Configurations d'entraînement avancées

Configuration de la fréquence d'échantillonnage

La fréquence d'échantillonnage définit la fréquence à laquelle les mesures du capteur sont enregistrées (par exemple, une fois par seconde ou une fois par minute). Ce paramètre a un impact direct sur la granularité des données d'entraînement et influence la capacité du modèle à capturer les variations à court terme du comportement des capteurs.

Visitez Échantillonnage pour les données à haute fréquence et cohérence entre l'entraînement et l'inférence pour en savoir plus sur les meilleures pratiques.

Configurer le taux d'échantillonnage cible

Vous pouvez éventuellement spécifier un TargetSamplingRate dans votre configuration d'entraînement, afin de contrôler la fréquence à laquelle les données sont échantillonnées. Les valeurs prises en charge sont :

PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H

Il s'agit des formats de durée ISO 8601, qui représentent les formats temporels suivants :

Choisissez un taux d'échantillonnage qui trouve le juste équilibre entre résolution des données et efficacité de la formation. Les tarifs suivants sont disponibles :

Gestion du désalignement de l'horodatage

AWS IoT SiteWise compense automatiquement le mauvais alignement de l'horodatage sur plusieurs flux de données pendant l'entraînement. Cela garantit un comportement cohérent du modèle même si les signaux d'entrée ne sont pas parfaitement alignés dans le temps.

Visitez Échantillonnage pour les données à haute fréquence et cohérence entre l'entraînement et l'inférence pour en savoir plus sur les meilleures pratiques.

Activer l'échantillonnage

Ajoutez le code suivant àanomaly-detection-training-payload.json.

Configurez l'échantillonnage TargetSamplingRate en ajoutant la charge utile de l'action d'entraînement, avec le taux d'échantillonnage des données. Les valeurs autorisées sont :PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "targetSamplingRate": "TargetSamplingRate"
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "targetSamplingRate": "PT1M"
}

Étiquetez vos données

Lorsque vous étiquetez vos données, vous devez définir des intervalles de temps qui représentent les périodes de comportement anormal de l'équipement. Ces informations d'étiquetage sont fournies sous forme de CSV fichier, où chaque ligne indique une plage de temps pendant laquelle l'équipement ne fonctionnait pas correctement.

Chaque ligne contient deux horodatages :

Ce fichier CSV est stocké dans un compartiment Amazon S3 et est utilisé lors de l'entraînement des modèles pour aider le système à tirer des leçons d'exemples connus de comportements anormaux. L'exemple suivant montre comment les données de votre étiquette doivent apparaître sous forme de .csv fichier. Le fichier n'a pas d'en-tête.

2024-06-21T00:00:00.000000,2024-06-21T12:00:00.000000
2024-07-11T00:00:00.000000,2024-07-11T12:00:00.000000
2024-07-31T00:00:00.000000,2024-07-31T12:00:00.000000

La ligne 1 représente un événement de maintenance survenu le 21 juin 2024, avec une fenêtre de 12 heures (de 2024-06-21T00:00:00.000000Z à2024-06-21T12:00:00.000000Z) AWS IoT SiteWise pour rechercher un comportement anormal.

La ligne 2 représente un événement de maintenance survenu le 11 juillet 2024, avec une fenêtre de 12 heures (de 2024-07-11T00:00:00.000000Z à2024-07-11T12:00:00.000000Z) AWS IoT SiteWise pour rechercher un comportement anormal.

La ligne 3 représente un événement de maintenance survenu le 31 juillet 2024, avec une fenêtre de 12 heures (de 2024-07-31T00:00:00.000000Z à2024-07-31T12:00:00.000000Z) AWS IoT SiteWise pour rechercher un comportement anormal.

AWS IoT SiteWise utilise toutes ces fenêtres temporelles pour entraîner et évaluer des modèles capables d'identifier les comportements anormaux liés à ces événements. Notez que tous les événements ne sont pas détectables et que les résultats dépendent fortement de la qualité et des caractéristiques des données sous-jacentes.

Pour plus de détails sur les meilleures pratiques en matière d'échantillonnage, voirBonnes pratiques.

Étapes d'étiquetage des données

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "labelInputConfiguration": 
      {
       "bucketName": "label-bucket",
       "prefix": "files-prefix"
      }
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "labelInputConfiguration": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Labels/model=b2d8ab3e-73af-48d8-9b8f-a290bef931b4/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/Lables.csv"
    }
}

Évaluation de votre modèle

Le diagnostic ponctuel d'un modèle d' AWS IoT SiteWise entraînement consiste en une évaluation des performances du modèle lors d'événements individuels. Pendant l'entraînement, AWS IoT SiteWise génère un score d'anomalie et des diagnostics de contribution du capteur pour chaque ligne de l'ensemble de données d'entrée. Un score d'anomalie plus élevé indique une probabilité plus élevée d'un événement anormal.

Des diagnostics ponctuels sont disponibles lorsque vous entraînez un modèle avec une ExecuteActionAPI et un type AWS/ANOMALY_DETECTION_TRAINING d'action.

Pour configurer l'évaluation du modèle,

{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime,
  "modelEvaluationConfiguration": {
    "dataStartTime": evaluationStartTime,
    "dataEndTime": evaluationEndTime
    "resultDestination": {
      "bucketName": "s3BucketName",
      "prefix": "bucketPrefix"
    }
  }
}
    

{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360,
  "modelEvaluationConfiguration": {
    "dataStartTime": 1722789360,
    "dataEndTime": 1725174000,
    "resultDestination": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Evaluation/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/1747681026-evaluation_results.jsonl"
    }
  }
}