Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Bonnes pratiques
Comprendre la plage de dates minimale
Utilisez un minimum de 14 jours pour la durée des données d'entraînement. Cependant, nous vous recommandons d'inclure une période de données plus longue dans de nombreux cas.
Assurez-vous que votre ensemble de données d'entraînement couvre une période pendant laquelle l'actif a fonctionné dans tous ses modes de fonctionnement normaux. Cette approche permet de distinguer AWS IoT SiteWise avec précision le comportement attendu des véritables anomalies.
Si vos données d'entraînement ne représentent pas tous les modes de fonctionnement habituels, vous AWS IoT SiteWise risquez de signaler à tort des modèles inhabituels mais normaux comme des anomalies, ce qui augmente le nombre de faux positifs.
Échantillonnage pour les données à haute fréquence et cohérence entre l'entraînement et l'inférence
Si vos capteurs génèrent des données à une fréquence supérieure à 1 Hz (plus d'une lecture par seconde), appliquez un échantillonnage pendant l'entraînement. L'échantillonnage réduit le volume de données tout en préservant les tendances essentielles, ce qui permet un traitement efficace et améliore la généralisation du modèle en minimisant l'impact du bruit ou des fluctuations transitoires.
AWS IoT SiteWise la détection native des anomalies ne prend actuellement pas en charge les données ingérées à des fréquences inférieures à 1 Hz. Vérifiez que vos données répondent à cette exigence de fréquence minimale avant de configurer la détection des anomalies.
En outre, AWS IoT SiteWise utilise également le taux d'échantillonnage que vous avez configuré pendant l'entraînement à des fins d'inférence. Pour maintenir la cohérence et garantir la précision des résultats de détection des anomalies, choisissez une fréquence d'échantillonnage adaptée à la fois à vos besoins opérationnels et au comportement des données de vos capteurs.
Découvrez plus de détails sur le réglage de la fréquence d'échantillonnage àConfiguration de la fréquence d'échantillonnage.
Recommandations en matière d'étiquetage
Un étiquetage précis et cohérent des anomalies est essentiel pour une évaluation efficace des modèles et une amélioration continue. Tenez compte des meilleures pratiques suivantes lorsque vous étiquetez des anomalies :
-
Consolidez les anomalies associées : ne qualifiez pas les anomalies survenant de près comme des événements distincts, si elles font partie du même problème sous-jacent. Par exemple, si des anomalies apparaissent à un ou deux jours d'intervalle et qu'elles sont motivées par la même cause, traitez-les comme une fenêtre d'anomalie unique. Cette approche permet au modèle de mieux comprendre le schéma des comportements anormaux et de réduire le bruit dans vos données d'évaluation.
-
Étiquetez les fenêtres d'anomalies, pas uniquement les points : au lieu de marquer des points de données individuels comme anormaux, étiquetez l'ensemble de la fenêtre qui reflète un comportement anormal depuis le début de la déviation jusqu'à sa guérison. Cette approche fournit des limites plus claires et améliore l'alignement du modèle sur les problèmes opérationnels réels.
-
Exclure les périodes incertaines : si vous ne savez pas si une période est anormale, laissez-la sans étiquette. Des étiquettes ambiguës peuvent semer la confusion dans le modèle et dégrader sa précision au fil du temps.
Pour en savoir plus sur la façon d'ajouter des étiquettes, rendez-vous surÉtiquetez vos données.
