View a markdown version of this page

Danau Data Manufaktur pada AWS - Danau Data Manufaktur pada AWS

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

Danau Data Manufaktur pada AWS

Tanggal publikasi: 29 Juni 2020 (Sejarah diagram)

Dengan arsitektur ini, Anda dapat membangun danau data manufaktur yang menggabungkan data teknologi operasional (OT) dari perangkat Industrial Internet of Things (IIoT) dan aplikasi pabrik dengan data aplikasi perusahaan. Anda kemudian dapat menjalankan kasus penggunaan analitik manufaktur dan prediksi dengan model pembelajaran mesin (ML). Arsitektur ini menggunakan AWS Lake Formation, Amazon Simple Storage Service (Amazon S3), Amazon Redshift, AWS IoT Core, Amazon Data Firehose, dan Amazon SageMaker AI.

Diagram arsitektur danau data manufaktur

Diagram arsitektur referensi untuk membangun danau data manufaktur AWS yang menggabungkan IIoT dan data perusahaan untuk analisis dan prediksi ML.

Langkah-langkah berikut menjelaskan arsitektur:

  1. Buat struktur danau data dengan Lake Formation atau Amazon S3 dan Amazon Redshift. Simpan data mentah dan data yang diproses di bucket Amazon S3 yang diatur berdasarkan sumber data dan tahap pemrosesan.

  2. Untuk data relasional terstruktur, buat instance Amazon Relational Database Service (Amazon RDS) dalam Amazon VPC. https://docs.aws.amazon.com/vpc/latest/userguide/

  3. Untuk aplikasi perusahaan yang kompatibel, gunakan Amazon API Gateway dan AWS Lambda buat antarmuka ke Amazon RDS.

  4. Untuk database yang kompatibel, gunakan AWS Database Migration Service untuk membuat salinan atau mengekspor kumpulan data terstruktur ke danau data.

  5. Untuk peralatan IIoT dan otomatisasi, AWS IoT Core gunakan Amazon Data Firehose untuk mengalirkan data ke danau data. AWS IoT SiteWisemengumpulkan dan mengatur data peralatan industri.

  6. Untuk antarmuka eksternal atau batch, gunakan AWS Transfer Family untuk memasukkan data ke dalam data lake.

  7. Gunakan AWS Glue untuk membangun katalog data dan membuat pekerjaan ekstrak, transformasi, dan memuat (ETL).

  8. Gunakan Amazon SageMaker AI untuk melatih dan menerapkan model ML terhadap data di data lake.

  9. Gunakan AWS AppSync untuk membangun titik akhir GraphQL dengan resolver Lambda. Titik akhir ini menyediakan API yang fleksibel untuk mengkonsumsi aplikasi.

  10. Buat visualisasi dengan Amazon Quick Sight menggunakan Amazon Athena dan Amazon Redshift.

Sumber bacaan lebih lanjut

Untuk informasi tambahan, lihat sumber daya berikut:

Sejarah diagram

Untuk diberitahu tentang pembaruan diagram arsitektur referensi ini, berlangganan umpan RSS.

PerubahanDeskripsiTanggal

Publikasi awal

Diagram arsitektur referensi pertama kali diterbitkan.

29 Juni 2020

Langganan RSS

Untuk berlangganan pembaruan RSS, Anda harus mengaktifkan plugin RSS untuk browser yang Anda gunakan.