Konfigurasi inferensi lanjutan - AWS IoT SiteWise
Inferensi frekuensi tinggi (5 menit - 1 jam)Inferensi frekuensi rendah (2 jam — 1 hari)Penjadwalan yang fleksibelAktivasi versi modelMemeriksa versi model

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Konfigurasi inferensi lanjutan

AWS IoT SiteWise memungkinkan pelanggan untuk mengkonfigurasi jadwal inferensi model yang disesuaikan dengan kebutuhan operasional mereka.

Penjadwalan inferensi secara luas dikategorikan menjadi tiga mode:

Inferensi frekuensi tinggi (5 menit - 1 jam)

Mode ini sangat ideal untuk proses yang beroperasi terus menerus, atau memiliki tingkat perubahan nilai sensor yang tinggi. Dalam konfigurasi ini, inferensi berjalan sesering setiap 5 menit.

Gunakan kasus:

  • Ini digunakan dalam memantau peralatan yang berubah cepat seperti kompresor atau konveyor.

  • Ini sangat membantu dalam menangkap anomali berumur pendek yang membutuhkan respons segera.

  • Ini adalah operasi yang selalu aktif di mana data mengalir secara konsisten.

Dukungan offset bersyarat:

Anda dapat menentukan offset bersyarat (0 - 60 menit) untuk menunda inferensi setelah konsumsi data. Ini memastikan data yang datang terlambat masih termasuk dalam jendela analisis.

Untuk mengkonfigurasi inferensi frekuensi tinggi:

  • Konfigurasikan nilai payload AWS/ANOMALY_DETECTION_INFERENCE tindakan DataUploadFrequency dengan nilai: PT5M, PT10M, PT15M, PT30M, PT1H saat memulai inferensi.

  • (Opsional) Konfigurasikan DataDelayOffsetInMinutes dengan offset penundaan dalam hitungan menit. Tetapkan nilai ini antara 0 dan 60 menit.

{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "DataDelayOffsetInMinutes",
    "dataUploadFrequency": "DataUploadFrequency"
}
contoh konfigurasi inferensi frekuensi tinggi:
{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "2",
    "dataUploadFrequency": "PT5M"
}

Inferensi frekuensi rendah (2 jam — 1 hari)

Mode ini cocok untuk proses yang bergerak lebih lambat atau kasus penggunaan di mana evaluasi harian cukup. Pelanggan mengonfigurasi inferensi untuk dijalankan setiap jam atau sekali per hari.

Dukungan waktu mulai untuk interval 1 hari:

Untuk inferensi harian, secara opsional tentukan startTime(8 pagi setiap hari), bersama dengan kesadaran zona waktu.

Dukungan zona waktu:

Ketika startTime disediakan, AWS IoT SiteWise menggunakan Database Zona Waktu, dikelola oleh Internet Assigned Numbers Authority (IANA). Ini memastikan inferensi Anda selaras dengan jam kerja lokal bahkan di seluruh wilayah.

Dukungan offset bersyarat:

Seperti mode lainnya, offset bersyarat 0 - 60 menit dikonfigurasi.

Gunakan kasus:

  • Pemeriksaan kesehatan harian untuk proses batch atau operasi berbasis shift.

  • Menghindari inferensi selama pemeliharaan atau downtime.

  • Ini membantu dalam lingkungan terbatas sumber daya, di mana penggunaan komputasi harus diminimalkan.

Untuk mengkonfigurasi inferensi frekuensi rendah:

  • Konfigurasikan nilai payload AWS/ANOMALY_DETECTION_INFERENCE tindakan DataUploadFrequency dengan nilai:PT2H..PT12H.

    • Dalam kasus 1 hari, DataUploadFrequency adalahP1D.

  • (Opsional) Konfigurasikan DataDelayOffsetInMinutes dengan offset penundaan dalam hitungan menit. Tetapkan nilai ini antara 0 dan 60 menit.

contoh konfigurasi inferensi frekuensi rendah:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "P1D",
    "inferenceStartTime": "13:00",
    "inferenceTimeZone": "America/Chicago"
}

Penjadwalan yang fleksibel

Penjadwalan yang fleksibel memungkinkan pelanggan untuk menentukan hari dan rentang waktu tertentu, di mana inferensi dijalankan. Ini memberi pelanggan kontrol penuh atas penjadwalan berdasarkan jam produksi, waktu shift, dan waktu henti yang direncanakan.

weeklyOperatingWindowMembantu ketika:

  • Peralatan hanya berjalan selama jam-jam tertentu (8 pagi - 4 sore).

  • Tidak ada produksi pada akhir pekan.

  • Pemeliharaan harian dijadwalkan selama blok waktu yang diketahui.

Dukungan zona waktu:

Ketika startTime disediakan, AWS IoT SiteWise menggunakan Database Zona Waktu, dikelola oleh Internet Assigned Numbers Authority (IANA). Ini memastikan inferensi sejalan dengan jam kerja lokal bahkan di seluruh wilayah.

Dukungan offset bersyarat:

Seperti mode lainnya, offset bersyarat 0 - 60 menit dapat dikonfigurasi.

Manfaat dariweeklyOperatingWindow:

  • Ini menghindari inferensi selama periode idle atau pemeliharaan, mengurangi positif palsu.

  • Ini menyelaraskan deteksi anomali dengan prioritas operasional dan alur kerja berbasis shift.

Untuk mengkonfigurasi penjadwalan yang fleksibel:

  • Konfigurasikan nilai muatan AWS/ANOMALY_DETECTION_INFERENCE tindakan denganDataUploadFrequency.

  • (Opsional) DataDelayOffsetInMinutes dengan offset penundaan dalam hitungan menit. Tetapkan nilai ini antara 0 dan 60 menit.

  • Konfigurasikan weeklyOperatingWindow dengan konfigurasi shift:

    • Kunci untuk weeklyOperatingWindow adalah hari dalam seminggu:monday|tuesday|wednesday|thursday|friday|saturday|sunday.

    • Setiap rentang waktu harus dalam format 24 jam sebagai "HH:MM-HH:MM" ("08:00-16:00").

    • Beberapa rentang dapat ditentukan per hari.

contoh konfigurasi penjadwalan yang fleksibel:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT5M",
    "weeklyOperatingWindow": {
      "tuesday": ["11:00-13:00"],
      "monday": ["10:00-11:00", "13:00-15:00"]
    }
}

Aktivasi versi model

Saat memulai inferensi, Anda dapat mengaktifkan versi model tertentu secara opsional untuk digunakan untuk deteksi anomali. Fitur ini memungkinkan Anda memilih versi model terlatih tertentu, memutar kembali ke versi sebelumnya, atau mengganti keputusan promosi model otomatis.

Kasus penggunaan:

  • Rollback produksi: Kembalikan dengan cepat ke versi model stabil saat versi saat ini menunjukkan kinerja yang menurun atau perilaku yang tidak terduga.

  • Pengujian A/B: Bandingkan kinerja antara versi model yang berbeda dengan beralih di antara mereka selama periode waktu yang dikendalikan.

  • Pemilihan model manual: Ganti keputusan promosi otomatis, dan pilih versi model pilihan Anda secara manual berdasarkan persyaratan bisnis.

  • Penerapan bertahap: Uji versi model yang lebih baru di jendela waktu yang tidak kritis sebelum mempromosikannya ke penggunaan produksi penuh.

  • Optimalisasi kinerja: Pilih versi model yang berkinerja lebih baik untuk kondisi operasional tertentu, atau pola musiman.

  • Rollback selama pemeliharaan: Gunakan versi model yang lebih lama dan teruji dengan baik selama pemeliharaan sistem, atau peningkatan untuk memastikan stabilitas.

Perilaku pemilihan versi model

Kapan targetModelVersion ditentukan:

  • Sistem mengaktifkan versi model yang diminta untuk inferensi.

  • Memvalidasi bahwa versi model yang ditentukan ada.

  • Mengesampingkan pengaturan promosi otomatis apa pun.

Kapan targetModelVersion tidak ditentukan:

  • Mengaktifkan versi model aktif terakhir jika inferensi dimulai sebelumnya.

  • Jika inferensi tidak pernah diaktifkan, gunakan versi model terlatih terbaru.

Untuk mengaktifkan versi model tertentu:

  • Konfigurasikan payload tindakan inferensi, dengan targetModelVersion disetel ke nomor versi model yang Anda inginkan.

  • Versi model yang ditentukan divalidasi dan diaktifkan jika ada.

contoh aktivasi versi model:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT15M",
    "targetModelVersion": 2
}

Memeriksa versi model

Untuk memverifikasi versi model yang sedang aktif:

Untuk melihat semua versi model yang tersedia:

  • Gunakan ListExecutionsAPI untuk mengambil daftar lengkap versi model historis.

  • Gunakan Use the DescribeExecutionAPI untuk mengambil informasi model terlatih termasuk rentang waktu data ekspor, versi model komputasi, dan durasi yang dapat ditagih dalam hitungan menit.

Karakteristik versi model

  • Nomor versi model ditetapkan secara berurutan mulai dari 1.

  • Anda dapat mengaktifkan versi model yang dilatih sebelumnya.

  • Versi model yang diaktifkan tetap ada hingga diubah secara eksplisit.

  • Aktivasi versi model bekerja dengan semua mode penjadwalan inferensi (frekuensi tinggi, frekuensi rendah, dan fleksibel).

  • Jika versi model yang ditentukan tidak ada, tindakan inferensi gagal dengan kesalahan.