A gépi tanulást egyre gyakrabban alkalmazzák az autók chipeinek és elektronikájának széles körében, mind a szabványos alkatrészek megbízhatóságának javítása, mind pedig az egyre autonómabb alkalmazásokban használt, rendkívül összetett mesterségesintelligencia-chipek létrehozása érdekében.
Ami a tervezést illeti, manapság az EDA-eszközök többsége a megerősítő tanulásra, az AI gépi tanulási részhalmazára támaszkodik, amely megtanítja a gépet, hogyan hajtson végre egy adott feladatot a mintafelismerés alapján. Ellentétben az AI chipekben található képfelismeréssel, amely hatalmas adathalmazok betanításán alapul, a gépi tanulás sokkal kisebb adatmennyiség felhasználásával gyorsan pontos eredményeket tud produkálni. A Synopsys, a Cadence, a Siemens és mások egyaránt alkalmazták eszközeikben a megerősítő tanulást, és autóipari ügyfeleik a jobb teljesítményt nyújtó és szigorú biztonsági célokat teljesítő chipek piacra kerülésének gyorsabb idejét mutatják.
„Ezen összetett chipek ellenőrzése a biztonság és a funkcionalitás szavatolása szempontjából is kritikus fontosságú, ezért a mai legfejlettebb eszközök az AI/ML segítségével automatizálják a lefedettségi lyukak felfedezését a tesztelés során, biztosítva, hogy a megfoghatatlan rések és a proxy által megfoghatatlan hibák észlelhetők, amelyek fel nem fedezése katasztrofális lehet a területen” – mondta Thomas Andersen, az AI-ért és a gépi tanulásért felelős alelnöke Synopsys. Megjegyezte, hogy amellett, hogy megfelel a teljesítmény-, teljesítmény- és területkövetelményeknek, a gépi tanulás segíthet meghatározni a particionálási és térközi követelményeket a redundáns chip-funkciókhoz.
Napjainkban a járművek chipek gyártásához használt gépi tanulás mennyisége, és az AI használata ezekben a járművekben növekszik. Hogy ez milyen gyorsan fog változni, az csak sejtés kérdése, de a tendenciák egyértelműek.
„Mára is van válasz, és van válasz néhány év múlva is, és ezek nagyon különböznek egymástól” – mondta David Fritz, a hibrid-fizikai és virtuális rendszerek autóipari és mil-aero részlegének alelnöke. Siemens Digital Industries szoftver. „A rendszerfelderítéssel kezdjük, és ehhez léteznek eszközök. Lehetővé teszik ennek az összetett térnek és a rendszer kinézetének feltárását. Például hogy néznek ki az ECU-k? Hol kell futnia a szoftvernek? A múltban elég könnyű volt csak azt mondani, hogy „Itt van egy MATLAB modell, amely modellezi a funkcionalitást”, nyomd meg a gombot, generálsz egy C kódot, és kész. A probléma az, hogy az egész automatizált folyamat eltűnt. Egyszerűen nem működik, mert az autó összetettsége miatt a számítási követelmények annyira lemaradtak a listáról.”
A lényegi modell, amely mára gyorsan elavulttá válik, a V diagram. „Régebben csak le lehetett bontani a minimális egységekre, elő lehetett állítani azt a kis C kódot a modellből, összeraktuk az egészet, és lám, működik” – mondta Fritz. „A probléma az, hogy amikor elérünk egy bizonyos bonyolultsági szintet, ez már nem működik, mert amikor az összes puzzle-darabot összerakjuk, rájössz, hogy hiányzik a négy sarok közül kettő, és több darab a közepén. hiányoznak. Ami ma történik, az az a folyamat, amely során figyelembe veszik a követelményeket, és lényegében meghatározzák, hogyan nézne ki egy lehetséges rendszerarchitektúra, majd szimulálják és megmérik. Ezután végezze el ezeket a méréseket, hasonlítsa össze őket a követelményekkel, és ismételje meg az émelygést."
Az eszközoldalon a gépi tanuláson lehet a hangsúly, de a járművekben végső soron a teljes mesterséges intelligencia szükséges az egyre autonómabb funkciók kezeléséhez. „Az EDA-szállítók új alkalmazásokat találtak az [ML] számára az SoC fejlesztési folyamatok optimalizálására, automatizálására és felgyorsítására” – mondta Thierry Kouthon, a Security IP műszaki termékmenedzsere. Rambus. „A chipek tervezése egyre bonyolultabbá válik az alacsonyabb geometriáknál megnövekedett sűrűség, az alacsony késleltetési követelmények, a több milliárd kapuval rendelkező hiperskálás tervezés és a piacra kerülési idő miatti nyomás miatt. Ennek eredményeként kifinomult szaktudást igényel, amely egyre ritkábbá válhat, és jelentős beruházásokra lesz szükség az agresszív ütemezések kielégítéséhez.”
Az EDA-szállítók megerősítő tanulást alkalmaztak, hogy javítsák az SoC-k tervezését és gyártását. "Ma az SoC tervezési folyamatának számos területén használják, mint például a logikai szintézis, ellenőrzés, elhelyezés, útválasztás, 3D-s integráció és tesztelésre való tervezés" - mondta Kouthon, megjegyezve, hogy az EDA-vállalatok a megerősítő tanulást támogatják, hogy felgyorsítsák és javítsák a Az ASIC tervezési folyamatok minőségének javítása, valamint a félvezető projektekben felhasznált erőforrások mennyiségének csökkentése.
Az elmúlt néhány hónapban szinte az összes nagy EDA-szállító átvette a gépi tanulás bizonyos szintjét, és egyre jobban törekednek a mesterséges intelligencia világába, ahogy egyre több releváns adatot gyűjtenek össze. „Bár még mindig nagy lehetőség áll előttünk, és nagy mennyiségű innováció lehetséges, ez még csak most kezd bezárkózni” – mondta Rob Knoth, a Digital & Signoff Group termékmenedzsment csoportjának igazgatója. hanglejtés. „Csak ki kell nyitnia az újságot, vagy át kell olvasnia néhány jelentést. Ha megnézi, hogy a Tesla mit csinál a Dojo szuperszámítógépével, láthatja, hogy az átfogó rendszert hogyan befolyásolja, gondoskodik és tervezi nemcsak az AI, hanem az AI számára. A chip hihetetlenül fontos, de a chip csak az autó vagy az adatközpont kontextusa szempontjából fontos. És az a hatalmas mennyiségű adat, amely az autóipari funkciók ellátásához szükséges a minőség és a megbízhatóság javításához, valamint a funkcionális biztonsági problémák megoldásához – mindez együtt táncol. Ez nem egy darab elszigetelt, és ez az igazi szépség és potenciál, amely csak most kezd kibontakozni.”
Az AI/ML kritikus szerepet játszhat az autóipari tervezési folyamat számos részében.
„Az egyik oldalon beszélhet autóspecifikus dolgokról, de a másik oldalon hátraléphet, és azt mondhatja: „Ezek a hihetetlenül intelligens, szélső, mesterséges intelligencia-kompatibilis autós eszközök nagyon hasonlítanak sok más típusú fejlett félvezetőhöz ott” – mondta Knoth. „Az AI már nem a jövőbeni téma a felhasználói konferenciánkon, [ez egy aktuális téma]. Minden iparág agresszíven használja mindennapi munkája elvégzésére, mert lehetővé teszi a mérnökök számára, hogy több időt töltsenek azzal, amihez a mérnökök egyedülállóan és gyönyörűen alkalmasak – nézze a szándékot, nézze az iránymutató dolgokat, tárja fel a dolgokat, többet aggódjon a funkciókat, szemben a napi megvalósítással. A mesterséges intelligencia pedig lehetővé teszi az összetettebb, differenciáltabb, testre szabott szilícium nagyobb elterjedését.”
Mások egyetértenek. "A chip architektúra szempontjából a modern autóipari chipek nagymértékben a vezetési szempontok és a biztonsági funkciók automatizálását célozzák" - mondta a Synopsys Andersen. „Mint ilyenek, lényegében az autóba épített mesterséges intelligencia chipekké váltak, amelyek komplex CNN-funkciókat valósítanak meg a képek, videók és jelenetek elemzésére, valamint a megfelelő intézkedések megtételére a balesetek elkerülése vagy a teljes önvezető automatizálás érdekében.”
Az autóiparban a munka középpontjában a minőség, a megbízhatóság és a biztonság áll.
„A minőség lényege, hogy csökkentsük a gyártásból kikerülő hibás alkatrészeket (DPPM)” – mondta. „A megbízhatóság nem más, mint annak biztosítása, hogy a termék élettartama alatt működőképes maradjon. A funkcionális biztonság alapvetően azt jelenti, hogy "Ha valami elromlik, ügyeljünk arra, hogy ne okozzunk kárt." Ezek mindegyike szorosan kapcsolódik az autóiparhoz, és mindegyikben a mesterséges intelligenciát vagy aktívan használják e célok eléréséhez, vagy a múltban elért eredmények alapján megvan a lehetőség arra, hogy a mesterséges intelligencia alkalmazását rájuk alkalmazzák. Teszteljen okosabban, végezzen jobb öregedéselemzést, vagy legyen okosabb, hatékonyabb és eredményesebb a beépített biztonsági mechanizmusokkal kapcsolatban.”
Az AI/ML számos autóipari alkalmazásba és eszközbe illeszkedik, és gyakran támogatják egymást. „A fejlesztési technikáink nagy szerepet játszanak, mert azon töprengtünk, hogyan ellenőrizzük ezt az AI-t” – mondta Frank Schirrmeister, a megoldásokért és üzletfejlesztésért felelős alelnöke. Arteris IP. „Van szerkezeti ellenőrzés a CNN-hez, DNN-hez vagy bármihez, amit használnak? Funkcionálisan helyesen végzi a szorzást? Ennek ellenére, ha már betanítottad, nagyon kevés mód van annak ellenőrzésére, hogy hol nem lesznek kiugró értékek. Ezért van szükség védőkorlátokra, és itt jönnek a rendszerszintű fejlesztési kihívások. A mesterséges intelligencia segít a látásban az autóban és a dolgok felismerésében, de akkor is meg kell védenie, és fejlesztési szempontból ki kell találnia a megfelelő módszereket kecses degradáció. Ha valami értelmetlen, hogyan lehet kecsesen megbukni vagy kecsesen megállítani az autót anélkül, hogy bárkit is megölnél? Ez része a fejlesztési folyamat rendszerszintű megfontolásainak – hogyan lehet védeni az AI-t.”
Az AI megfontolások fokozása
Mindezek a megfontolások egyre fontosabbak, ahogy egyre több AI/ML kerül a járművekbe, és felhasználják a chipek létrehozására ezekben a járművekben.
Ron DiGiuseppe, a Synopsys autóipari IP-ért felelős vezető marketingvezetője úgy látja, hogy az AI használata folyamatos. „Ott van a mobilitási spektrum, ADAS 2. szint, 2+ szint, 3. szint, 4. szint, 5. szint a teljes önvezetésig. A 2. szintű ADAS automatizálás ADAS kategóriájában – amelyek jelenleg az autókban alkalmazott alkalmazások, beleértve az adaptív tempomatot is – ez egy mesterséges intelligencia alkalmazás csak az ADAS számára. Nem önvezető. Egy másik példa az automatikus vészfékezés. Ha az utcán halad, és egy kutya átfut, a tárgyészlelés automatikus vészfékezést indít el. Ezeket jelenleg az autókban alkalmazzák, amelyek közül sok látás alapú mesterséges intelligencia. A legjobb példa a Mobileye, amely valószínűleg a legszélesebb körben használt AI alkalmazásokban az ADAS-ban. Az önvezetéstől függetlenül az AI-t más alkalmazásokban is alkalmazzák az autón belül, de ezek még fejlesztés alatt állnak. A termelésben nem sok mindent alkalmaznak."
A jövőben DiGiuseppe elmondta, hogy a mesterséges intelligencia más alkalmazásokhoz is használható lesz az autóban, mint például az infotainment járművezető-figyelő rendszerekben, például a tekintetérzékelésben, hogy lássák, merre néz a vezető. „Az elektromos járművek hajtásláncában is a DC-DC konverter jó példa arra, hogy a mesterséges intelligencia hogyan optimalizálhatja ezt az alkalmazást az akkumulátorkezelő rendszer számára. Általában ez egy algoritmus az akkumulátor töltésének/kisütésének optimalizálására. Ez a mesterséges intelligencia egy másik szokatlan alkalmazása, de a lényeg az, hogy az autón belül sok különböző alkalmazáshoz eljut.”
A villanymotor-érzékelő csökkentés egy újabb alkalmazása az AI számára. „Vannak benne hardveres érzékelők, amelyek prediktív elemzést és mesterséges intelligencia segítségével hajtják végre ezt a funkciót. Tehát ahelyett, hogy ténylegesen hardveres érzékelőket használna a hajtásláncban egy elektromos motorral, használhat AI prediktív elemzést” – tette hozzá DiGiuseppe.
Az AI-algoritmusok végső telepítési módja idővel változik. A két kulcsfontosságú elem a rugalmasság és a méret. „Ha viszonylag kicsi modellekről van szó, az eFPGA egy megvalósítható megközelítés” – jegyezte meg Geoff Tate, a vállalat vezérigazgatója. Flex Logix. Ez különösen hasznos lehet a PPA maximalizálására törekvő tervezők számára. Az eFPGA-k rendkívül hatékonyak a megapixeles képekkel és több száz réteggel, például a YOLOv5L6-tal rendelkező nagy látómodellek esetében, magyarázta Tate. A terepen is átprogramozhatók, hogy kihasználják az algoritmus változtatásait.
Jelenlegi AI megvalósítás
Mindezek beépítése a tervezési folyamatba nagyon korai koncepcionális tervezést igényel. „Ezt „balról balról” hívjuk” – mondta Fritz. "Ennek meg kell történnie, mielőtt balra váltana, és itt jönnek a bonyodalmak. Most döntéseket hozok, tehát olyan módszertanra van szükségem, amely nem csak előre tekint a megvalósításra, és összegyűjti ezeket a mutatókat, hogy lássam, Meg fogok felelni az igényeimnek. Arra is képesnek kell lennem, hogy átvegyem ezt a tervet, és továbbadjam a tényleges megvalósítóknak, legyenek azok belsők, egy beszállítónál vagy bárhol. Hogyan tudom ezt megtenni 100 különböző cégnél, amelyek többségének fogalma sincs, miről beszélünk, vagy hogy a darabjuk hogyan illeszkedik a nagyobb összképbe? Hogyan jön mindehhez az IP-védelem? Ez nagy kihívás.”
Fritz úgy véli, hogy ez az egyik fő oka annak, hogy a 4. és 5. szintű autonómia ennyire késik. „Ez nem feltétlenül a járműben található mesterséges intelligencia miatt van, bár ez kétségtelenül kihívás. És ez nem a funkcionális biztonságról szól. Ez már nem minderről szól. Ezt jól kezeljük. De hogyan lehet ezt megvalósítani egy valós világban, ahol a különböző beszállítók saját maguk készítik a darabjaikat? Mindannyian hozzászoktak ahhoz, hogy a maguk módján csinálják a dolgokat, és ennek a nagyon nagy kirakós játéknak csak a saját darabjára összpontosítanak. Most meg kell mutatniuk, hogy a kirakós darabjuk működni fog a körülötte lévő összes többi darabbal, amelyek közül egyiket sem látja valójában. A nagy autóipari csoportok bármelyikében több márkával is rendelkezhetnek, és ezeknek a márkáknak mindegyike megvan a maga módján. Tehát még az Ön által irányított vállalatokon belül is rendkívül nehéz valamiféle konszenzusra jutni arról, hogy a dolgoknak hogyan kell előrehaladniuk.”
Amint ez a fejlesztési folyamat megtörtént, és manuálisan megtörténik, a következő generáció alkalmazza az AI-t ehhez a folyamathoz. „A mesterséges intelligencia képzésben részesül, és több száz különböző bemenettel rendelkezik majd” – mondta Fritz. „Egy bemenet lehet valami olyan egyszerű, mint például: „A sávszélesség soha nem haladja meg a 60%-ot” vagy „A bemenetek közvetetten kapcsolódnak a rendszerhez érkezett követelményekhez”. Ha van egy magas szintű modellje, amely futni tud, létrehoz egy digitális ikertestvért, majd visszaadja ezeket a mutatókat, akkor az ott ülő mesterséges intelligencia ránéz, és megkérdezi: "Jobbá tettem vagy rontottam a dolgokat?" Az idő múlásával begyakorolódik, hogy azt mondjam, rájövök, hogy ha így rendezem a struktúrámat, vagy ha mondjuk a legújabb, legnagyobb Arm CPU-t használom, és ezt 1 gigahertzen is tudom futtatni, akkor többet tudok feldolgozni ezen a csomóponton. a rendszertől, ami csökkenti a sávszélességemet. És most megúszom az 5 gigabites Automotive Ethernetet, és teljesíthetek költségigényt, súlyigényt vagy hatótávolsági követelményt. A mesterséges intelligencia végül átveszi ezeket a rendszertervezőket, mert túl sok a dimenzió, túl sok a változó ahhoz, hogy bármelyik ember képes legyen rájönni.”
Következtetés
Idővel, ahogy a rendszermegértés odáig fejlődik, hogy egy szabványos, készen álló gépi tanulási probléma merül fel, amely képes azonosítani a bemeneteket és eredményeket elérni – és ahogy a tervezőcsapatok megértik, hogyan kell ezeket az eredményeket összehasonlítani és módosítani a tervezést –, áthatóbb lesz. „A képfelismerés ugyanaz, mint minden más probléma” – mondta Fritz. „Ha ez megvan, a mesterséges intelligencia képzése minden márkánál és minden OEM-nél egyedi lesz, és ez lesz az arany ékszer. Soha senki nem fog hozzányúlni. Senki sem fog vele foglalkozni, hacsak nem fut át hihetetlenül bonyolult regressziós teszten, hogy megbizonyosodjon arról, hogy nem rontott-e el valamit. Ez a jövő.”
Ennek ellenére az alapokat nem szabad elfelejteni, mondta Cadence Knoth. „Az AI itt van, nem a jövőben. Az is fontos, hogy az alapokat nem szabad elfelejteni. Gyakorolnia kell a fektetési lövéseit. Gyakorolnia kell a szabaddobásait. Szilárdnak kell lennie minden alapismeretében, különben nem számít, mennyire menő az új játék. Ez kétszeresen is fontos az autóiparban. A mesterséges intelligencia sok mindenben segíthet, de ha nem figyelsz az alkatrészed minőségére, megbízhatóságára és biztonságára, ha nem figyelsz az alapvető tervezésre és a módszertanra, az nem fog sikeres."
Amiről szó van, az AI/ML számos technikát kínál optimalizálási célokra, mint például megerősítő tanulás, k-klaszterezés, konvolúciós neurális hálózatok, generatív ellenséges hálózatok és még sok más, jegyezte meg Rambus' Kouthon. "Minden technikák alkalmazása az IC tervezési és gyártási folyamatának különböző szakaszaiban a kutatás aktív területe, amely olyan témákban kecsegtet, mint a hozamoptimalizálás vagy a tesztelés és ellenőrzés tervezése."
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://semiengineering.com/ml-automotive-chip-design-takes-off/
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 3d
- a
- Képes
- Rólunk
- gyorsul
- baleset
- pontos
- át
- Akció
- aktív
- aktívan
- tulajdonképpen
- Ad
- ADAs
- hozzáadott
- mellett
- cím
- fogadott
- Örökbefogadás
- fejlett
- Előny
- ellenséges
- ellen
- agresszív
- Öregedés
- AI
- AI / ML
- algoritmus
- algoritmusok
- Minden termék
- lehetővé
- lehetővé téve
- Is
- Bár
- am
- összeg
- Összegek
- an
- elemzés
- analitika
- elemez
- és a
- Andersen
- Másik
- válasz
- bármilyen
- Már
- Alkalmazás
- alkalmazások
- alkalmazott
- Alkalmazása
- megközelítés
- építészet
- VANNAK
- TERÜLET
- területek
- ARM
- körül
- AS
- ASIC
- szempontok
- At
- figyelem
- automatizált
- Automatizált
- Automatikus
- Automatizálás
- autó
- autóipari
- autóipar
- autonóm
- el
- vissza
- Sávszélesség
- alapján
- Alapvetően
- akkumulátor
- BE
- szépen
- szépség
- mert
- válik
- egyre
- óta
- előtt
- hogy
- úgy gondolja,
- haszon
- BEST
- Jobb
- Nagy
- nagyobb
- milliárd
- Bit
- mindkét
- márka
- márka
- szünetek
- Törött
- bogarak
- üzleti
- üzlet fejlesztés
- de
- gomb
- by
- hanglejtés
- hívás
- TUD
- Kaphat
- autó
- autók
- végzetes
- Kategória
- Okoz
- Központ
- központú
- vezérigazgató
- bizonyos
- biztosan
- kihívás
- kihívások
- változik
- Változások
- táblázatok
- csip
- játékpénz
- világos
- CNN
- kód
- gyűjt
- hogyan
- jön
- érkező
- Companies
- összehasonlítani
- összehasonlítva
- bonyolult
- bonyolultság
- bonyolult
- Kiszámít
- fogalmi
- aggodalmak
- Konferencia
- sejtés
- megegyezés
- megfontolások
- kontextus
- Folytonosság
- ellenőrzés
- Hűvös
- sarkok
- Költség
- tudott
- Pár
- lefedettség
- CPU
- teremt
- teremtés
- kritikai
- hajókázás
- Jelenlegi
- Ügyfelek
- napi
- Tánc
- dátum
- Adatközpont
- adatkészletek
- David
- napról napra
- határozatok
- Késik
- sűrűség
- telepített
- Design
- tervezési folyamat
- tervezett
- tervezők
- észlelt
- Érzékelés
- Határozzuk meg
- Fejlesztés
- Eszközök
- különböző
- differenciált
- nehéz
- digitális
- digitális iker
- méretek
- Igazgató
- felfedezés
- do
- nem
- Nem
- Kutya
- Ennek
- csinált
- kétszeresen
- le-
- gépkocsivezető
- vezetés
- két
- minden
- Korai
- könnyű
- él
- Hatékony
- hatékony
- bármelyik
- elektromos
- elektromos motor
- elektromos járművek
- Elektronika
- elemek
- vészhelyzet
- mérnök
- Mérnökök
- biztosítása
- lényegében
- Eter (ETH)
- Még
- végül is
- EVER
- Minden
- példa
- meghaladja
- szakvélemény
- magyarázható
- kutatás
- Feltárása
- rendkívüli módon
- FAIL
- messze
- megvalósítható
- Jellemzők
- kevés
- mező
- Ábra
- Találjon
- Rugalmasság
- áramlási
- flow
- Összpontosít
- összpontosítás
- A
- elfelejtett
- Előre
- talált
- négy
- Ingyenes
- ból ből
- front
- Tele
- funkció
- funkcionális
- funkcionalitás
- funkciók
- alapvető
- alapjai
- további
- jövő
- Gates
- generál
- generáció
- nemző
- generációs versenytárs hálózatok
- kap
- szerzés
- Go
- Célok
- megy
- Aranysárga
- jó
- Kecses
- legnagyobb
- Csoport
- Csoportok
- Növekvő
- fogantyú
- történik
- Esemény
- hardver
- kárt
- Legyen
- he
- súlyosan
- segít
- segít
- itt
- magas szinten
- nagyon
- Holes
- Hogyan
- How To
- HTTPS
- emberi
- Több száz
- i
- ötlet
- azonosítani
- azonosító
- if
- kép
- Képfelismerés
- képek
- végre
- végrehajtás
- fontos
- javul
- javított
- javítja
- javuló
- in
- Más
- Beleértve
- <p></p>
- egyre inkább
- hihetetlenül
- független
- közvetve
- iparágak
- ipar
- befolyásolható
- kezdeményez
- Innováció
- bemenet
- bemenet
- helyette
- integráció
- Intelligens
- Szándék
- belső
- bele
- Beruházások
- részt
- IP
- szigetelés
- IT
- ITS
- éppen
- Kulcs
- nagy
- Késleltetés
- legutolsó
- tojók
- tanulás
- balra
- szint
- szinten 4
- élettartam
- mint
- kis
- zárt
- logika
- hosszabb
- néz
- hasonló
- keres
- MEGJELENÉS
- Sok
- Elő/Utó
- leeresztés
- gép
- gépi tanulás
- fontos
- Többség
- csinál
- Gyártás
- vezetés
- irányítási rendszer
- menedzser
- kézzel
- gyártott
- gyártási
- sok
- piacára
- Marketing
- tömeges
- Anyag
- Maximize
- Lehet..
- mérések
- mérő
- mechanizmusok
- Találkozik
- találkozó
- módszerek
- Módszertan
- Metrics
- Középső
- minimum
- hiányzó
- ML
- mobileye
- mobilitás
- modell
- modellek
- modern
- ellenőrzés
- hónap
- több
- a legtöbb
- Motor
- mozgó
- sok
- közel
- szükségszerűen
- Szükség
- szükséges
- igények
- hálózatok
- ideg-
- neurális hálózatok
- soha
- Új
- következő
- nem
- csomópont
- neves
- Most
- szám
- számos
- tárgy
- Objektumfelismerés
- of
- kedvezmény
- ajánlat
- Ajánlatok
- gyakran
- on
- egyszer
- ONE
- csak
- nyitva
- Alkalom
- ellentétes
- optimalizálás
- Optimalizálja
- or
- Más
- Egyéb
- mi
- ki
- felett
- átfogó
- saját
- Csomag
- rész
- különösen
- alkatrészek
- elhalad
- múlt
- Mintás
- fizet
- teljesít
- teljesítmény
- perspektíva
- kép
- darab
- darabok
- Hely
- tervezés
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- pont
- lehetséges
- potenciális
- hatalom
- gyakorlat
- Prediktív elemzés
- elnök
- nyomás
- szép
- valószínűleg
- Probléma
- folyamat
- feldolgozás
- gyárt
- Termékek
- termékmenedzsment
- termék menedzser
- Termelés
- program
- ígér
- támogatása
- megfelelő
- védelem
- ad
- meghatalmazott
- célokra
- Nyomja
- Toló
- tesz
- kirakós játék
- világítás
- gyorsan
- alapvető
- hatótávolság
- elérte
- Olvass
- igazi
- való Világ
- észre
- tényleg
- miatt
- elismerés
- felismerés
- csökkenteni
- csökkentés
- regresszió
- megerősítő tanulás
- összefüggő
- viszonylag
- megbízhatóság
- támaszkodnak
- Jelentések
- kötelező
- követelmény
- követelmények
- megköveteli,
- kutatás
- Tudástár
- eredményez
- Eredmények
- rabol
- Szerep
- routing
- futás
- futás
- Biztonság
- Mondott
- azonos
- azt mondják
- mondás
- azt mondja,
- Szűkös
- jelenetek
- biztonság
- lát
- lát
- self-vezetés
- félvezető
- Félvezetők
- idősebb
- értelemben
- érzékelők
- Szettek
- számos
- váltás
- kellene
- előadás
- oldal
- Siemens
- <p></p>
- Szilícium
- hasonló
- Egyszerű
- ül
- Méret
- kicsi
- kisebb
- intelligensebb
- So
- szoftver
- szilárd
- Megoldások
- néhány
- valami
- kifinomult
- Hely
- különleges
- kifejezetten
- Spektrum
- sebesség
- költ
- állapota
- standard
- kezdet
- Kezdve
- tartózkodás
- Lépés
- Még mindig
- megáll
- utca
- szerkezeti
- struktúra
- lényeges
- siker
- ilyen
- szuperszámítógép
- szállítók
- támogatás
- rendszer
- szisztémás
- Systems
- Vesz
- tart
- bevétel
- Beszél
- beszéd
- célzott
- Feladat
- csapat
- Műszaki
- technikák
- Tesla
- teszt
- Tesztelés
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- dolgok
- ezt
- azok
- Keresztül
- idő
- nak nek
- Ma
- mai
- együtt
- is
- szerszám
- szerszámok
- téma
- Témakörök
- érintse
- felé
- felé
- játék
- kiképzett
- Képzések
- Trends
- igaz
- kettő
- típusok
- Végül
- megért
- megértés
- egyedi
- egyedileg
- egységek
- nem úgy mint
- szokatlan
- upon
- us
- használ
- használt
- használó
- segítségével
- rendszerint
- hasznosít
- különféle
- jármű
- Járművek
- gyártók
- Igazolás
- ellenőrzése
- nagyon
- Alelnök
- videó
- Tényleges
- látomás
- kötetek
- volt
- Út..
- módon
- we
- súly
- JÓL
- Mit
- amikor
- vajon
- ami
- egész
- miért
- széles
- széles körben
- lesz
- val vel
- belül
- nélkül
- csodálkozó
- Munka
- művek
- világ
- rosszabb
- lenne
- év
- még
- Hozam
- te
- A te
- zephyrnet