Bu gönderi, Marubeni Power International'da Kıdemli Veri Bilimi Müdürü Hernan Figueroa ile birlikte yazılmıştır.
Marubeni Power Uluslararası A.Ş. (MPII), Amerika'daki güç iş platformlarının sahibi ve bunlara yatırım yapıyor. MPII için önemli bir sektör, enerji altyapımızın karbon yoğunluğunu azaltmak için kritik olan yenilenebilir enerji ve enerji depolama varlıkları için varlık yönetimidir. Yenilenebilir enerji üretimi ve elektrik piyasası koşulları sürekli değiştiğinden, yenilenebilir enerji varlıklarıyla çalışmak tahmine dayalı ve duyarlı dijital çözümler gerektirir. MPII, güçlü varlık yönetimi ve ticaretinde yukarı yönlü karar alma süreçlerine bilgi sağlamak için bir makine öğrenimi (ML) teklif optimizasyon motoru kullanıyor. Bu çözüm, pazar analistlerinin, güç varlıklarının karlılığı için optimize edilmiş, veriye dayalı teklif verme stratejileri tasarlamasına ve gerçekleştirmesine yardımcı olur.
Bu gönderide, sağlam ve uygun maliyetli bir Power Bid Optimization çözümü oluşturmak için Marubeni'nin geniş AWS analitiği ve makine öğrenimi hizmetlerini kullanarak pazar kararlarını nasıl optimize ettiğini öğreneceksiniz.
Çözüme genel bakış
Elektrik piyasaları, elektrik şebekesindeki güç arzı ve talebini dengelemek ve farklı elektrik şebekesi güvenilirlik ihtiyaçlarını karşılamak için ticaret gücü ve enerji sağlar. MPII varlık operatörleri gibi piyasa katılımcıları, güç varlıklarından kar elde etmek için sürekli olarak bu elektrik piyasalarına güç ve enerji miktarları teklifinde bulunurlar. Bir piyasa katılımcısı, bir varlığın karlılığını artırmak için aynı anda farklı pazarlara teklif verebilir, ancak varlık gücü limitleri ve yanıt hızlarının yanı sıra diğer varlık operasyonel kısıtlamaları ve bu pazarların birlikte çalışabilirliğini dikkate alması gerekir.
MPII'nin teklif optimizasyon motoru çözümü, farklı pazarlara katılım için en uygun teklifleri oluşturmak üzere makine öğrenimi modellerini kullanır. En yaygın teklifler, fiili işlem gününden 1 gün önce verilmesi gereken gün öncesi enerji teklifleri ve işlem saatinden 75 dakika önce verilmesi gereken gerçek zamanlı enerji teklifleridir. Çözüm, bir güç varlığının dinamik teklif verme ve çalışmasını yönetir ve makine öğrenimi modellerinde bulunan optimizasyon ve tahmine dayalı yeteneklerin kullanılmasını gerektirir.
Power Bid Optimization çözümü, belirli roller oynayan birden çok bileşen içerir. İlgili bileşenlere ve bunların ilgili iş işlevlerine göz atalım.
Veri toplama ve alma
Veri toplama ve alma katmanı, tüm yukarı akış veri kaynaklarına bağlanır ve verileri veri gölüne yükler. Elektrik piyasası ihalesi en az dört tür girdi gerektirir:
- Elektrik talep tahminleri
- Hava tahminleri
- Piyasa fiyatı geçmişi
- Güç fiyat tahminleri
Bu veri kaynaklarına yalnızca API'ler aracılığıyla erişilir. Bu nedenle, alım bileşenlerinin kimlik doğrulamayı, çekme modunda veri kaynağını, veri ön işlemesini ve veri depolamayı yönetebilmesi gerekir. Veriler saatlik olarak getirildiğinden, alım işlerini düzenlemek ve zamanlamak için bir mekanizma da gerekir.
Veri Hazırlama
Çoğu makine öğrenimi kullanım durumunda olduğu gibi, veri hazırlığı kritik bir rol oynar. Veriler farklı kaynaklardan çeşitli biçimlerde gelir. Makine öğrenimi modeli eğitimi için kullanılmaya hazır hale gelmeden önce, aşağıdaki adımlardan bazılarını gerçekleştirmesi gerekir:
- Varış zamanına göre saatlik veri kümelerini birleştirin. Eksiksiz bir veri kümesi tüm kaynakları içermelidir.
- Standardizasyon, normalleştirme veya enterpolasyon gibi teknikleri kullanarak verilerin kalitesini artırın.
Bu sürecin sonunda, küratörlüğünü yapılan veriler aşamalandırılır ve daha fazla tüketim için kullanılabilir hale getirilir.
Model eğitimi ve dağıtım
Bir sonraki adım, enerji alım satımı için en uygun piyasa tekliflerini tahmin edebilen bir modelin eğitilmesi ve uygulanmasından oluşur. Düşük performans riskini en aza indirmek için Marubeni topluluk modelleme tekniğini kullandı. Topluluk modellemesi, tahmin performansını artırmak için birden çok makine öğrenimi modelini birleştirmekten oluşur. Marubeni, tüm modellerin gücünden yararlanmak için harici ve dahili tahmin modellerinin çıktılarını ağırlıklı bir ortalama ile birleştirir. Marubeni'nin dahili modelleri, iyi belgelenmiş ve TensorFlow'da uygulaması ve özelleştirmesi kolay olan Uzun Kısa Süreli Bellek (LSTM) mimarilerini temel alır. Amazon Adaçayı Yapıcı TensorFlow dağıtımlarını ve diğer birçok makine öğrenimi ortamını destekler. Harici model tescillidir ve açıklaması bu gönderiye dahil edilemez.
Marubeni'nin kullanım durumunda, teklif verme modelleri, yayında kullanılan amaç fonksiyonlarının değiştirilmiş bir sürümünü kullanarak geliri en üst düzeye çıkarmak için sayısal optimizasyon gerçekleştirir. CAISO'da Enerji Depolama Fırsatları.
SageMaker, Marubeni'nin makine öğrenimi ve sayısal optimizasyon algoritmalarını tek bir ortamda çalıştırmasını sağlar. Bu çok önemlidir, çünkü dahili model eğitimi sırasında sayısal optimizasyonun çıktısı tahmin kaybı fonksiyonunun bir parçası olarak kullanılır. Sayısal optimizasyon kullanım durumlarının nasıl ele alınacağı hakkında daha fazla bilgi için bkz. Amazon SageMaker Processing ile zamanlama, yönlendirme ve tahsis gibi sayısal optimizasyon sorunlarını çözme.
Daha sonra bu modelleri çıkarım uç noktaları aracılığıyla dağıtırız. Periyodik olarak yeni veriler alındığından, modellerin yeniden eğitilmesi gerekir çünkü bunlar zamanla eskir. Bu yazının devamındaki mimari bölümü, modellerin yaşam döngüsü hakkında daha fazla ayrıntı sağlar.
Güçlü teklif verileri oluşturma
Çözüm, saatlik bazda, gücün piyasaya sunulması gereken optimum miktarları ve fiyatları tahmin eder. teklifleri. Miktarlar MW cinsinden ölçülür ve fiyatlar $/MW cinsinden ölçülür. Teklifler, tahmin edilen ve algılanan piyasa koşullarının çoklu kombinasyonları için oluşturulur. Aşağıdaki tablo finalin bir örneğini göstermektedir. teklif eğrisi Marubeni'nin Los Angeles ofisinin yakınındaki açıklayıcı bir ticaret noktasında 17. çalışma saati için çıktı.
Tarih | saat | pazar | Lokasyon | MW | Ücret |
11/7/2022 | 17 | RT Enerji | LCIENEGA_6_N001 | 0 | $0 |
11/7/2022 | 17 | RT Enerji | LCIENEGA_6_N001 | 1.65 | $80.79 |
11/7/2022 | 17 | RT Enerji | LCIENEGA_6_N001 | 5.15 | $105.34 |
11/7/2022 | 17 | RT Enerji | LCIENEGA_6_N001 | 8 | $230.15 |
Bu örnek, enerji fiyatı en az 1.65 $ ise 80.79 MW, enerji fiyatı en az 5.15 $ ise 105.34 MW ve enerji fiyatı en az 8 $ ise 230.15 MW teklif vermeye istekli olduğumuzu gösterir.
Bağımsız sistem operatörleri (ISO'lar), ABD'deki elektrik piyasalarını denetler ve elektrik şebekesi güvenilirliğini en ekonomik şekilde sürdürmek için teklifleri vermekten ve reddetmekten sorumludur. Kaliforniya Bağımsız Sistem Operatörü (CAISO), Kaliforniya'da elektrik piyasalarını işletir ve piyasa sonuçlarını her saat bir sonraki teklif verme döneminden önce yayınlar. Analistler, mevcut piyasa koşullarını eğrideki eşdeğerleriyle çapraz referans alarak optimum geliri anlayabilirler. Power Bid Optimization çözümü, yeni gelen pazar bilgilerini ve yeni model tahmin çıktılarını kullanarak gelecekteki teklifleri günceller
AWS mimarisine genel bakış
Aşağıdaki şekilde gösterilen çözüm mimarisi, daha önce sunulan tüm katmanları uygular. Çözümün bir parçası olarak aşağıdaki AWS hizmetlerini kullanır:
- Amazon Basit Depolama Hizmeti (Amazon S3) aşağıdaki verileri depolamak için:
- Çeşitli kaynaklardan fiyatlandırma, hava durumu ve yük tahmini verileri.
- Model eğitimi için kullanılmaya hazır birleştirilmiş ve artırılmış veriler.
- Çıktı teklif eğrileri saatlik olarak yenilenir.
- Amazon Adaçayı Yapıcı Çıkarım uç noktaları aracılığıyla optimize edilmiş teklifler sunmak için modelleri eğitmek, test etmek ve devreye almak.
- AWS Basamak İşlevleri hem verileri hem de makine öğrenimi işlem hatlarını düzenlemek için. İki durum makinesi kullanıyoruz:
- Veri toplamayı düzenlemek ve tüm kaynakların alındığından emin olmak için tek bir durum makinesi.
- Makine öğrenimi ardışık düzeninin yanı sıra optimize edilmiş teklif verme oluşturma iş akışını düzenlemek için tek bir durum makinesi.
- AWS Lambda alma, ön işleme ve son işleme işlevlerini uygulamak için:
- Kaynak başına bir işlevle, girdi veri beslemelerini almak için üç işlev.
- Verileri eğitim için birleştirmek ve hazırlamak için tek işlev.
- SageMaker içinde dağıtılan modelin uç noktasını çağırarak fiyat tahminini oluşturan bir işlev.
- Amazon Atina geliştiricilere ve iş analistlerine analiz ve sorun giderme için oluşturulan verilere SQL erişimi sağlamak.
- Amazon EventBridge veri alımını ve makine öğrenimi ardışık düzenini bir programa göre ve olaylara yanıt olarak tetiklemek için.
Aşağıdaki bölümlerde, iş akışını daha ayrıntılı olarak ele alıyoruz.
Veri toplama ve hazırlama
Her saat, veri hazırlama Step Functions durum makinesi çağrılır. Veri alma Lambda işlevlerinin her birini paralel olarak çağırır ve dördünün de tamamlanmasını bekler. Veri toplama işlevleri, ilgili kaynak API'lerini çağırır ve son bir saatin verilerini alır. Daha sonra her işlev, alınan verileri ilgili S3 klasörüne depolar.
Bu işlevler, normalleştirme veya indeksleme gibi standart veri işleme için yapı taşları sağlayan ortak bir uygulama temelini paylaşır. Bunu başarmak için Lambda katmanları kullanıyoruz ve AWS Kadeh, AWS Chalice ile AWS Lambda Katmanlarını Kullanma. Bu, tüm geliştiricilerin yeni veri hazırlama mantıkları oluşturmak ve uygulamayı hızlandırmak için aynı temel kitaplıkları kullanmasını sağlar.
Dört kaynağın tümü alınıp depolandıktan sonra, durum makinesi veri hazırlama Lambda işlevini tetikler. Güç fiyatı, hava durumu ve yük tahmini verileri JSON ve karakterle ayrılmış dosyalarda alınır. Her dosyanın her kayıt parçası, veri akışlarını 1 saatlik bir zaman dilimini kapsayan tek bir veri kümesinde birleştirmek için kullanılan bir zaman damgası taşır.
Bu yapı tamamen olay odaklı bir iş akışı sağlar. Eğitim verileri hazırlığı, beklenen tüm veriler alınır alınmaz başlatılır.
makine öğrenimi ardışık düzeni
Veri hazırlığının ardından yeni veri kümeleri Amazon S3'te depolanır. Bir EventBridge kuralı, bir Step Functions durum makinesi aracılığıyla makine öğrenimi ardışık düzenini tetikler. Durum makinesi iki işlemi yürütür:
- Teklif eğrisi oluşturma modelinin güncel olup olmadığını kontrol edin
- Performans düştüğünde veya modeller belirli bir günden daha eski olduğunda model yeniden eğitimini otomatik olarak tetikleyin
Halihazırda dağıtılan modelin yaşı, en son veri kümesinden belirli bir eşik kadar eskiyse (örneğin 7 gün), Step Functions durum makinesi, yeni bir çıkarım uç noktasını eğiten, test eden ve dağıtan SageMaker ardışık düzenini başlatır. Modeller hâlâ güncelse iş akışı makine öğrenimi ardışık düzenini atlar ve teklif oluşturma adımına geçer. Modelin durumundan bağımsız olarak, yeni bir saatlik veri kümesinin teslim edilmesi üzerine yeni bir teklif eğrisi oluşturulur. Aşağıdaki diyagram bu iş akışını göstermektedir. varsayılan olarak, StartPipelineExecution
eylem eşzamansızdır. Teklif oluşturma adımını çağırmadan önce durum makinesinin işlem hattının sonunu beklemesini sağlayabiliriz.Geri aramayı bekle'seçenek.
Marubeni, bir pilot çözüm oluştururken maliyeti ve pazara sunma süresini azaltmak için Amazon SageMaker Sunucusuz Çıkarım. Bu, eğitim ve devreye alma için kullanılan temel altyapının yalnızca ihtiyaç duyulduğunda ücrete tabi olmasını sağlar. Geliştiricilerin artık altyapıyı yönetmesi gerekmediğinden, bu aynı zamanda ardışık düzen oluşturma sürecini de kolaylaştırır. Bu, trafik patlamaları arasında boşta kalma dönemleri olan iş yükleri için harika bir seçenektir. Çözüm olgunlaşıp üretime geçtikçe, Marubeni tasarımlarını gözden geçirecek ve öngörülebilir ve istikrarlı kullanım için daha uygun bir konfigürasyon benimseyecek.
Teklif oluşturma ve veri sorgulama
Teklif oluşturma Lambda işlevi, saatlik tahminler oluşturmak için çıkarım uç noktasını düzenli olarak çağırır ve çıktıyı Amazon S3'te depolar.
Geliştiriciler ve iş analistleri daha sonra görselleştirme için Athena ve Microsoft Power BI kullanarak verileri keşfedebilir. Veriler ayrıca API aracılığıyla aşağı akışlı iş uygulamalarına da sunulabilir. Pilot aşamada operatörler, piyasalardaki güçlü işlem faaliyetlerini desteklemek için teklif eğrisini görsel olarak kullanırlar. Ancak Marubeni gelecekte bu süreci otomatikleştirmeyi düşünüyor ve bu çözüm bunun için gerekli temelleri sağlıyor.
Sonuç
Bu çözüm, Marubeni'nin veri işleme ve alım işlem hatlarını tamamen otomatikleştirmesinin yanı sıra tahmine dayalı ve optimizasyon modellerinin devreye alma süresini saatlerden dakikalara indirmesini sağladı. Teklif eğrileri artık otomatik olarak oluşturuluyor ve piyasa koşulları değiştikçe güncel tutuluyor. Ayrıca, sağlanan bir çıkarım uç noktasından sunucusuz bir uç noktaya geçiş yaparken %80'lik bir maliyet düşüşü gerçekleştirdiler.
MPII'nin tahmin çözümü, Marubeni Corporation'ın enerji sektöründe başlattığı son dijital dönüşüm girişimlerinden biridir. MPII, yeni güçlü iş platformlarını desteklemek için ek dijital çözümler oluşturmayı planlıyor. MPII, birçok kullanım durumunda dijital dönüşüm stratejilerini desteklemek için AWS hizmetlerine güvenebilir.
"AWS'nin çözümlerimizin altında yatan dijital altyapıyı yönettiğini bilerek, yeni iş platformları için değer zincirini yönetmeye odaklanabiliriz.başlıklı bir kılavuz yayınladı
– Hernan Figueroa, Marubeni Power International'da Kıdemli Veri Bilimi Müdürü.
AWS'nin enerji kuruluşlarına dijital dönüşüm ve sürdürülebilirlik girişimlerinde nasıl yardımcı olduğu hakkında daha fazla bilgi için bkz. AWS Enerji.
Marubeni Power International, Marubeni Corporation'ın bir yan kuruluşudur. Marubeni Corporation, büyük bir Japon ticaret ve yatırım şirketi grubudur. Marubeni Power International'ın misyonu, yeni iş platformları geliştirmek, yeni enerji trendlerini ve teknolojilerini değerlendirmek ve Marubeni'nin Amerika'daki enerji portföyünü yönetmektir. Marubeni Power hakkında daha fazla bilgi edinmek isterseniz, göz atın https://www.marubeni-power.com/.
Yazarlar Hakkında
Hernan Figueroa Marubeni Power International'da dijital dönüşüm girişimlerine liderlik ediyor. Ekibi, Marubeni Power büyüme stratejilerini desteklemek için veri bilimi ve dijital teknolojileri uyguluyor. Hernan, Marubeni'ye katılmadan önce Columbia Üniversitesi'nde Veri Bilimcisiydi. Doktora derecesine sahiptir. Elektrik Mühendisliği ve Bilgisayar Mühendisliği lisans derecesi.
Lino Brescia NYC merkezli bir Ana Hesap Yöneticisidir. 25 yılı aşkın teknoloji deneyimine sahiptir ve 2018'de AWS'ye katılmıştır. AWS bulut hizmetleriyle işlerini dönüştürürken ve büyük ölçekli geçişler gerçekleştirirken küresel kurumsal müşterileri yönetir.
nergis zekpa Boston merkezli bir Kıdemli Çözüm Mimarıdır. Kuzeydoğu ABD'deki müşterilerin, AWS Bulut üzerinde yenilikçi ve ölçeklenebilir çözümlerle iş dönüşümlerini hızlandırmalarına yardımcı oluyor. Narcisse inşaat yapmadığı zamanlarda ailesiyle vakit geçirmekten, seyahat etmekten, yemek yapmaktan, basketbol oynamaktan ve koşmaktan hoşlanır.
Pedram Cihangiri AWS'de Elektrik Mühendisliği alanında doktora derecesine sahip bir Kurumsal Çözüm Mimarıdır. Enerji ve bilişim sektöründe 10 yılı aşkın deneyime sahiptir. Pedram, bulut teknolojilerinden yararlanarak işletmeler için niceliksel ve büyük ölçekli çözümler oluşturmak için Advanced Analytics'in tüm yönlerinde uzun yıllara dayanan uygulamalı deneyime sahiptir.
Sarah Childers'ın Washington DC merkezli bir Hesap Yöneticisidir. Bulut yolculukları boyunca müşterileri desteklemeye odaklanmış eski bir bilim eğitimcisi ve bulut meraklısıdır. Sarah, müşterileri en yenilikçi ve kapsamlı çözümlerle en iyi şekilde donatmak için çeşitlendirilmiş fikirleri teşvik eden motive olmuş bir ekiple birlikte çalışmaktan keyif alıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/
- :dır-dir
- $UP
- 1
- 10
- 100
- 2018
- 7
- 8
- a
- Yapabilmek
- Hakkımızda
- hızlandırmak
- erişim
- erişilen
- Hesap
- Başarmak
- karşısında
- Action
- faaliyetler
- Ek
- adres
- benimsemek
- ilerlemek
- ileri
- avantaj
- algoritmalar
- Türkiye
- tahsis
- yanında
- Amazon
- Amazon Adaçayı Yapıcı
- Amerika
- miktar
- analiz
- Analistler
- analytics
- ve
- Angeles
- api
- API'ler
- uygulamaları
- mimari
- ARE
- varış
- AS
- yönleri
- varlık
- varlık yönetimi
- Varlıklar
- At
- augmented
- Doğrulama
- otomatikleştirmek
- otomatik olarak
- ayrıca otomasyonun
- mevcut
- ortalama
- AWS
- AWS Lambda
- AWS Makine Öğrenimi
- Bakiye
- baz
- merkezli
- Temel
- temel
- Basketbol
- BE
- Çünkü
- müşterimiz
- önce
- olmak
- İYİ
- arasında
- teklif
- Blokları
- boston
- geniş
- inşa etmek
- bina
- iş
- İş Uygulamaları
- İş transferi
- Satın alma
- by
- Kaliforniya
- çağrı
- denilen
- çağrı
- aramalar
- CAN
- yapamam
- yetenekleri
- yetenekli
- karbon
- dava
- durumlarda
- belli
- zincir
- değişiklik
- değiştirme
- karakter
- yükler
- Kontrol
- bulut
- bulut hizmetleri
- Toplamak
- Columbia
- kombinasyonları
- birleştirme
- ortak
- tamamlamak
- bileşenler
- kapsamlı
- bilgisayar
- Bilgisayar Mühendisliği
- koşullar
- yapılandırma
- holding
- bağlanır
- Düşünmek
- düşünen
- pekiştirmek
- sürekli
- kısıtlamaları
- kurmak
- tüketilen
- tüketim
- devamlı olarak
- yemek pişirme
- KURUMSAL
- Ücret
- maliyet azaltma
- uygun maliyetli
- kapak
- kaplama
- kritik
- çapraz referans
- küratörlüğünü
- akım
- Şu anda
- eğri
- Müşteriler
- özelleştirmek
- veri
- Veri Gölü
- Veri Hazırlama
- veri işleme
- veri bilimi
- veri bilimcisi
- veri saklama
- veri-güdümlü
- veri kümeleri
- Tarih
- gün
- dc
- Karar verme
- kararlar
- Varsayılan
- teslim
- Talep
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtımları
- dağıtır
- tarif edilen
- tanım
- Dizayn
- ayrıntı
- ayrıntılar
- geliştirmek
- geliştiriciler
- farklı
- dijital
- dijital Dönüşüm
- tartışmak
- çılgınlık
- çeşitli
- sırasında
- dinamik
- her
- Daha erken
- kolay
- kolay
- Elektrik
- elektrik Mühendisliği
- elektrik
- etkinleştirmek
- etkin
- sağlar
- teşvik
- Son nokta
- enerji
- Motor
- Mühendislik
- sağlamak
- olmasını sağlar
- kuruluş
- kurumsal müşteriler
- işletmelerin
- hayran
- çevre
- ortamları
- Eşdeğer
- Eter (ETH)
- olaylar
- Her
- örnek
- sadece
- yürütme
- beklenen
- deneyim
- keşfetmek
- dış
- aile
- Getirildi
- şekil
- fileto
- dosyalar
- son
- odak
- odaklanmış
- takip etme
- İçin
- Tahmin
- Eski
- Temeller
- ÇERÇEVE
- taze
- itibaren
- tamamen
- işlev
- işlevsellik
- fonksiyonlar
- daha fazla
- gelecek
- oluşturmak
- oluşturulan
- üretir
- nesil
- Küresel
- Go
- harika
- Grid
- Büyüme
- hands-on
- Var
- yardım
- yardımcı olur
- tutar
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- fikirler
- boş
- uygulamak
- uygulama
- uygular
- önemli
- in
- dahil
- dahil
- içerir
- Gelen
- Artırmak
- bağımsız
- sanayi
- bilgi
- Altyapı
- girişimler
- yenilikçi
- giriş
- iç
- Uluslararası
- Birlikte çalışabilirlik
- yatırım
- yatırım
- çağırır
- ilgili
- IT
- bilgi Teknolojileri endüstrisi
- ONUN
- Japonca
- Mesleki Öğretiler
- katıldı
- birleştirme
- seyahat
- jpg
- json
- Kicks
- Bilmek
- bilme
- göl
- büyük ölçekli
- son
- fırlatma
- tabaka
- katmanları
- İlanlar
- ÖĞRENİN
- öğrenme
- kaldıraç
- kütüphaneler
- yaşam döngüsü
- sevmek
- sınırları
- yük
- yükler
- Uzun
- uzun
- onları
- Los Angeles
- kayıp
- makine
- makine öğrenme
- Makineler
- yapılmış
- korumak
- büyük
- YAPAR
- yönetmek
- yönetim
- müdür
- yönetir
- yönetme
- hile
- çok
- pazar
- piyasa koşulları
- Piyasalar
- olgunlaşır
- Maksimuma çıkarmak
- mekanizma
- Bellek
- Microsoft
- azaltmak
- dakika
- Misyonumuz
- ML
- Moda
- model
- Modelleme
- modelleri
- değiştirilmiş
- Daha
- çoğu
- motive
- hamle
- çoklu
- yakın
- gerekli
- gerek
- gerekli
- ihtiyaçlar
- yeni
- sonraki
- düğüm
- numara
- NYC
- nesnel
- elde etmek
- of
- sunulan
- Office
- on
- ONE
- faaliyet
- işletme
- operasyon
- işletme
- Şebeke
- operatörler
- optimum
- optimizasyon
- optimize
- optimize
- seçenek
- organizasyonlar
- Diğer
- çıktı
- sahibi
- Paralel
- Bölüm
- Katılımcılar
- katılım
- geçmiş
- algılanan
- yapmak
- performans
- dönemleri
- faz
- pilot
- boru hattı
- ağladım
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- oynama
- portföy
- Çivi
- güç kelimesini seçerim
- Güç BI
- Power Supply
- tahmin edilebilir
- tahmin
- tahmin
- tahmin
- Tahminler
- öngörür
- Hazırlamak
- sundu
- fiyat
- fiyat tahmini
- Fiyatlar
- Anapara
- Önceki
- sorunlar
- süreç
- Süreçler
- işleme
- üretim
- karlılık
- kar
- özel
- sağlamak
- sağlar
- Yayın
- Yayınladı
- kalite
- nicel
- hazır
- gerçek zaman
- fark
- Alınan
- son
- kayıt
- azaltmak
- Ne olursa olsun
- güvenilirlik
- güvenmek
- Yenilenebilir
- yenilenebilir enerji
- temsil
- gereklidir
- gerektirir
- bu
- yanıt
- sorumlu
- duyarlı
- Sonuçlar
- yeniden eğitme
- gelir
- yorum
- Risk
- gürbüz
- Rol
- rolleri
- Kural
- koşmak
- koşu
- s
- sagemaker
- aynı
- ölçeklenebilir
- program
- Bilim
- bilim adamı
- Bölüm
- bölümler
- sektör
- Satışa
- hizmet vermek
- Serverless
- Hizmetler
- set
- paylaş
- kısa dönem
- meli
- Gösteriler
- Basit
- aynı anda
- tek
- So
- çözüm
- Çözümler
- biraz
- Yakında
- Kaynak
- kaynaklar
- Kaynak Bulma
- özel
- hızları
- Harcama
- SQL
- standart
- Eyalet
- istikrarlı
- adım
- Basamaklar
- Yine
- hafızası
- mağaza
- saklı
- mağaza
- stratejileri
- Stratejileri
- kuvvet
- sunmak
- gönderilen
- ikincil
- böyle
- arz
- Arz ve talep
- destek
- Destek
- Destekler
- Sürdürülebilirlik
- sistem
- tablo
- Bizi daha iyi tanımak için
- takım
- teknikleri
- Teknolojileri
- Teknoloji
- tensorflow
- test
- testleri
- o
- The
- Gelecek
- Devlet
- ve bazı Asya
- bu nedenle
- Bunlar
- İçinden
- zaman
- zaman damgası
- için
- Trading
- trafik
- Tren
- Eğitim
- trenler
- işlem
- Dönüştürmek
- Dönüşüm
- Dönüşüm Stratejisi
- geçişler
- Seyahat
- Trendler
- tetikleyebilir
- Dönük
- türleri
- bize
- altında yatan
- üniversite
- Güncellemeler
- Yukarı Akış Verileri
- us
- kullanım
- kullanım
- kullanım durumu
- değer
- çeşitli
- versiyon
- üzerinden
- görüntüleme
- beklemek
- washington
- Washington DC
- Yol..
- hava
- İYİ
- hangi
- irade
- isteklilik
- ile
- içinde
- iş akışı
- çalışma
- olur
- yıl
- zefirnet