高度なトレーニング設定

サンプルレート設定

サンプルレートは、センサーの読み取り値が記録される頻度 (1 秒に 1 回、1 分に 1 回など) を定義します。この設定は、トレーニングデータの粒度に直接影響し、センサーの動作の短期的な変動をキャプチャするモデルの能力に影響します。

ベストプラクティスについては高頻度データとトレーニングと推論間の整合性のサンプリング、「」を参照してください。

ターゲットサンプリングレートを設定する

必要に応じて、トレーニング設定TargetSamplingRateで を指定して、データがサンプリングされる頻度を制御できます。サポートされている値は以下のとおりです。

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

これらは ISO 8601 期間形式であり、次の時間形式を表します。

データ解決とトレーニング効率の適切なバランスを取るサンプリングレートを選択します。次のレートを使用できます。

タイムスタンプのずれの処理

AWS IoT SiteWise は、トレーニング中に複数のデータストリーム間でタイムスタンプのずれを自動的に補正します。これにより、入力信号が時間内に完全に整列しなくても、一貫したモデル動作が保証されます。

ベストプラクティスについては高頻度データとトレーニングと推論間の整合性のサンプリング、「」を参照してください。

サンプリングを有効にする

次のコードを に追加しますanomaly-detection-training-payload.json。

データのサンプリングレートを使用して、トレーニングアクションペイロードTargetSamplingRateに を追加してサンプリングを設定します。使用できる値は ですPT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。

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

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

データのラベル付け

データにラベルを付けるときは、異常な機器動作の期間を表す時間間隔を定義する必要があります。このラベル情報は CSV ファイルとして提供され、各行は機器が正しく動作しなかった時間範囲を指定します。

各行には 2 つのタイムスタンプが含まれます。

この CSV ファイルは Amazon S3 バケットに保存され、モデルトレーニング中に使用され、システムが異常な動作の既知の例から学習するのに役立ちます。次の例は、ラベルデータを.csvファイルとして表示する方法を示しています。ファイルには ヘッダーがありません。

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

行 1 は、2024 年 6 月 21 日のメンテナンスイベントを表し、 が異常な動作を探す AWS IoT SiteWise ための の 12 時間のウィンドウ ( から 2024-06-21T00:00:00.000000Z 2024-06-21T12:00:00.000000Z) があります。

行 2 は、2024 年 7 月 11 日のメンテナンスイベントを表し、 が異常な動作を探す AWS IoT SiteWise ための の 12 時間のウィンドウ ( から 2024-07-11T00:00:00.000000Z 2024-07-11T12:00:00.000000Z) があります。

行 3 は、2024 年 7 月 31 日のメンテナンスイベントを表し、 が異常な動作を探す AWS IoT SiteWise ための のウィンドウは 12 時間 ( から 2024-07-31T00:00:00.000000Z 2024-07-31T12:00:00.000000Z) です。

AWS IoT SiteWise は、これらのすべての時間枠を使用して、これらのイベントに関する異常な動作を特定できるモデルをトレーニングおよび評価します。すべてのイベントが検出可能であるわけではなく、結果は基盤となるデータの品質と特性に大きく依存することに注意してください。

サンプリングのベストプラクティスの詳細については、「」を参照してくださいベストプラクティス。

データラベリングステップ

{
    "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"
    }
}

モデルの評価

AWS IoT SiteWise トレーニングモデルのポイント単位のモデル診断は、個々のイベントでのモデルパフォーマンスの評価です。トレーニング中、 は入力データセットの各行の異常スコアとセンサー寄与度診断 AWS IoT SiteWise を生成します。異常スコアが高いほど、異常イベントが発生する可能性が高くなります。

ExecuteAction API とAWS/ANOMALY_DETECTION_TRAININGアクションタイプを使用してモデルをトレーニングする場合、ポイント単位の診断を使用できます。

モデル評価を設定するには、

{
  "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"
    }
  }
}
      

モデルメトリクスを生成する

モデルメトリクスは、トレーニング済みの異常検出モデルのパフォーマンスと品質に関する包括的なインサイトを提供します。トレーニングプロセスでは、これらのメトリクスが自動的に生成され、指定された Amazon S3 バケットに発行されるため、再トレーニングワークフローの分析、モデル比較、昇格の決定に簡単にアクセスできます。

モデルメトリクスについて

トレーニングプロセスでは、モデルメトリクスが自動的に生成され、以下に関する詳細情報が提供されます。

モデルメトリクスの送信先を設定する

モデルメトリクスの生成を有効にするには、メトリクスが公開される Amazon S3 送信先を設定します。

再トレーニング用のモデルメトリクスを設定する

再トレーニングスケジュールを設定する場合、包括的なモデルパフォーマンスの追跡と比較を有効にするには、モデルメトリクスの送信先が必要です。

{
    "trainingMode": "START_RETRAINING_SCHEDULER",
    "modelMetricsDestination": {
        "bucketName": "bucket-name",
        "prefix": "prefix"
    },
    "retrainingConfiguration": {
        "lookbackWindow": "P180D",
        "promotion": "SERVICE_MANAGED",
        "retrainingFrequency": "P30D",
        "retrainingStartDate": "StartDate"
    }
}

モデルメトリクス構造

モデルメトリクスは、次の構造の Amazon S3 バケットに JSON ファイルとして保存されます。

{
    "labeled_ranges": [],
    "labeled_event_metrics": {
        "num_labeled": 0,
        "num_identified": 0,
        "total_warning_time_in_seconds": 0
    },
    "predicted_ranges": [],
    "unknown_event_metrics": {
        "num_identified": 0,
        "total_duration_in_seconds": 0
    },
    "data_start_time": "2023-11-01",
    "data_end_time": "2023-12-31",
    "labels_present": false,
    "model_version_metrics": {
        "precision": 1.0,
        "recall": 1.0,
        "mean_fractional_lead_time": 0.7760964912280702,
        "auc": 0.5971207364893062
    }
}

ラベル付きモデルの高度なメトリクス

トレーニング中にラベル付きデータを指定すると、追加のパフォーマンスメトリクスが Amazon S3 ファイルに含まれます。

モデルのプロモーションとメトリクス

再トレーニングワークフロー中、Amazon S3 に保存されているメトリクスにより、情報に基づいたモデル昇格の決定が可能になります。

マネージドモード (自動昇格)

手動モード (カスタマー管理プロモーション)