View a markdown version of this page

Cree su propia canalización de aprendizaje automático para la detección de anomalías - Cree su propia canalización de aprendizaje automático para la detección de anomalías
Cree su propia línea de aprendizaje automático para la detección de anomalíasDocumentación adicionalHistorial del diagrama

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.

Cree su propia canalización de aprendizaje automático para la detección de anomalías

Fecha de publicación: 1 de junio de 2021 () Historial del diagrama

Esta arquitectura muestra cómo crear una canalización integral de aprendizaje automático que detecte anomalías. Puede incorporar datos de streaming en tiempo real, realizar transformaciones y volver a entrenar continuamente los modelos de aprendizaje automático.

Cree su propia línea de aprendizaje automático para la detección de anomalías

Diagrama de arquitectura que muestra una canalización de aprendizaje automático para la detección de anomalías con SageMaker IA, Kinesis y. AWS CodePipeline

Los siguientes pasos describen la arquitectura:

  1. Los datos de telemetría de los dispositivos de campo se ingieren prácticamente en tiempo real mediante llamadas a la API a través de Amazon API Gateway. Amazon Cognito autentica y autoriza las solicitudes.

  2. Amazon Kinesis Data Firehose ingiere los datos en tiempo real y los invoca AWS Lambda para transformarlos en formato Parquet. Kinesis Data Firehose escala automáticamente para adaptarse al rendimiento de los datos.

  3. Los trabajos de AWS Glue agregan los datos de telemetría cada hora. Los trabajos vuelven a particionar los datos según el año, el mes, la fecha y la hora. Los pasos adicionales, como las transformaciones y la ingeniería de funciones, preparan los datos para la capacitación. El conjunto de datos de entrenamiento se almacena en el lago de datos de Amazon Simple Storage Service.

  4. El código de entrenamiento registrado en AWS CodeCommit desencadena una canalización de MLOps mediante el uso de. AWS CodePipeline CodePipeline crea los contenedores de entrenamiento e inferencia de SageMaker inteligencia artificial de Amazon. Activa el trabajo de entrenamiento de SageMaker IA, implementa el modelo entrenado en el entorno de pruebas y, tras su aprobación, implementa el modelo en producción.

  5. Los modelos de aprendizaje automático generados por los trabajos de entrenamiento se registran en el repositorio de modelos de SageMaker IA. El proceso de implementación selecciona el mejor modelo de aprendizaje automático para implementar mediante el alojamiento de SageMaker IA.

  6. Puede clasificar los datos de telemetría como anómalos o no mediante una API HTTPS mediante las funciones de API Gateway y Lambda. La función Lambda invoca el punto final de la SageMaker IA para predecir la anomalía.

  7. SageMaker AI Model Monitor monitorea la calidad de la inferencia. Las solicitudes con puntuaciones de predicción ambiguas se envían para volver a etiquetarlas mediante Amazon CloudWatch Events. Estos eventos activan el flujo de trabajo de SageMaker AI A2I. AWS Step Functions

Documentación adicional

Para obtener información adicional, consulte los siguientes recursos:

Historial del diagrama

Para recibir notificaciones sobre las actualizaciones de este diagrama de arquitectura de referencia, suscríbase a la fuente RSS.

CambioDescripciónFecha

Publicación inicial

El diagrama de arquitectura de referencia se publicó por primera vez.

1 de junio de 2021

nota

Para suscribirse a las actualizaciones de RSS, debe tener un complemento de RSS habilitado para el navegador que esté utilizando.