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を記録する頻度 (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。

PT1S = 1 秒
PT1M = 1 分
PT1H = 1 時間

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。次の料金を利用できます。

サンプリングレートが高いほど (PT1S) 詳細が細かくなりますが、データ量とトレーニング時間が長くなる可能性があります。
サンプリングレート (、) を低くすると、データサイズとコストを削減できますが、存続期間の短い異常を見逃す可能性があります。PT10M PT1H

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"
}

例サンプルレート設定の :


{
    "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。

異常な動作が開始されたと考えられる時刻を示す開始時刻。
障害または問題が最初に検出された時刻を表す終了時刻。

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。

例 CSV ファイルの :


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 のウィンドウは 12 時間 ( から 2024-06-21T00:00:00.000000Z 2024-06-21T12:00:00.000000Z) です。

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。

データラベリング手順

「ラベル付けデータの前提条件」のラベル付けの前提条件に従って Amazon S3 バケットを設定します。
ファイルをラベル付けバケットにアップロードします。
に以下を追加しますanomaly-detection-training-payload.json。
- ファイルの labelInputConfigurationセクションで場所を指定します。labels-bucket をバケット名に置き換え、 files-prefix を file (s) パスまたはプレフィックスの一部に置き換えます。の場所にあるすべてのファイルが解析され、 (成功すると) ラベルファイルとして使用されます。


{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "labelInputConfiguration": 
      {
       "bucketName": "label-bucket",
       "prefix": "files-prefix"
      }
}

例ラベル設定の :


{
    "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、

「ラベル付けデータの前提条件」のラベル付けの前提条件に従って Amazon S3 バケットを設定します。
に以下を追加しますanomaly-detection-training-payload.json。
- モデルのパフォーマンスを評価するために使用されるウィンドウ内のデータの evaluationStartTimeと evaluationEndTime (両方ともエポック秒) を指定します。
- 評価診断を書き込むには、Amazon S3 バケットの場所 (resultDestination) を指定します。

注記

モデル評価間隔 (dataStartTime から dataEndtime) は、トレーニング間隔と重複するか、連続している必要があります。ギャップは許可されません。


{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime,
  "modelEvaluationConfiguration": {
    "dataStartTime": evaluationStartTime,
    "dataEndTime": evaluationEndTime
    "resultDestination": {
      "bucketName": "s3BucketName",
      "prefix": "bucketPrefix"
    }
  }
}

例モデル評価設定の :


{
  "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"
    }
  }
}

ブラウザで JavaScript が無効になっているか、使用できません。

AWS ドキュメントを使用するには、JavaScript を有効にする必要があります。手順については、使用するブラウザのヘルプページを参照してください。

ドキュメントの表記規則

アセット間でセンサーの異常検出を有効にする

高度な推論設定