Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Praktik terbaik
Memahami rentang tanggal minimum
Gunakan minimal 14 hari untuk durasi data pelatihan. Namun, kami menyarankan Anda menyertakan periode data yang lebih lama dalam banyak kasus.
Pastikan bahwa kumpulan data pelatihan Anda mencakup jangka waktu di mana aset beroperasi di bawah semua mode operasi normalnya. Pendekatan ini membantu membedakan AWS IoT SiteWise secara akurat antara perilaku yang diharapkan dan anomali sejati.
Jika data pelatihan Anda tidak mewakili semua mode operasi biasa, AWS IoT SiteWise mungkin salah menandai pola yang tidak dikenal tetapi normal sebagai anomali, yang meningkatkan positif palsu.
Pengambilan sampel untuk data frekuensi tinggi dan konsistensi antara pelatihan dan inferensi
Jika sensor Anda menghasilkan data pada frekuensi yang lebih tinggi dari 1 Hz (lebih dari satu pembacaan per detik), terapkan pengambilan sampel selama pelatihan. Pengambilan sampel mengurangi volume data sambil mempertahankan tren penting, yang memungkinkan pemrosesan yang efisien dan meningkatkan generalisasi model dengan meminimalkan dampak kebisingan atau fluktuasi sementara.
AWS IoT SiteWise deteksi anomlay asli saat ini tidak mendukung data yang dicerna pada kecepatan di bawah 1 Hz. Verifikasi bahwa data Anda memenuhi persyaratan frekuensi minimum ini sebelum Anda mengonfigurasi deteksi anomali.
Selain itu, AWS IoT SiteWise gunakan laju pengambilan sampel yang Anda konfigurasikan selama pelatihan untuk inferensi juga. Untuk menjaga konsistensi dan memastikan hasil deteksi anomali yang akurat, pilih laju pengambilan sampel yang sesuai dengan kebutuhan operasional dan perilaku data sensor Anda.
Temukan detail lebih lanjut tentang cara mengatur laju pengambilan sampel diKonfigurasi laju sampel.
Rekomendasi pelabelan
Pelabelan anomali yang akurat dan konsisten sangat penting untuk evaluasi model yang efektif dan perbaikan berkelanjutan. Pertimbangkan praktik terbaik berikut saat Anda memberi label anomali:
-
Konsolidasikan anomali terkait: Jangan memberi label anomali yang terjadi secara dekat sebagai peristiwa terpisah, jika mereka adalah bagian dari masalah mendasar yang sama. Misalnya, jika anomali terjadi dalam 1-2 hari satu sama lain dan akar penyebab yang sama mendorongnya, perlakukan mereka sebagai jendela anomali tunggal. Pendekatan ini membantu model mempelajari pola perilaku abnormal dengan lebih baik, dan mengurangi kebisingan dalam data evaluasi Anda.
-
Beri label jendela anomali, bukan hanya poin: Alih-alih menandai titik data individu sebagai anomali, beri label seluruh jendela yang mencerminkan perilaku abnormal dari onset penyimpangan hingga pemulihan. Pendekatan ini memberikan batasan yang lebih jelas dan meningkatkan penyelarasan model dengan masalah operasional aktual.
-
Kecualikan periode yang tidak pasti: Jika Anda tidak yakin apakah suatu periode anomali, biarkan tidak berlabel. Label ambigu dapat membingungkan model dan menurunkan akurasinya dari waktu ke waktu.
Temukan detail selengkapnya tentang cara menambahkan label diBeri label data Anda.
