Konfigurasi pelatihan lanjutan

Konfigurasi laju sampel

Laju sampel menentukan seberapa sering pembacaan sensor direkam (misalnya, sekali setiap detik, atau sekali setiap menit). Pengaturan ini secara langsung berdampak pada perincian data pelatihan, dan memengaruhi kemampuan model untuk menangkap variasi jangka pendek dalam perilaku sensor.

Kunjungi Pengambilan sampel untuk data frekuensi tinggi dan konsistensi antara pelatihan dan inferensi untuk mempelajari praktik terbaik.

Konfigurasikan laju pengambilan sampel target

Anda dapat secara opsional menentukan a TargetSamplingRate dalam konfigurasi pelatihan Anda, untuk mengontrol frekuensi di mana data diambil sampelnya. Nilai yang didukung adalah:

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

Ini adalah format durasi ISO 8601, yang mewakili format waktu berikut:

Pilih laju pengambilan sampel yang mencapai keseimbangan yang tepat antara resolusi data, dan efisiensi pelatihan. Tarif berikut tersedia:

Menangani ketidaksejajaran stempel waktu

AWS IoT SiteWise secara otomatis mengkompensasi ketidaksejajaran stempel waktu di beberapa aliran data selama pelatihan. Ini memastikan perilaku model yang konsisten bahkan jika sinyal input tidak selaras dengan sempurna dalam waktu.

Kunjungi Pengambilan sampel untuk data frekuensi tinggi dan konsistensi antara pelatihan dan inferensi untuk mempelajari praktik terbaik.

Aktifkan pengambilan sampel

Tambahkan kode berikut keanomaly-detection-training-payload.json.

Konfigurasikan pengambilan sampel TargetSamplingRate dengan menambahkan muatan tindakan pelatihan, dengan laju pengambilan sampel data. Nilai yang diizinkan adalah:PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

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

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

Beri label data Anda

Saat memberi label pada data Anda, Anda harus menentukan interval waktu yang mewakili periode perilaku peralatan abnormal. Informasi pelabelan ini disediakan sebagai CSV file, di mana setiap baris menentukan rentang waktu di mana peralatan tidak beroperasi dengan benar.

Setiap baris berisi dua stempel waktu:

File CSV ini disimpan dalam bucket Amazon S3 dan digunakan selama pelatihan model untuk membantu sistem belajar dari contoh perilaku abnormal yang diketahui. Contoh berikut menunjukkan bagaimana data label Anda akan muncul sebagai .csv file. File tidak memiliki header.

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

Baris 1 mewakili acara pemeliharaan pada 21 Juni 2024, dengan jendela 12 jam (dari 2024-06-21T00:00:00.000000Z ke2024-06-21T12:00:00.000000Z) AWS IoT SiteWise untuk mencari perilaku abnormal.

Baris 2 mewakili acara pemeliharaan pada 11 Juli 2024, dengan jendela 12 jam (dari 2024-07-11T00:00:00.000000Z ke2024-07-11T12:00:00.000000Z) AWS IoT SiteWise untuk mencari perilaku abnormal.

Baris 3 mewakili acara pemeliharaan pada 31 Juli 2024, dengan jendela 12 jam (dari 2024-07-31T00:00:00.000000Z ke2024-07-31T12:00:00.000000Z) AWS IoT SiteWise untuk mencari perilaku abnormal.

AWS IoT SiteWise menggunakan semua jendela waktu ini untuk melatih dan mengevaluasi model yang dapat mengidentifikasi perilaku abnormal di sekitar peristiwa ini. Perhatikan bahwa tidak semua peristiwa dapat dideteksi, dan hasilnya sangat bergantung pada kualitas dan karakteristik data yang mendasarinya.

Untuk detail tentang praktik terbaik untuk pengambilan sampel, lihatPraktik terbaik.

Langkah-langkah pelabelan data

{
    "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"
    }
}

Evaluasi model Anda

Diagnostik model pointwise untuk model AWS IoT SiteWise pelatihan adalah evaluasi kinerja model pada acara individu. Selama pelatihan, AWS IoT SiteWise hasilkan skor anomali, dan diagnostik kontribusi sensor untuk setiap baris dalam kumpulan data input. Skor anomali yang lebih tinggi menunjukkan kemungkinan kejadian abnormal yang lebih tinggi.

Diagnostik pointwise tersedia, saat Anda melatih model dengan ExecuteActionAPI, dan AWS/ANOMALY_DETECTION_TRAINING tipe tindakan.

Untuk mengkonfigurasi evaluasi model,

{
  "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"
    }
  }
}