翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
ベストプラクティス
最小日付範囲を理解する
トレーニングデータ期間には最低 14 日を使用します。ただし、多くの場合、より長い期間のデータを含めることをお勧めします。
トレーニングデータセットが、アセットが通常のすべての運用モードで運用されている期間にまたがっていることを確認します。このアプローチは、予想される動作と真の異常 AWS IoT SiteWise を正確に区別するのに役立ちます。
トレーニングデータがすべての一般的な動作モードを表していない場合は、不慣れだが通常のパターンに異常として誤ってフラグを付け、誤検出が増加する AWS IoT SiteWise 可能性があります。
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
センサーが 1 Hz を超える周波数 (1 秒あたり 1 回以上の読み取り) でデータを生成する場合は、トレーニング中にサンプリングを適用します。サンプリングは、重要な傾向を維持しながらデータ量を削減します。これにより、ノイズや一時的な変動の影響を最小限に抑えることで、効率的な処理が可能になり、モデルの一般化が向上します。
AWS IoT SiteWise ネイティブ異常検出は現在、1 Hz 未満のレートで取り込まれたデータをサポートしていません。異常検出を設定する前に、データがこの最小頻度要件を満たしていることを確認します。
さらに、 は、推論のトレーニング中に設定したサンプリングレートも AWS IoT SiteWise 使用します。一貫性を維持し、正確な異常検出結果を確保するには、運用上のニーズとセンサーデータの動作の両方に合ったサンプリングレートを選択します。
でサンプリングレートを設定する方法の詳細については、「」を参照してくださいサンプルレート設定。
ラベル付けに関する推奨事項
効果的なモデル評価と継続的な改善には、異常の正確で一貫したラベル付けが不可欠です。異常にラベルを付けるときは、次のベストプラクティスを考慮してください。
-
関連する異常を統合する： 同じ根本的な問題の一部である場合、厳密に発生する異常を個別のイベントとしてラベル付けしないでください。例えば、異常が互いに 1～2 日以内に発生し、同じ根本原因によって引き起こされる場合は、単一の異常ウィンドウとして扱います。このアプローチは、モデルが異常な動作のパターンをよりよく学習し、評価データのノイズを減らすのに役立ちます。
-
ポイントだけでなく異常ウィンドウにラベルを付ける： 個々のデータポイントを異常としてマークする代わりに、偏差の開始から回復までの異常な動作を反映するウィンドウ全体にラベルを付けます。このアプローチにより、境界がより明確になり、実際の運用上の問題とのモデルの整合性が向上します。
-
不確実なピリオドを除外する： ピリオドが異常かどうか不明な場合は、ラベルを付けないままにします。あいまいなラベルはモデルを混乱させ、時間の経過とともに精度を低下させる可能性があります。
ラベルを追加する方法の詳細については、「」を参照してくださいデータのラベル付け。
