Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Prácticas recomendadas
Comprenda el intervalo de fechas mínimo
Utilice un mínimo de 14 días para la duración de los datos de entrenamiento. Sin embargo, le recomendamos que incluya un período de datos más largo en muchos casos.
Asegúrese de que su conjunto de datos de entrenamiento abarque un período de tiempo durante el cual el activo funcionó en todos sus modos de funcionamiento normales. Este enfoque ayuda a distinguir AWS IoT SiteWise con precisión entre el comportamiento esperado y las anomalías reales.
Si los datos de entrenamiento no representan todos los modos de funcionamiento típicos, es AWS IoT SiteWise posible que se marquen incorrectamente como anomalías los patrones no conocidos pero normales, lo que aumenta los falsos positivos.
Toma de muestras para obtener datos de alta frecuencia y garantizar la coherencia entre el entrenamiento y la inferencia
Si sus sensores generan datos a una frecuencia superior a 1 Hz (más de una lectura por segundo), aplique el muestreo durante el entrenamiento. El muestreo reduce el volumen de datos y, al mismo tiempo, preserva las tendencias esenciales, lo que permite un procesamiento eficiente y mejora la generalización de los modelos al minimizar el impacto del ruido o las fluctuaciones transitorias.
AWS IoT SiteWise La detección nativa de anomalías actualmente no admite la ingesta de datos a velocidades inferiores a 1 Hz. Compruebe que sus datos cumplen este requisito de frecuencia mínima antes de configurar la detección de anomalías.
Además, también AWS IoT SiteWise utiliza la frecuencia de muestreo que configuró durante el entrenamiento para realizar inferencias. Para mantener la coherencia y garantizar unos resultados de detección de anomalías precisos, elija una frecuencia de muestreo que se adapte tanto a sus necesidades operativas como al comportamiento de los datos de los sensores.
Obtenga más información sobre cómo establecer la frecuencia de muestreo en. configuración de frecuencia de muestreo
Recomendaciones de etiquetado
El etiquetado preciso y coherente de las anomalías es esencial para una evaluación eficaz del modelo y una mejora continua. Tenga en cuenta las siguientes prácticas recomendadas al etiquetar las anomalías:
-
Consolide las anomalías relacionadas: no etiquete las anomalías que se producen de forma cercana como eventos separados si forman parte del mismo problema subyacente. Por ejemplo, si las anomalías se producen con una diferencia de uno a dos días y su origen es la misma causa, trátelas como si se tratara de un único intervalo de anomalías. Este enfoque ayuda al modelo a conocer mejor el patrón de comportamiento anormal y reduce el ruido en los datos de la evaluación.
-
Etiquete las ventanas de anomalías, no solo los puntos: en lugar de marcar puntos de datos individuales como anómalos, etiquete toda la ventana que refleja el comportamiento anormal desde el inicio de la desviación hasta la recuperación. Este enfoque proporciona límites más claros y mejora la alineación del modelo con los problemas operativos reales.
-
Excluya los períodos inciertos: si no está seguro de si un período es anómalo, déjelo sin etiquetar. Las etiquetas ambiguas pueden confundir el modelo y reducir su precisión con el paso del tiempo.
Encontrará más información sobre cómo añadir etiquetas enEtiquete sus datos.
