고급 훈련 구성

샘플 속도 구성

샘플 속도는 센서 판독값이 기록되는 빈도를 정의합니다(예: 1초에 한 번 또는 1분에 한 번). 이 설정은 훈련 데이터의 세분성에 직접적인 영향을 미치며, 센서 동작의 단기 변형을 캡처하는 모델의 능력에 영향을 미칩니다.

훈련과 추론 간의 높은 빈도의 데이터 및 일관성 샘플링를 방문하여 모범 사례에 대해 알아봅니다.

대상 샘플링 속도 구성

선택적으로 훈련 구성TargetSamplingRate에서를 지정하여 데이터가 샘플링되는 빈도를 제어할 수 있습니다. 지원되는 값은 다음과 같습니다.

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

다음 시간 형식을 나타내는 ISO 8601 기간 형식입니다.

데이터 해상도와 훈련 효율성 간에 적절한 균형을 이루는 샘플링 속도를 선택합니다. 다음 요금을 사용할 수 있습니다.

타임스탬프 정렬 오류 처리

AWS IoT SiteWise 는 훈련 중에 여러 데이터 스트림의 타임스탬프 정렬 오류를 자동으로 보정합니다. 이렇게 하면 입력 신호가 제시간에 완벽하게 정렬되지 않더라도 일관된 모델 동작을 보장할 수 있습니다.

훈련과 추론 간의 높은 빈도의 데이터 및 일관성 샘플링를 방문하여 모범 사례에 대해 알아봅니다.

샘플링 활성화

에 다음 코드를 추가합니다anomaly-detection-training-payload.json.

데이터의 샘플링 속도와 함께 훈련 작업 페이로드TargetSamplingRate에를 추가하여 샘플링을 구성합니다. 허용되는 값은 입니다PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

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

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

데이터에 레이블 지정

데이터에 레이블을 지정할 때 비정상적인 장비 동작 기간을 나타내는 시간 간격을 정의해야 합니다. 이 레이블 지정 정보는 CSV 파일로 제공되며, 각 행은 장비가 올바르게 작동하지 않는 시간 범위를 지정합니다.

각 행에는 두 개의 타임스탬프가 포함됩니다.

이 CSV 파일은 Amazon S3 버킷에 저장되며 모델 훈련 중에 시스템이 비정상적인 동작의 알려진 예제에서 학습하는 데 사용됩니다. 다음 예제에서는 레이블 데이터를 .csv 파일로 표시하는 방법을 보여줍니다. 파일에 헤더가 없습니다.

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

1행은가 비정상적인 동작을 찾기 AWS IoT SiteWise 위한 12시간 기간(~2024-06-21T12:00:00.000000Z)이 있는 2024년 6월 2024-06-21T00:00:00.000000Z 21일 유지 관리 이벤트를 나타냅니다.

2행은가 비정상적인 동작을 찾기 AWS IoT SiteWise 위한 12시간 기간(~)이 있는 2024년 7월 11일 유지 관리 이벤트를 나타냅니다. 2024-07-11T00:00:00.000000Z 2024-07-11T12:00:00.000000Z

3행은가 비정상적인 동작을 찾기 AWS IoT SiteWise 위한 12시간 기간(~2024-07-31T12:00:00.000000Z)이 있는 2024년 7월 31일 유지 관리 이벤트를 나타냅니다. 2024-07-31T00:00:00.000000Z

AWS IoT SiteWise 는 이러한 모든 기간을 사용하여 이러한 이벤트와 관련된 비정상적인 동작을 식별할 수 있는 모델을 훈련하고 평가합니다. 모든 이벤트를 감지할 수 있는 것은 아니며 결과는 기본 데이터의 품질과 특성에 따라 크게 달라집니다.

샘플링 모범 사례에 대한 자세한 내용은 섹션을 참조하세요모범 사례.

데이터 레이블 지정 단계

{
    "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"
    }
}

모델 평가

AWS IoT SiteWise 훈련 모델에 대한 포인트 모델 진단은 개별 이벤트에서 모델 성능을 평가하는 것입니다. 훈련 중에 입력 데이터 세트의 각 행에 대한 이상 점수 및 센서 기여도 진단을 AWS IoT SiteWise 생성합니다. 이상 점수가 높을수록 이상 이벤트의 가능성이 높음을 나타냅니다.

ExecuteAction API 및 AWS/ANOMALY_DETECTION_TRAINING 작업 유형으로 모델을 훈련할 때 포인트별 진단을 사용할 수 있습니다.

모델 평가를 구성하려면

{
  "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"
    }
  }
}
      

모델 지표 생성

모델 지표는 훈련된 이상 탐지 모델의 성능 및 품질에 대한 포괄적인 인사이트를 제공합니다. 훈련 프로세스는 이러한 지표를 자동으로 생성하고 지정된 Amazon S3 버킷에 게시하므로 재훈련 워크플로에서 분석, 모델 비교 및 승격 결정을 위해 쉽게 액세스할 수 있습니다.

모델 지표 이해

훈련 프로세스는 모델 지표를 자동으로 생성하고 다음에 대한 자세한 정보를 제공합니다.

모델 지표 대상 구성

모델 지표 생성을 활성화하려면 지표가 게시되는 Amazon S3 대상을 구성합니다.

재학습을 위한 모델 지표 구성

재훈련 일정을 설정할 때 포괄적인 모델 성능 추적 및 비교를 활성화하려면 모델 지표 대상이 필요합니다.

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

모델 지표 구조

모델 지표는 다음 구조로 Amazon S3 버킷에 JSON 파일로 저장됩니다.

{
    "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
    }
}

레이블이 지정된 모델에 대한 고급 지표

훈련 중에 레이블이 지정된 데이터를 제공하면 Amazon S3 파일에 추가 성능 지표가 포함됩니다.

모델 홍보 및 지표

재훈련 워크플로 중에 Amazon S3에 저장된 지표를 통해 정보에 입각한 모델 홍보 결정을 내릴 수 있습니다.

관리형 모드(자동 승격)

수동 모드(고객 제어 승격)