymi klientami korporacyjnymi, którzy przekształcają swoją działalność za pomocą usług chmurowych AWS i przeprowadzają migracje na dużą skalę.
Narcyz Zekpa jest starszym architektem rozwiązań z siedzibą w Bostonie. Pomaga klientom w północno-wschodnich Stanach Zjednoczonych przyspieszyć transformację biznesową dzięki innowacyjnym i skalowalnym rozwiązaniom w chmurze AWS. Kiedy Narcisse nie buduje, lubi spędzać czas z rodziną, podróżować, gotować, grać w koszykówkę i biegać.
Pedrama Jahangiriego jest architektem rozwiązań dla przedsiębiorstw w AWS i ma doktorat z inżynierii elektrycznej. Posiada ponad 10-letnie doświadczenie w branży energetycznej i IT. Pedram ma wieloletnie praktyczne doświadczenie we wszystkich aspektach zaawansowanej analityki do tworzenia ilościowych i wielkoskalowych rozwiązań dla przedsiębiorstw z wykorzystaniem technologii chmurowych.
Sarah Childers jest Account Managerem z siedzibą w Waszyngtonie. Jest byłą nauczycielką nauk ścisłych, która została entuzjastką chmury i koncentruje się na wspieraniu klientów w ich podróży do chmury. Sarah lubi pracować ze zmotywowanym zespołem, który wspiera różnorodne pomysły, aby jak najlepiej wyposażyć klientów w najbardziej innowacyjne i kompleksowe rozwiązania.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :Jest
- $W GÓRĘ
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Zdolny
- O nas
- przyśpieszyć
- dostęp
- dostęp
- Konto
- Osiągać
- w poprzek
- Działania
- zajęcia
- Dodatkowy
- adres
- przyjąć
- awansować
- zaawansowany
- Korzyść
- Algorytmy
- Wszystkie kategorie
- przydział
- wzdłuż
- Amazonka
- Amazon Sage Maker
- Americas
- ilość
- analiza
- analitycy
- analityka
- i
- Angeles
- api
- Pszczoła
- aplikacje
- architektura
- SĄ
- przylot
- AS
- aspekty
- kapitał
- zarządzanie aktywami
- Aktywa
- At
- zwiększona
- Uwierzytelnianie
- zautomatyzować
- automatycznie
- automatyzacja
- dostępny
- średni
- AWS
- AWS Lambda
- Uczenie maszynowe AWS
- Bilans
- baza
- na podstawie
- Baseline
- podstawa
- Koszykówka
- BE
- bo
- stają się
- zanim
- jest
- BEST
- pomiędzy
- stawka
- Bloki
- boston
- szeroki
- budować
- Budowanie
- biznes
- Aplikacje biznesowe
- Transformacja biznesowa
- Zakup
- by
- California
- wezwanie
- nazywa
- powołanie
- Połączenia
- CAN
- nie może
- możliwości
- zdolny
- węgiel
- walizka
- Etui
- pewien
- łańcuch
- zmiana
- wymiana pieniędzy
- charakter
- Opłaty
- ZOBACZ
- Chmura
- usługi w chmurze
- kolekcja
- Columbia
- kombinacje
- łączenie
- wspólny
- kompletny
- składniki
- wszechstronny
- komputer
- Inżynieria komputerowa
- Warunki
- systemu
- konglomerat
- łączy
- Rozważać
- wobec
- konsolidować
- stale
- Ograniczenia
- skonstruować
- spożywane
- konsumpcja
- bez przerwy
- gotowanie
- KORPORACJA
- Koszty:
- redukcja kosztów
- opłacalne
- pokrywa
- pokrycie
- krytyczny
- odsyłacze
- kurator
- Aktualny
- Obecnie
- krzywa
- Klientów
- dostosować
- dane
- Jezioro danych
- Przygotowywanie danych
- analiza danych
- nauka danych
- naukowiec danych
- przechowywanie danych
- sterowane danymi
- zbiory danych
- Data
- dzień
- dc
- Podejmowanie decyzji
- Decyzje
- Domyślnie
- dostawa
- Kreowanie
- rozwijać
- wdrażane
- wdrażanie
- Wdrożenie
- wdrożenia
- wdraża się
- opisane
- opis
- Wnętrze
- detal
- detale
- rozwijać
- deweloperzy
- różne
- cyfrowy
- cyfrowy Transformacja
- dyskutować
- różny
- urozmaicony
- podczas
- dynamiczny
- każdy
- Wcześniej
- łatwiej
- łatwo
- elektryczny
- Inżynieria elektryczna
- elektryczność
- umożliwiać
- włączony
- Umożliwia
- zachęca
- Punkt końcowy
- energia
- silnik
- Inżynieria
- zapewnić
- zapewnia
- Enterprise
- klienci korporacyjni
- przedsiębiorstwa
- entuzjasta
- Środowisko
- środowiska
- Równoważny
- Eter (ETH)
- wydarzenia
- Każdy
- przykład
- wyłącznie
- wykonawczy
- spodziewany
- doświadczenie
- odkryj
- zewnętrzny
- członków Twojej rodziny
- Pobrano
- Postać
- filet
- Akta
- finał
- Skupiać
- koncentruje
- następujący
- W razie zamówieenia projektu
- Prognoza
- Dawny
- Fundamenty
- FRAME
- świeży
- od
- w pełni
- funkcjonować
- Funkcjonalność
- Funkcje
- dalej
- przyszłość
- Generować
- wygenerowane
- generuje
- generacja
- Globalne
- Go
- wspaniały
- Krata
- Wzrost
- hands-on
- Have
- pomoc
- pomaga
- posiada
- GODZINY
- W jaki sposób
- How To
- Jednak
- HTML
- HTTPS
- pomysły
- Idle
- wdrożenia
- realizacja
- narzędzia
- ważny
- in
- zawierać
- włączony
- obejmuje
- Przybywający
- Zwiększać
- niezależny
- przemysł
- Informacja
- Infrastruktura
- inicjatywy
- Innowacyjny
- wkład
- wewnętrzny
- na świecie
- Interoperacyjność
- inwestycja
- Inwestuje
- inwokuje
- zaangażowany
- IT
- Branża IT
- JEGO
- Japonki
- Oferty pracy
- Dołączył
- łączący
- podróż
- jpg
- json
- Kicks
- Wiedzieć
- Wiedząc
- jezioro
- na dużą skalę
- firmy
- wodowanie
- warstwa
- nioski
- Wyprowadzenia
- UCZYĆ SIĘ
- nauka
- lewarowanie
- biblioteki
- wifecycwe
- lubić
- Limity
- załadować
- masa
- długo
- dłużej
- im
- Los Angeles
- od
- maszyna
- uczenie maszynowe
- maszyny
- zrobiony
- utrzymać
- poważny
- WYKONUJE
- zarządzanie
- i konserwacjami
- kierownik
- zarządza
- zarządzający
- Manipulacja
- wiele
- rynek
- warunki rynkowe
- rynki
- dojrzewa
- Maksymalizuj
- mechanizm
- Pamięć
- Microsoft
- zminimalizować
- minuty
- Misja
- ML
- Moda
- model
- modelowanie
- modele
- zmodyfikowano
- jeszcze
- większość
- zmotywowani
- porusza się
- wielokrotność
- Blisko
- niezbędny
- Potrzebować
- potrzebne
- wymagania
- Nowości
- Następny
- węzeł
- numer
- NYC
- cel
- uzyskać
- of
- oferowany
- Biurowe
- on
- ONE
- działa
- operacyjny
- działanie
- operacyjny
- operator
- operatorzy
- Optymalny
- optymalizacja
- zoptymalizowane
- optymalizacji
- Option
- organizacji
- Inne
- wydajność
- posiada
- Parallel
- część
- Uczestnicy
- udział
- Przeszłość
- spostrzegany
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- okresy
- faza
- pilot
- rurociąg
- plany
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- Grać
- gra
- teczka
- Post
- power
- Power BI
- Zasilacz laboratoryjny
- Możliwy do przewidzenia
- Przewiduje
- przewidywanie
- przepowiednia
- Przewidywania
- Prognozy
- Przygotować
- przedstawione
- Cena
- prognoza cen
- Cennik
- Główny
- Wcześniejszy
- problemy
- wygląda tak
- procesów
- przetwarzanie
- Produkcja
- rentowność
- zyski
- własność
- zapewniać
- zapewnia
- Publikacja
- Publikuje
- jakość
- ilościowy
- gotowy
- w czasie rzeczywistym
- realizowany
- Odebrane
- niedawny
- rekord
- zmniejszyć
- Bez względu
- niezawodność
- polegać
- Odnawialne
- odnawialne źródła energii
- reprezentuje
- wymagany
- Wymaga
- osób
- odpowiedź
- odpowiedzialny
- czuły
- Efekt
- przekwalifikowanie
- dochód
- przeglądu
- Ryzyko
- krzepki
- Rola
- role
- Zasada
- run
- bieganie
- s
- sagemaker
- taki sam
- skalowalny
- rozkład
- nauka
- Naukowiec
- Sekcja
- działy
- sektor
- Sprzedawanie
- służyć
- Bezserwerowe
- Usługi
- zestaw
- Share
- krótkoterminowy
- powinien
- Targi
- Prosty
- jednocześnie
- pojedynczy
- So
- rozwiązanie
- Rozwiązania
- kilka
- Wkrótce
- Źródło
- Źródła
- Sourcing
- specyficzny
- prędkości
- Spędzanie
- SQL
- standard
- Stan
- stały
- Ewolucja krok po kroku
- Cel
- Nadal
- przechowywanie
- sklep
- przechowywany
- sklep
- strategie
- Strategia
- jest determinacja.
- Zatwierdź
- składane
- subsydiarny
- taki
- Dostawa
- Podaż i popyt
- wsparcie
- Wspierający
- podpory
- Zrównoważony rozwój
- system
- stół
- Brać
- zespół
- Techniki
- Technologies
- Technologia
- tensorflow
- test
- Testy
- że
- Połączenia
- Przyszłość
- Państwo
- ich
- w związku z tym
- Te
- Przez
- czas
- znak czasu
- do
- Handel
- ruch drogowy
- Pociąg
- Trening
- pociągi
- transakcja
- Przekształcać
- Transformacja
- Strategia transformacji
- przejścia
- Podróżowanie
- Trendy
- wyzwalać
- Obrócony
- typy
- nas
- zasadniczy
- uniwersytet
- Nowości
- Dane upstream
- us
- Stosowanie
- posługiwać się
- przypadek użycia
- wartość
- różnorodny
- wersja
- przez
- wyobrażanie sobie
- czekać
- Waszyngton
- Waszyngton
- Droga..
- Pogoda
- DOBRZE
- który
- będzie
- Gotowość
- w
- w ciągu
- workflow
- pracujący
- by
- lat
- zefirnet