Ta objava je napisana v soavtorstvu s Hernanom Figueroo, višjim vodjem podatkovne znanosti pri Marubeni Power International.
Marubeni Power International Inc (MPII) ima v lasti in vlaga v energetske poslovne platforme v Ameriki. Pomembna vertikala za MPII je upravljanje sredstev za obnovljivo energijo in sredstva za shranjevanje energije, ki so ključnega pomena za zmanjšanje ogljične intenzivnosti naše energetske infrastrukture. Delo z obnovljivimi viri energije zahteva predvidljive in odzivne digitalne rešitve, saj se proizvodnja obnovljive energije in razmere na trgu električne energije nenehno spreminjajo. MPII uporablja mehanizem za optimizacijo ponudb strojnega učenja (ML) za obveščanje o postopkih odločanja navzgor pri upravljanju in trgovanju z električnimi sredstvi. Ta rešitev pomaga tržnim analitikom oblikovati in izvajati strategije ponudb, ki temeljijo na podatkih in so optimizirane za donosnost energetskih sredstev.
V tej objavi boste izvedeli, kako Marubeni optimizira tržne odločitve z uporabo širokega nabora analitike AWS in storitev ML, da zgradi robustno in stroškovno učinkovito rešitev Power Bid Optimization.
Pregled rešitev
Trgi z električno energijo omogočajo trgovanje z močjo in energijo za uravnoteženje ponudbe električne energije in povpraševanja v električnem omrežju ter pokrivanje različnih potreb po zanesljivosti električnega omrežja. Udeleženci na trgu, kot so operaterji premoženja MPII, nenehno licitirajo količine moči in energije na teh trgih z električno energijo, da bi pridobili dobiček iz svojih premoženja z električno energijo. Udeleženec na trgu lahko odda ponudbe na različnih trgih hkrati, da poveča dobičkonosnost sredstva, vendar mora upoštevati omejitve moči sredstva in odzivne hitrosti ter druge operativne omejitve sredstva in interoperabilnost teh trgov.
Rešitev mehanizma za optimizacijo ponudb MPII uporablja modele ML za ustvarjanje optimalnih ponudb za sodelovanje na različnih trgih. Najpogostejše ponudbe so ponudbe za energijo za dan vnaprej, ki jih je treba oddati 1 dan pred dejanskim trgovalnim dnem, in ponudbe za energijo v realnem času, ki jih je treba oddati 75 minut pred uro trgovanja. Rešitev usklajuje dinamično ponudbo in delovanje močnega sredstva ter zahteva uporabo optimizacijskih in napovednih zmogljivosti, ki so na voljo v njenih modelih ML.
Rešitev Power Bid Optimization vključuje več komponent, ki imajo določene vloge. Sprehodimo se skozi vključene komponente in njihove poslovne funkcije.
Zbiranje in zaužitje podatkov
Plast zbiranja in vnosa podatkov se poveže z vsemi navzgornjimi viri podatkov in naloži podatke v podatkovno jezero. Ponudba na trgu električne energije zahteva vsaj štiri vrste vnosa:
- Napovedi povpraševanja po električni energiji
- Vremenska napoved
- Zgodovina tržnih cen
- Napovedi cen električne energije
Do teh virov podatkov se dostopa izključno prek API-jev. Zato morajo biti komponente za vnos sposobne upravljati preverjanje pristnosti, pridobivanje podatkov v načinu vleka, predhodno obdelavo podatkov in shranjevanje podatkov. Ker se podatki pridobivajo vsako uro, je potreben tudi mehanizem za usmerjanje in razporejanje opravil vnosa.
Priprava podatkov
Kot pri večini primerov uporabe ML ima priprava podatkov ključno vlogo. Podatki prihajajo iz različnih virov v številnih formatih. Preden je pripravljen za uporabo za usposabljanje modela ML, mora iti skozi nekaj naslednjih korakov:
- Združite urne nize podatkov glede na čas prihoda. Celoten nabor podatkov mora vsebovati vse vire.
- Povečajte kakovost podatkov z uporabo tehnik, kot so standardizacija, normalizacija ali interpolacija.
Na koncu tega postopka se kurirani podatki uprizorijo in dajo na voljo za nadaljnjo uporabo.
Model usposabljanja in uvajanja
Naslednji korak je usposabljanje in uvedba modela, ki je sposoben predvideti optimalne tržne ponudbe za nakup in prodajo energije. Marubeni je za zmanjšanje tveganja nezadostne uspešnosti uporabil tehniko modeliranja ansambla. Ansambelsko modeliranje je sestavljeno iz kombiniranja več modelov ML za izboljšanje učinkovitosti napovedovanja. Marubeni združuje rezultate zunanjih in notranjih modelov napovedi s tehtanim povprečjem, da izkoristi moč vseh modelov. Notranji modeli podjetja Marubeni temeljijo na arhitekturah dolgotrajnega kratkoročnega pomnilnika (LSTM), ki so dobro dokumentirane in enostavne za implementacijo in prilagajanje v TensorFlow. Amazon SageMaker podpira uvedbe TensorFlow in mnoga druga okolja ML. Zunanji model je zaščiten in njegovega opisa ni mogoče vključiti v to objavo.
V Marubenijevem primeru uporabe modeli ponudb izvajajo numerično optimizacijo za povečanje prihodkov z uporabo spremenjene različice ciljnih funkcij, uporabljenih v publikaciji Priložnosti za shranjevanje energije v CAISO.
SageMaker omogoča Marubeniju zagon ML in numeričnih optimizacijskih algoritmov v enem samem okolju. To je ključnega pomena, saj se med usposabljanjem notranjega modela izhod numerične optimizacije uporablja kot del funkcije izgube napovedi. Za več informacij o tem, kako obravnavati primere uporabe numerične optimizacije, glejte Reševanje problemov numerične optimizacije, kot so razporejanje, usmerjanje in dodeljevanje z obdelavo Amazon SageMaker.
Te modele nato uvedemo prek končnih točk sklepanja. Ker se novi podatki občasno zaužijejo, je treba modele ponovno usposobiti, ker sčasoma postanejo zastareli. Razdelek o arhitekturi kasneje v tej objavi ponuja več podrobnosti o življenjskem ciklu modelov.
Generiranje podatkov o močnih ponudbah
Rešitev na urni ravni predvidi optimalne količine in cene, po katerih naj bi bila moč ponujena na trgu – imenovana tudi ponudb. Količine so merjene v MW, cene pa v $/MW. Ponudbe se ustvarijo za več kombinacij predvidenih in zaznanih tržnih pogojev. Naslednja tabela prikazuje primer končnice krivulja ponudb izhod za delovno uro 17 na ilustrativnem trgovalnem vozlišču blizu Marubenijeve pisarne v Los Angelesu.
Datum | ura | Tržna | lokacija | MW | Cena |
11/7/2022 | 17 | RT Energija | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | RT Energija | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | RT Energija | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | RT Energija | LCIENEGA_6_N001 | 8 | $230.15 |
Ta primer predstavlja našo pripravljenost ponuditi 1.65 MW moči, če je cena električne energije najmanj 80.79 USD, 5.15 MW, če je cena električne energije najmanj 105.34 USD, in 8 MW, če je cena električne energije najmanj 230.15 USD.
Neodvisni sistemski operaterji (ISO) nadzirajo trge električne energije v ZDA in so odgovorni za dodeljevanje in zavračanje ponudb za ohranjanje zanesljivosti električnega omrežja na najbolj ekonomičen način. Kalifornijski neodvisni sistemski operater (CAISO) upravlja trge električne energije v Kaliforniji in objavlja tržne rezultate vsako uro pred naslednjim licitacijskim obdobjem. S primerjavo trenutnih tržnih pogojev z njihovim ekvivalentom na krivulji lahko analitiki sklepajo na optimalen prihodek. Rešitev Power Bid Optimization posodablja prihodnje ponudbe z uporabo novih dohodnih tržnih informacij in novih napovednih rezultatov modela
Pregled arhitekture AWS
Arhitektura rešitve, prikazana na naslednji sliki, izvaja vse prej predstavljene plasti. Kot del rešitve uporablja naslednje storitve AWS:
- Preprosta storitev shranjevanja Amazon (Amazon S3) za shranjevanje naslednjih podatkov:
- Podatke o cenah, vremenu in naložite napoved iz različnih virov.
- Konsolidirani in razširjeni podatki, pripravljeni za uporabo pri usposabljanju modelov.
- Krivulje izhodnih ponudb se osvežujejo vsako uro.
- Amazon SageMaker za usposabljanje, testiranje in uvajanje modelov za zagotavljanje optimiziranih ponudb prek končnih točk sklepanja.
- Korak funkcije AWS za orkestriranje tako podatkovnih kot ML cevovodov. Uporabljamo dva stanja stroja:
- En stroj stanja za orkestriranje zbiranja podatkov in zagotavljanje, da so vsi viri zaužiti.
- En stroj stanja za orkestracijo cevovoda ML in delovnega toka optimiziranega ustvarjanja ponudb.
- AWS Lambda za implementacijo funkcij za vnos, predprocesiranje in naknadno obdelavo:
- Tri funkcije za vnos virov vhodnih podatkov, z eno funkcijo na vir.
- Ena funkcija za konsolidacijo in pripravo podatkov za usposabljanje.
- Ena funkcija, ki ustvari napoved cene s klicem končne točke modela, nameščene v SageMakerju.
- Amazonska Atena razvijalcem in poslovnim analitikom omogočiti dostop SQL do ustvarjenih podatkov za analizo in odpravljanje težav.
- Amazon EventBridge za sprožitev vnosa podatkov in cevovoda ML po urniku in kot odziv na dogodke.
V naslednjih razdelkih podrobneje obravnavamo potek dela.
Zbiranje in priprava podatkov
Vsako uro se prikliče stroj stanja korakov funkcij priprave podatkov. Vzporedno pokliče vsako funkcijo Lambda za vnos podatkov in počaka, da se vse štiri dokončajo. Funkcije za zbiranje podatkov pokličejo svoj izvor API in pridobijo podatke za preteklo uro. Vsaka funkcija nato shrani prejete podatke v svoje vedro S3.
Te funkcije imajo skupno osnovo izvedbe, ki zagotavlja gradnike za standardno manipulacijo podatkov, kot sta normalizacija ali indeksacija. Da bi to dosegli, uporabljamo Lambda plasti in AWS kelih, kot je opisano v Uporaba AWS Lambda Layers z AWS Chalice. To zagotavlja, da vsi razvijalci uporabljajo iste osnovne knjižnice za izgradnjo nove logike priprave podatkov in pospeši implementacijo.
Ko so vsi štirje viri zaužiti in shranjeni, stanje avtomat sproži Lambda funkcijo priprave podatkov. Podatki o cenah električne energije, vremenu in napovedi obremenitve so prejeti v datotekah JSON in v datotekah, ločenih z znaki. Vsak zapisni del vsake datoteke nosi časovni žig, ki se uporablja za združevanje podatkovnih virov v en nabor podatkov, ki pokriva časovni okvir 1 ure.
Ta konstrukcija zagotavlja potek dela, ki je v celoti voden na dogodke. Priprava podatkov za usposabljanje se začne takoj, ko so zaužiti vsi pričakovani podatki.
ML cevovod
Po pripravi podatkov se novi nabori podatkov shranijo v Amazon S3. Pravilo EventBridge sproži cevovod ML prek stroja stanj Step Functions. Državni stroj poganja dva procesa:
- Preverite, ali je model generiranja krivulje ponudb aktualen
- Samodejno sproži ponovno usposabljanje modela, ko se zmogljivost poslabša ali so modeli starejši od določenega števila dni
Če je starost trenutno razporejenega modela starejša od najnovejšega nabora podatkov za določen prag – recimo 7 dni – stanje stroja Step Functions sproži cevovod SageMaker, ki usposablja, preizkuša in uvaja novo končno točko sklepanja. Če so modeli še vedno posodobljeni, potek dela preskoči cevovod ML in se premakne na korak ustvarjanja ponudb. Ne glede na stanje modela se ob dostavi novega urnega nabora podatkov ustvari nova krivulja ponudb. Naslednji diagram ponazarja ta potek dela. Privzeto je StartPipelineExecution
dejanje je asinhrono. Stalni avtomat lahko počaka na konec cevovoda, preden prikliče korak generiranja ponudb z uporabo 'Počakajte na povratni klic"možnost.
Da bi zmanjšal stroške in čas do trženja pri izgradnji pilotne rešitve, je Marubeni uporabil Sklep brez strežnika Amazon SageMaker. To zagotavlja, da se osnovna infrastruktura, ki se uporablja za usposabljanje in uvajanje, zaračuna le, kadar je to potrebno. To prav tako olajša proces gradnje plinovoda, saj razvijalcem ni več treba upravljati infrastrukture. To je odlična možnost za delovne obremenitve, ki imajo obdobja nedejavnosti med prometnimi sunki. Ko bo rešitev dozorela in prešla v proizvodnjo, bo Marubeni pregledal njihovo zasnovo in sprejel konfiguracijo, ki bo bolj primerna za predvidljivo in enakomerno uporabo.
Generiranje ponudb in poizvedovanje po podatkih
Funkcija Lambda za ustvarjanje ponudb občasno kliče končno točko sklepanja za ustvarjanje urnih napovedi in shrani izhod v Amazon S3.
Razvijalci in poslovni analitiki lahko nato raziskujejo podatke z uporabo Athene in Microsoft Power BI za vizualizacijo. Podatki so lahko na voljo tudi prek API-ja za nadaljnje poslovne aplikacije. V pilotni fazi operaterji vizualno spremljajo krivuljo ponudb, da bi podprli svoje dejavnosti prenosa električne energije na trgih. Vendar Marubeni razmišlja o avtomatizaciji tega procesa v prihodnosti in ta rešitev zagotavlja potrebne temelje za to.
zaključek
Ta rešitev je podjetju Marubeni omogočila popolno avtomatizacijo obdelave podatkov in cevovodov za vnos ter skrajšala čas uvajanja svojih napovednih in optimizacijskih modelov z ur na minute. Krivulje ponudb se zdaj samodejno ustvarijo in posodabljajo, ko se spreminjajo tržni pogoji. Ugotovili so tudi 80-odstotno znižanje stroškov pri prehodu s predvidene končne točke sklepanja na končno točko brez strežnika.
Rešitev za napovedovanje MPII je ena od nedavnih pobud za digitalno preobrazbo, ki jih Marubeni Corporation uvaja v energetskem sektorju. MPII načrtuje izgradnjo dodatnih digitalnih rešitev za podporo novim energetskim poslovnim platformam. MPII se lahko zanese na storitve AWS za podporo svoje strategije digitalne preobrazbe v številnih primerih uporabe.
"Lahko se osredotočimo na upravljanje vrednostne verige za nove poslovne platforme, saj vemo, da AWS upravlja osnovno digitalno infrastrukturo naših rešitev."
– Hernan Figueroa, višji vodja podatkovne znanosti pri Marubeni Power International.
Za več informacij o tem, kako AWS pomaga energetskim organizacijam pri njihovih pobudah za digitalno preobrazbo in trajnost, glejte AWS Energy.
Marubeni Power International je hčerinska družba Marubeni Corporation. Marubeni Corporation je velik japonski trgovinski in investicijski poslovni konglomerat. Misija Marubeni Power International je razviti nove poslovne platforme, oceniti nove energetske trende in tehnologije ter upravljati Marubenijev portfelj električne energije v Ameriki. Če želite izvedeti več o Marubeni Power, obiščite https://www.marubeni-power.com/.
O avtorjih
Hernan Figueroa vodi pobude za digitalno preobrazbo pri Marubeni Power International. Njegova ekipa uporablja znanost o podatkih in digitalne tehnologije za podporo strategij rasti Marubeni Power. Preden se je Hernan pridružil podjetju Marubeni, je bil podatkovni znanstvenik na univerzi Columbia. Ima doktorat znanosti. ing. elektrotehnike in diplomirani inženir računalništva.
Lino Brescia je glavni vodja računa s sedežem v New Yorku. Ima več kot 25 let tehnoloških izkušenj in se je AWS pridružil leta 2018. Upravlja globalne poslovne stranke, ko preoblikujejo svoje poslovanje s storitvami v oblaku AWS in izvajajo obsežne migracije.
Narcisse Zekpa je starejši arhitekt rešitev s sedežem v Bostonu. Strankam na severovzhodu ZDA pomaga pospešiti njihovo poslovno transformacijo z inovativnimi in razširljivimi rešitvami v oblaku AWS. Ko Narcisse ne gradi, uživa v preživljanju časa z družino, potovanjih, kuhanju, igranju košarke in teku.
Pedram Jahangiri je arhitekt za poslovne rešitve pri AWS, z doktoratom iz elektrotehnike. Ima več kot 10 let izkušenj v energetski in IT industriji. Pedram ima dolgoletne praktične izkušnje v vseh vidikih napredne analitike za gradnjo kvantitativnih in obsežnih rešitev za podjetja z uporabo tehnologij v oblaku.
Sarah Childers je vodja računa s sedežem v Washingtonu DC. Je nekdanja učiteljica znanosti, ki je postala navdušenka nad oblaki in se osredotočila na podporo strankam na njihovem potovanju v oblak. Sarah uživa v delu skupaj z motivirano ekipo, ki spodbuja raznolike ideje, da bi strankam kar najbolje zagotovila najbolj inovativne in celovite rešitve.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- : je
- $GOR
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Sposobna
- O meni
- pospeši
- dostop
- dostopna
- Račun
- Doseči
- čez
- Ukrep
- dejavnosti
- Dodatne
- Naslov
- sprejme
- napredovanje
- napredno
- Prednost
- algoritmi
- vsi
- dodelitev
- skupaj
- Amazon
- Amazon SageMaker
- Americas
- znesek
- Analiza
- Analitiki
- analitika
- in
- Angeles
- API
- API-ji
- aplikacije
- Arhitektura
- SE
- Prihod
- AS
- vidiki
- sredstvo
- upravljanje premoženja
- Sredstva
- At
- Povečana
- Preverjanje pristnosti
- avtomatizirati
- samodejno
- avtomatizacija
- Na voljo
- povprečno
- AWS
- AWS Lambda
- Strojno učenje AWS
- Ravnovesje
- baza
- temeljijo
- Izhodišče
- Osnova
- Košarka
- BE
- ker
- postanejo
- pred
- počutje
- BEST
- med
- Ponudba
- Bloki
- maribor
- široka
- izgradnjo
- Building
- poslovni
- Poslovne aplikacije
- Poslovna preobrazba
- Nakup
- by
- california
- klic
- se imenuje
- kliče
- poziva
- CAN
- ne more
- Zmogljivosti
- lahko
- ogljika
- primeru
- primeri
- nekatere
- verige
- spremenite
- spreminjanje
- značaja
- Stroški
- preveriti
- Cloud
- storitev v oblaku
- zbirka
- Columbia
- kombinacije
- združevanje
- Skupno
- dokončanje
- deli
- celovito
- računalnik
- Računalniški inženiring
- Pogoji
- konfiguracija
- konglomerat
- povezuje
- Razmislite
- upoštevamo
- Konsolidirati
- nenehno
- omejitve
- gradnjo
- porabi
- poraba
- stalno
- kuhanje
- KORPORACIJA
- strošek
- zmanjšanje cene
- stroškovno učinkovito
- pokrov
- kritje
- kritično
- navzkrižno sklicevanje
- kurirano
- Trenutna
- Trenutno
- krivulja
- Stranke, ki so
- prilagodite
- datum
- Data jezero
- Priprava podatkov
- obdelava podatkov
- znanost o podatkih
- podatkovni znanstvenik
- shranjevanje podatkov
- Podatkov usmerjenih
- nabor podatkov
- Datum
- dan
- dc
- Odločanje
- odločitve
- privzeto
- dostava
- Povpraševanje
- razporedi
- razporejeni
- uvajanja
- uvajanje
- razmestitve
- razpolaga
- opisano
- opis
- Oblikovanje
- Podatki
- Podrobnosti
- Razvoj
- Razvijalci
- drugačen
- digitalni
- Digitalni Transformation
- razpravlja
- različno
- raznolika
- med
- dinamično
- vsak
- prej
- lažje
- lahka
- električni
- elektrotehnike
- elektrika
- omogočajo
- omogočena
- omogoča
- spodbuja
- Končna točka
- energija
- Motor
- Inženiring
- zagotovitev
- zagotavlja
- Podjetje
- podjetniške stranke
- podjetja
- navdušenec
- okolje
- okolja
- Enakovredna
- Eter (ETH)
- dogodki
- Tudi vsak
- Primer
- ekskluzivno
- izvršni
- Pričakuje
- izkušnje
- raziskuje
- zunanja
- družina
- Preneseno
- Slika
- file
- datoteke
- končna
- Osredotočite
- osredotočena
- po
- za
- Napoved
- Nekdanji
- Temelji
- FRAME
- sveže
- iz
- v celoti
- funkcija
- funkcionalnost
- funkcije
- nadalje
- Prihodnost
- ustvarjajo
- ustvarila
- ustvarja
- generacija
- Globalno
- Go
- veliko
- Mreža
- Rast
- hands-on
- Imajo
- pomoč
- Pomaga
- drži
- URE
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- Ideje
- Mirovanje
- izvajati
- Izvajanje
- izvedbe
- Pomembno
- in
- vključujejo
- vključeno
- vključuje
- Dohodni
- Povečajte
- Neodvisni
- Industrija
- Podatki
- Infrastruktura
- pobud
- inovativne
- vhod
- notranji
- Facebook Global
- Interoperabilnost
- naložbe
- Investira
- prikliče
- vključeni
- IT
- IT industrija
- ITS
- Japonski
- Delovna mesta
- pridružil
- pridružil
- Potovanje
- jpg
- json
- Udarcev
- Vedite
- Vedeti
- Jezero
- obsežne
- Zadnji
- začetek
- plast
- plasti
- Interesenti
- UČITE
- učenje
- vzvod
- knjižnice
- življenski krog
- kot
- Meje
- obremenitev
- obremenitve
- Long
- več
- jih
- Los Angeles
- off
- stroj
- strojno učenje
- Stroji
- je
- vzdrževati
- velika
- IZDELA
- upravljanje
- upravljanje
- upravitelj
- upravlja
- upravljanje
- Manipulacija
- več
- Tržna
- tržnih pogojih
- Prisotnost
- zori
- Povečajte
- Mehanizem
- Spomin
- Microsoft
- zmanjšajo
- min
- Mission
- ML
- način
- Model
- modeliranje
- modeli
- spremembe
- več
- Najbolj
- motivirani
- premika
- več
- Blizu
- potrebno
- Nimate
- potrebna
- potrebe
- Novo
- Naslednja
- Vozel
- Številka
- NYC
- Cilj
- pridobi
- of
- ponujen
- Office
- on
- ONE
- deluje
- deluje
- Delovanje
- operativno
- operater
- operaterji
- optimalna
- optimizacija
- optimizirana
- optimizacijo
- Možnost
- organizacije
- Ostalo
- izhod
- lastnik
- vzporedno
- del
- Udeleženci
- Sodelovanje
- preteklosti
- zaznati
- opravlja
- performance
- obdobja
- faza
- pilot
- plinovod
- načrti
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Predvajaj
- igranje
- Portfelj
- Prispevek
- moč
- Power BI
- Napajanje
- Predvidljivo
- napovedano
- napovedovanje
- napoved
- Napovedi
- Napovedi
- Pripravimo
- predstavljeni
- Cena
- napoved cen
- Cene
- , ravnateljica
- Predhodna
- Težave
- Postopek
- Procesi
- obravnavati
- proizvodnja
- donosnosti
- dobiček
- lastniško
- zagotavljajo
- zagotavlja
- Objava
- Objavlja
- kakovost
- količinsko
- pripravljen
- v realnem času
- realizirano
- prejetih
- nedavno
- zapis
- zmanjša
- Ne glede na to
- zanesljivost
- zanašajo
- Obnovljivi viri
- obnovljiva energija
- predstavlja
- obvezna
- zahteva
- tisti,
- Odgovor
- odgovorna
- odziven
- Rezultati
- preusposabljanje
- prihodki
- pregleda
- Tveganje
- robusten
- vloga
- vloge
- Pravilo
- Run
- tek
- s
- sagemaker
- Enako
- razširljive
- urnik
- Znanost
- Znanstvenik
- Oddelek
- oddelki
- sektor
- Prodaja
- služijo
- Brez strežnika
- Storitve
- nastavite
- Delite s prijatelji, znanci, družino in partnerji :-)
- kratkoročno
- shouldnt
- Razstave
- Enostavno
- hkrati
- sam
- So
- Rešitev
- rešitve
- nekaj
- Kmalu
- vir
- Viri
- Sourcing
- specifična
- hitrosti
- Poraba
- SQL
- standardna
- Država
- dinamičnega ravnovesja
- Korak
- Koraki
- Še vedno
- shranjevanje
- trgovina
- shranjeni
- trgovine
- strategije
- Strategija
- moč
- predloži
- predložen
- hčerinsko podjetje
- taka
- dobavi
- Ponudba in povpraševanje
- podpora
- Podpora
- Podpira
- Trajnostni razvoj
- sistem
- miza
- Bodite
- skupina
- tehnike
- Tehnologije
- Tehnologija
- tensorflo
- Test
- testi
- da
- O
- Prihodnost
- Država
- njihove
- zato
- te
- skozi
- čas
- Časovni žig
- do
- Trgovanje
- Prometa
- Vlak
- usposabljanje
- vlaki
- transakcija
- Transform
- Preoblikovanje
- Strategija transformacije
- prehodi
- Potovanje
- Trends
- sprožijo
- Obrnjen
- Vrste
- nas
- osnovni
- univerza
- posodobitve
- Upstream podatki
- us
- Uporaba
- uporaba
- primeru uporabe
- vrednost
- različnih
- različica
- preko
- vizualizacija
- Počakaj
- washington
- Washington DC
- način..
- Vreme
- Dobro
- ki
- bo
- Pripravljenost
- z
- v
- potek dela
- deluje
- bi
- let
- zefirnet