Fabs begynner å distribuere maskinlæringsmodeller for å bore dypt inn i komplekse prosesser, og utnytte både enorm datakraft og betydelige fremskritt innen ML. Alt dette er nødvendig ettersom dimensjonene krymper og kompleksiteten øker med nye materialer og strukturer, prosesser og emballasjealternativer, og ettersom etterspørselen etter pålitelighet øker.
Å bygge robuste modeller krever opplæring av algoritmene, og vellykket distribusjon krever overvåking av applikasjonen og effektiviteten til disse modellene. Men det er ikke så enkelt som å trykke på en knapp og gå. Det krever opplæring/omskolering/kryssopplæring av forskjellige ingeniørdisipliner - dyktige ingeniører, utstyrsingeniører og prosessingeniører - for å bruke disse modellene for oppskriftsstifinning, prosessramping, optimalisering av kritiske dimensjoner, forbedring av waferutbytte og verktøy-til-verktøy og kammer-til-kammer-matching.
"Domeneekspertise er helt avgjørende for produktiv bruk av AI/ML-tilnærminger," sa Regina Freed, visepresident for AIx-løsninger hos Applied Materials. "Faktisk vil maskinvare- og prosessekspertise - sammen med hybridmodeller basert på ML og fysikk - være den eneste veien for vellykket implementering av ML."
Å jobbe sammen med ML-trente modeller krever en forståelse av hvordan man bruker disse modellene, samt en evne til å evaluere deres effektivitet og robusthet.
"Ingeniører må tro at det kommer til å fungere, og de må forstå hva ML kan og ikke kan gjøre," sa Jon Herlocker, administrerende direktør i Tignis. "Det kommer ikke til å bli en maskin og bestemme seg for å ta over fab. Ingeniører kan sette kontroller på disse modellene for å utvikle selvtillit. De bruker de samme robuste statistiske metodene for å kvalifisere de ML-trente modellene som de ville bruke for å kvalifisere et tradisjonelt prosesskontrollsystem. De lager spesifikke prøvetakingsplaner for å måle variasjon innenfor disse planene.»
ML åpner også døren for å utforske mer komplekse forhold mellom data på tvers av produksjonsflyten. Men det er noen forbehold.
"Det som er virkelig fantastisk med den dype læringsutviklingen (DL) av maskinlæring, er bruken av denne utrolige datakraften, spesielt i GPUer," sa Ajay Baranwal, direktør for Center for Deep Learning in Electronics Manufacturing (CDLe). «I DL-trening kan et utrolig antall parametere og parameterkombinasjoner utforskes ved å bruke denne enorme regnekraften. På noen måter er det som har skjedd at brute force computing kan vinne dagen i disse dager fordi så mye datakraft er tilgjengelig nå. Men det er en avveining mellom å utforske store parametere for å utføre kompleks analyse og begrense den til enklere modeller. Overtilpasning, skjevhet og tolkbarhet er et par ulemper ved å beholde flere parametere."
Når den er kvalifisert, må en ML-modell som brukes til fabrikasjonskontroll overvåkes for å ta hensyn til drift og andre prosessendringer som kan påvirke forholdet mellom inndata og utdata.
Effektiv bruk av en ML-basert modell for utstyr og prosesskontroll krever mer enn bare modelltrening. Det krever også validering, overvåking og vedlikehold.
Pålitelig data og domeneekspertise
Vellykkede ML-trente modeller er bygget på et grunnlag av pålitelige data og domeneekspertise. Deretter krever å redusere inngangsparametere fra hundrevis til tusenvis tilgjengelig for de som virkelig betyr noe, en utforskning av sammenhenger, ofte ved hjelp av fysikkbaserte modeller. Slike modeller er spesielt viktige for utvikling av prosessoppskrifter. Kontroll av resultatene mot fysikkbaserte modeller og ingeniørkunnskap sikrer riktig veiledning av ML-utvikling. Det er også avveininger ved optimalisering av flere resultatspesifikasjoner.
Fig. 1: Nødvendige komponenter for å trene en ML-modell for fab-prosesser. Kilde: A. Meixner/Semiconductor Engineering
Uansett om ingeniører bruker datasyn, statistiske modeller eller dyplæringsmodeller, begynner modellskaping alltid med data. Disse dataene må være rene, noe som betyr feilfrie og fullstendige. For optimalisering på tvers av flere fantastiske prosesstrinn eller fremmatingsapplikasjoner krever sammenslåing av data fra flere kilder sporbarhet på wafer og/eller dysenivå. Som flere bransjeeksperter bemerket, er de tunge løftene i håndteringen av data. Dette gjelder for den første modellbyggingen og for utplasseringen i en fabrikkinnstilling.
Sammen med en jevn flyt av pålitelige data, må fantastiske prosessingeniører styre modellen i riktig retning. Dette behovet er ikke annerledes enn i noe annet felt der ML-avledede modeller lages.
"I de tidligste stadiene er det veldig nyttig å ha fageksperter for å øke ML i fabrikkene, spesielt i prosessutviklingsapplikasjoner," sa Anjaneya Thakar, seniordirektør for produktlinjeledelse ved Synopsys. "Ettersom modellen bygges med en begrenset mengde data, kan du optimalisere rundt et feil optimalt punkt, fordi de har sett problemet før en saksekspert raskt kan lede det tilbake. Når modellen din er innstilt, og du har fått kontroll over variasjonen din, er det mindre behov for fageksperter til å kjøre den på daglig basis.»
Bare det å la en algoritme trene opp en modell uten retning er som å ha en nyansatt i fabrikken.
"I noen henseender er maskinlæring som menneskelig læring," sa Tignis' Herlocker. "Hvis du har en junior prosessingeniør, er det bare så mye de kan gjøre. Men som ingeniøren lærer, kan de løse mer komplekse problemer. Det samme gjelder med ML. Jo mer trening ML-modellen har, jo bedre blir den. ML modellopplæring er domenekunnskapen. Utfordringen fremover er hvordan man tar all den domenekunnskapen og transformerer den slik at den kan konsumeres av ML som «trening». Til syvende og sist må vi koble menneskelig intuisjon og kunnskap med ML for å få de beste resultatene.»
Lam Research utforsket den optimale sammenkoblingen av ingeniørens intuisjon/kunnskap med ML-resultater i et simuleringseksperiment. [1] "Det er et ordtak blant ingeniører at datavitenskap uten domenekunnskap ikke er mye verdt," sa Keren Kanarik, teknisk administrerende direktør ved Lam Research. "På samme måte vil ikke domenekunnskap uten datavitenskap gjøre deg i stand til å innovere raskt nok i den konkurrerende halvlederverdenen. Lam testet nylig denne ideen ved å lage et virtuelt spill som sammenlignet mennesker med AI i utviklingen av en halvlederprosess til lavest mulig pris (dvs. færrest antall eksperimenter). Resultatene ga en preskriptiv tilnærming for hvordan man kan kombinere domeneekspertise med datavitenskap."
Reduser og prioriter
Den store attraksjonen til ML-baserte modeller er deres evne til å koble flere inngangsparametere til ikke-lineære forhold med flere utfallsparametere. Men for dagens modeller er de fleste eksperter enige om at ofte er antallet signifikante inputparametere i størrelsesorden 10. Det er flere grunner til denne grensen, inkludert optimalisering for feil utfall, forklaring av den trente modellen og se sammenhengene.
Fig. 2: Maskinlæring bygge pipeline for å lage en modell. Kilde: A. Meixner/Semiconductor Engineering
"Nøkkelen til vellykket implementering av komplekse algoritmer er visualisering. Du må gi en kraftig visuell representasjon som hjelper brukerne umiddelbart å tolke og forstå resultatene – og deres grenser – av algoritmene. Når det visuelle bildet treffer betrakteren rett mellom øynene, kan yield-ingeniører sette i gang," sa Dieter Rathei, administrerende direktør i DR Utbytte.
ML-treningsalgoritmer kan lettere utforske flere parametere; parameterreduksjon representerer imidlertid et viktig skritt i modellutviklingspipelinen.
"På grunn av black-box-karakteren til de fleste ML-modeller, er det noen ganger en frykt for at brukere vil finne seg i å korrelere prosessytelsen med ukedagen," sa Meghali Chopra, administrerende direktør i Sandbox Semiconductor. "ML er designet for å belyse nøkkeldatarelasjoner, men søppel inn er lik søppel ut. En god ML-modelltilnærming og rørledning er designet for å skille signalet fra støyen. Vi bruker fysikkaktivert AI for å begrense parameterplassen. Vi investerer også mye i dataforbehandling og dimensjonsreduksjonsteknikker for å sikre at de viktigste parametrene blir opplyst for brukerne våre."
Belysning av betydningsfulle parametere til ingeniører kan leveres på en trinnvis måte, først én parameter, deretter to, og muligens tre.
"Vi har to nivåer i verktøyet vårt," sa Jeff David, visepresident for AI-løsninger ved PDF-løsninger. "Det ene er den univariante prediksjonen. Vi starter med univariant fordi det er lett å forstå og visualisere. For eksempel, hvis parameter A er omtrent 2.7, og jeg ser flere feil når den er under 2.7, så har vi i neste trinn en interaksjon mellom to parametere. Og så viser vi drill-downs i interaksjonen for de to parameterne. Men vi stopper ved to, for når du først går til tre og fire blir det veldig vanskelig å visualisere og utforske.»
Det andre forbeholdet om antall parametere som brukes er feil korrelasjoner.
"For denne typen applikasjoner (utvikling av etsningsoppskrifter) er prosessene så komplekse at rotårsaksanalyse kan vise hvorfor det er veldig viktig å modellere denne kompleksiteten," sa Sandbox Semiconductors Chopra. "Faren ved å modellere så mange parametere er at du kan finne falske korrelasjoner, dvs. prosessresultatet med ukedagen. Det er det du vil unngå. Vi investerer mye i dimensjonalitetsreduksjon. Og så bruker vi vår forankringsfysikkbaserte modell, så vi er aldri så bekymret for å kompleksisere problemet fordi en god modelleringspipeline i hovedsak vil finne alle viktige prosessparametere for deg.»
Andre er enige om behovet for en modelleringsrørledning som reduserer parametere og finner betydelige sammenhenger.
"Det er definitivt en grense i antall parametere," sa PDFs David. "Men du vet ikke for et gitt brukstilfelle før du trener en modell med dataene du har og validerer den. Vår plattform lar våre kunder automatisk gjøre dette med vår treningspipeline. Vår treningspipeline skaleres for å la kundene våre se beregningene de trenger å se på de trente modellene sine på noen få timer, fra datainntak hele veien til trente modeller. Så, hvis de trente modellene viser verdi, kan brukeren automatisk distribuere modellene med vår ModelOps-plattform."
Det er også avveininger ved å balansere flere utfall.
"I utgangspunktet er det sant at det ikke er mulig å bygge disse kontrollerene uten at en prosessingeniør deltar, fordi det er beslutninger om avveininger som må tas," sa Herlocker. "Du prøver å optimalisere for mange ting samtidig. For eksempel, du prøver å optimalisere for CD, men du prøver også å minimere mengden energi du bruker. Det er iboende menneskelige avgjørelser ingeniører tar om, ‘Hvor mye bryr jeg meg om prosesskvalitet versus energibruk versus kjemikalieforbruk versus kjemiske utslipp?’ Men ML-opplæring vet ikke hvilken som er viktigst. Bare ingeniørene gjør det, så de må være der.»
Distribuer og vedlikehold
Når den er utviklet, må ML valideres og distribueres i en produksjonsinnstilling, og den må vedlikeholdes. Dette utføres best med en systematisk og pålitelig prosess i halvlederfabrikkene, og det krever en prosess/metodeplattform for maskinlæringsoperasjoner (ML Ops). Dette har blitt standard i ML-applikasjoner i andre bransjer, og skjer akkurat nå i halvlederindustrien.
Ingeniører utvikler ML-modeller isolert. Overgangen fra utvikling til produksjonsmiljø innebærer et sett med praksiser som ligner på DevOps for distribusjon av programvaresystemer. Når modellen lanseres i produksjon, muliggjør en ML Ops-plattform en økning i automatisering av distribusjon og forbedring av modellkvalitet. [2] Dermed gjelder det hele ML-modellens livssyklus.
"I det siste tiåret eller så har det vært mye spenning rundt hvordan ML kan gi verdi til halvlederproduksjon på tvers av mange bruksområder," sa PDFs David. "Men når det er på tide å implementere det i produksjon, sliter folk. Hvordan overvåker du for eksempel om den trente modellen din gjør det den skal? Hvis ikke, hva er utveien? Hva om det er på tide å lage spådommer og dataene dine ikke er der? Det skjer oftere enn vi ønsker. Hvordan oppdager du en drift i inndataene som din trente modell stolte på? Hvilke handlinger gjør du rundt det? Hva gjør du? ML Ops er i utgangspunktet implementeringen av å få alt dette til å kjøre i produksjon, slik at du faktisk kan bruke det.»
I tillegg bør modellene ha omskoleringsevne. "Det har vært mange gjennombrudd i nye ML-algoritmer, hvorav mange er dyplæringsrelaterte. Deep learning er et stort investeringsområde, og som bransje er vi i stand til å gjøre mange ting som ikke var mulig før, spesielt når det kommer til å jobbe med store modeller. Mange forbedringer innen automasjon av modellomskolering viser seg å være avgjørende for den brede distribusjonen av ML-modeller i produksjonsmiljøer med store volum, sier Tignis’ Herlocker.
Et annet aspekt ved ML Ops er raskere distribusjon av modeller for lignende spådommer, men på forskjellige produkter. På grunn av produktegenskaper kan de samme inngangsparametrene resultere i forskjellige utdata. Dette kan også bety at en annen treningstilnærming passer bedre til et datasett. Og det er her ML pipeline og ML Ops kommer inn i bildet.
"Du ønsker å trene en annen modell per produkt A, B og C, og du vil gjøre det på en automatisert måte, samt raskt distribuere hver enkelt av disse," sa PDFs David. "Kanskje tilfeldig skog ikke er den beste for det datasettet. Med ML Ops tar du datasettet ditt, du deler det opp i biter, og du implementerer forskjellige typer algoritmiske tilnærminger. De er hyperparametre til det datasettet som kan valideres i det som kalles kryssvalidering. [3] Deretter bygger du ut modellen ved å bruke din beste algoritmetilnærming, som deretter blir pakket inn i modellen, og deretter distribuerer du den for produksjon. Det kan være forskjellig fra brikke til brikke. ML Ops er sårt nødvendig i bransjen, og jeg hører til og med fra kunder at de ønsker denne ML OPS-plattformen mer enn muligheten til å trene en modell med en algoritme. Grunnen, på slutten av dagen, er at de faktisk ønsker å distribuere ML i produksjonen. Uten en plattform for å gjøre det, betyr ingenting annet.
konklusjonen
Med presset fra økonomi, effektivitet og effektivitet, vil ingeniørteam for halvlederfabrikater måtte bruke ML-modeller for å støtte arbeidet sitt. ML har dukket opp som et middel for å akselerere oppskriftsutvikling, øke gjennomstrømningen og oppnå noen få prosentpoeng av utbytte. Med MLs evne til å adressere komplekse interaksjoner som avhenger av romlige egenskaper og tidsmessige tilstander, vil fremtidige ML-modeller samoptimere på tvers av prosesstrinn, og akselerere forståelsen av nye kjemiske mekanismer og mye mer.
Men som med alle verktøy i verktøykassen deres, må ingeniører forstå MLs begrensninger. For å gjøre det effektivt trenger de en robust ML-modellpipeline som utvikler, validerer, distribuerer og overvåker. Og prosessingeniører er fortsatt pålagt å lede og forenkle søknaden.
"En av tingene vi fant er at dagens ML-løsninger trenger en prosessingeniør, programvareingeniør, dataforskere og en IT-person," sa Herlocker. "Som en del av vår visjon er den kritiske personen prosessingeniøren. Vi kan bygge et stykke programvare som lar prosessingeniøren gjøre dette uten alle andre. Vi nærmer oss å oppnå dette målet og dermed gi prosessingeniøren mulighet til å bruke ML effektivt.»
Referanser
- Kanarik, K., et al. "Menneske-maskin-samarbeid for å forbedre halvlederprosessutvikling," Nature 616, 707–711 (2023). https://doi.org/10.1038/s41586-023-05773-7
- https://en.wikipedia.org/wiki/MLOps
- https://en.wikipedia.org/wiki/Hyperparameter_(machine_learning)
Relaterte historier
Når og hvor skal AI/ML implementeres i Fabs
Smartere verktøy kan forbedre prosesskontrollen, identifisere årsakene til ekskursjoner og akselerere utviklingen av oppskrifter.
Bruke ML for forbedret Fab-planlegging
Forskere bruker nevrale nettverk for å øke effektiviteten av waferbehandling ved å identifisere mønstre i store datasamlinger.
Bruke ML i feilanalyse
Når og hvor maskinlæring brukes best, og hvordan velge riktig modell.
Dataproblemer montert i brikkeproduksjon
Masterdatapraksis gjør det mulig for produktingeniører og fabrikk-IT-ingeniører å håndtere en rekke datatyper og kvalitet.
Balanserer AI og ingeniørkompetanse i fabrikken
Resultatene viser store forbedringer når begge er distribuert for ny prosessutvikling.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://semiengineering.com/fabs-begin-ramping-up-machine-learning/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 1
- 10
- 2023
- 7
- a
- evne
- I stand
- Om oss
- absolutt
- akselerere
- akselerer
- Logg inn
- oppnå
- tvers
- Handling
- handlinger
- faktisk
- tillegg
- adresse
- fremskritt
- påvirke
- mot
- AI
- AI / ML
- AL
- algoritme
- algoritmisk
- algoritmer
- Alle
- tillate
- tillater
- også
- alltid
- utrolig
- blant
- beløp
- an
- analyse
- og
- noen
- Søknad
- søknader
- anvendt
- gjelder
- Påfør
- påføring
- tilnærming
- tilnærminger
- ER
- AREA
- rundt
- AS
- aspektet
- forsikret
- At
- tiltrekning
- Automatisert
- automatisk
- Automatisering
- tilgjengelig
- unngå
- b
- tilbake
- balansering
- basert
- I utgangspunktet
- basis
- BE
- fordi
- bli
- blir
- vært
- før du
- begynne
- Begynnelsen
- være
- tro
- under
- BEST
- Bedre
- mellom
- Bias
- Stor
- Svart boks
- øke
- både
- grenser
- gjennombrudd
- bringe
- bred
- brute force
- bygge
- Bygning
- bygget
- men
- knapp
- by
- som heter
- CAN
- evne
- hvilken
- saken
- saker
- årsaker
- CD
- sentrum
- konsernsjef
- utfordre
- Endringer
- egenskaper
- kontroll
- kjemisk
- chip
- Velg
- Chopra
- ren
- Lukke
- samarbeid
- samlinger
- kombinasjoner
- kombinere
- kommer
- sammenlignet
- konkurranse
- fullføre
- komplekse
- kompleksitet
- komponenter
- Beregn
- datamaskin
- Datamaskin syn
- databehandling
- databehandlingskraft
- selvtillit
- Koble
- forbrukes
- forbruk
- kontroll
- kontroller
- korrelerer
- korrelasjoner
- kunne
- Par
- skape
- opprettet
- Opprette
- skaperverket
- kritisk
- Kunder
- daglig
- FARE
- dato
- datavitenskap
- datasett
- David
- dag
- Dager
- avtale
- tiår
- bestemme
- avgjørelser
- dyp
- dyp læring
- helt sikkert
- levert
- Etterspørsel
- avhenge
- utplassere
- utplassert
- distribusjon
- Distribueres
- Avledet
- designet
- oppdage
- utvikle
- utviklet
- utvikle
- Utvikling
- utvikler
- DevOps
- forskjellig
- vanskelig
- dimensjoner
- direkte
- retning
- Regissør
- disipliner
- skille
- do
- ikke
- gjør
- domene
- ikke
- Av
- ulempene
- to
- e
- E&T
- hver enkelt
- tidligste
- lett
- lett
- økonomi
- effektivt
- effektivitet
- effektivitet
- Elektronikk
- ellers
- dukket
- Utslipp
- myndiggjøring
- muliggjøre
- muliggjør
- slutt
- energi
- energibruk
- ingeniør
- Ingeniørarbeid
- Ingeniører
- nok
- sikre
- Hele
- Miljø
- miljøer
- Er lik
- utstyr
- spesielt
- avgjørende
- hovedsak
- evaluere
- Selv
- alle
- evolusjon
- eksempel
- Kjøreglede
- henrettet
- eksperiment
- eksperimenter
- Expert
- ekspertise
- eksperter
- forklare
- leting
- utforske
- utforsket
- Utforske
- øyne
- legge til rette
- Faktisk
- fabrikker
- fabrikk
- Failure
- feil
- falsk
- FAST
- frykt
- Noen få
- felt
- Fiken
- Finn
- funn
- Først
- flyten
- Til
- Tving
- skog
- Forward
- funnet
- Fundament
- fire
- fra
- framtid
- spill
- få
- få
- gitt
- Go
- mål
- skal
- god
- GPU
- veiledning
- veilede
- skjedde
- Skjer
- skjer
- maskinvare
- Ha
- å ha
- hørsel
- tungt
- tung
- tung løfting
- hjelper
- Høy
- leie
- Hits
- TIMER
- Hvordan
- Hvordan
- Men
- HTTPS
- menneskelig
- Mennesker
- Hundrevis
- Hybrid
- i
- Tanken
- identifisere
- identifisering
- if
- belyse
- bilde
- iverksette
- gjennomføring
- viktig
- forbedre
- forbedret
- forbedring
- forbedringer
- bedre
- in
- I andre
- Inkludert
- Øke
- øker
- utrolig
- bransjer
- industri
- industri eksperter
- iboende
- innledende
- innovere
- inngang
- øyeblikkelig
- interaksjon
- interaksjoner
- inn
- intuisjon
- Investere
- investering
- innebærer
- isolasjon
- saker
- IT
- jon
- hoppe
- bare
- holde
- nøkkel
- Vet
- kunnskap
- Lam
- stor
- Siste
- lansert
- læring
- mindre
- Lar
- utleie
- nivåer
- utnytte
- Livssyklus
- løfte
- i likhet med
- BEGRENSE
- begrensninger
- Begrenset
- linje
- masse
- lavest
- maskin
- maskinlæring
- laget
- vedlikehold
- gjøre
- ledelse
- administrerende
- Administrerende direktør
- måte
- produksjon
- mange
- Match
- matchende
- materialer
- Saken
- Saker
- max bredde
- bety
- betyr
- midler
- måle
- mekanismer
- sammenslåing
- metoder
- Metrics
- minimere
- ML
- ML-algoritmer
- modell
- modellering
- modeller
- Overvåke
- overvåket
- overvåking
- skjermer
- mer
- mest
- MONTER
- flytting
- mye
- flere
- må
- Natur
- nødvendig
- Trenger
- nødvendig
- behov
- nettverk
- neural
- nevrale nettverk
- aldri
- Ny
- neste
- Nei.
- Bråk
- bemerket
- ingenting
- nå
- Antall
- observerte
- of
- ofte
- on
- gang
- ONE
- bare
- åpner
- Drift
- optimal
- optimalisering
- Optimalisere
- optimalisere
- alternativer
- or
- rekkefølge
- Annen
- vår
- ut
- Utfallet
- utfall
- produksjon
- enn
- emballasje
- par
- sammenkobling
- parameter
- parametere
- del
- deltakende
- spesielt
- banen
- mønstre
- Ansatte
- for
- prosent
- utføre
- ytelse
- person
- Fysikk
- brikke
- stykker
- rørledning
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- Point
- poeng
- mulig
- muligens
- makt
- kraftig
- praksis
- prediksjon
- Spådommer
- president
- trykk
- Problem
- prosess
- Prosesser
- prosessering
- Produkt
- Produksjon
- produktiv
- Produkter
- ordentlig
- egenskaper
- gi
- beviser
- kvalifisert
- kvalifisere
- kvalitet
- raskere
- raskt
- ramping
- tilfeldig
- virkelig
- grunner
- nylig
- .
- reduserer
- redusere
- reduksjon
- Relasjoner
- pålitelighet
- pålitelig
- representasjon
- representerer
- påkrevd
- Krever
- forskning
- henseender
- resultere
- Resultater
- omskolering
- ikke sant
- robust
- robusthet
- Kjør
- rennende
- Sa
- samme
- sandkasse
- vekter
- Vitenskap
- forskere
- se
- se
- sett
- halvledere
- senior
- sett
- innstilling
- flere
- bør
- Vis
- Signal
- signifikant
- lignende
- Enkelt
- enklere
- simulering
- So
- Software
- Software Engineer
- Solutions
- LØSE
- noen
- noen ganger
- kilde
- Kilder
- Rom
- romlig
- spesifikk
- spesifikasjoner
- stadier
- Standard
- Begynn
- uttalte
- Stater
- statistisk
- jevn
- styre
- Trinn
- Steps
- Still
- Stopp
- strukturer
- Struggle
- emne
- vellykket
- slik
- medfølgende
- støtte
- ment
- system
- Systemer
- Ta
- tandem
- lag
- Teknisk
- teknikker
- testet
- enn
- Det
- De
- Området
- deres
- seg
- deretter
- Der.
- Disse
- de
- ting
- ting
- denne
- De
- tusener
- tre
- gjennomstrømning
- Dermed
- tid
- til
- dagens
- også
- verktøy
- Toolbox
- verktøy
- Sporbarhet
- tradisjonelle
- Tog
- trent
- Kurs
- Transform
- overgang
- sant
- prøver
- SVING
- to
- typen
- typer
- Til syvende og sist
- forstå
- forståelse
- til
- upon
- bruke
- bruk sak
- brukt
- Bruker
- Brukere
- ved hjelp av
- bruke
- VALIDERE
- validert
- validerer
- validering
- verdi
- variasjon
- enorme
- Versus
- veldig
- vice
- Vice President
- virtuelle
- syn
- visuell
- visualisering
- visualisere
- vital
- ønsker
- Vei..
- måter
- we
- uke
- VI VIL
- var
- Hva
- Hva er
- når
- om
- hvilken
- hvorfor
- Wikipedia
- vil
- vinne
- med
- innenfor
- uten
- Arbeid
- arbeid
- verden
- bekymret
- verdt
- ville
- Innpakket
- Feil
- ennå
- Utbytte
- du
- Din
- zephyrnet