Configurações avançadas de treinamento

Configuração da taxa de amostragem

A taxa de amostragem define a frequência com que as leituras do sensor são registradas (por exemplo, uma vez a cada segundo ou uma vez a cada minuto). Essa configuração afeta diretamente a granularidade dos dados de treinamento e influencia a capacidade do modelo de capturar variações de curto prazo no comportamento do sensor.

Visite Amostragem para dados de alta frequência e consistência entre treinamento e inferência para saber mais sobre as melhores práticas.

Configurar a taxa de amostragem alvo

Opcionalmente, você pode especificar a TargetSamplingRate em sua configuração de treinamento para controlar a frequência com que os dados são amostrados. Os valores compatíveis são:

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

Esses são formatos de duração ISO 8601, representando os seguintes formatos de hora:

Escolha uma taxa de amostragem que atinja o equilíbrio certo entre resolução de dados e eficiência do treinamento. As seguintes tarifas estão disponíveis:

Lidando com o desalinhamento do timestamp

AWS IoT SiteWise compensa automaticamente o desalinhamento do timestamp em vários fluxos de dados durante o treinamento. Isso garante um comportamento consistente do modelo, mesmo que os sinais de entrada não estejam perfeitamente alinhados no tempo.

Visite Amostragem para dados de alta frequência e consistência entre treinamento e inferência para saber mais sobre as melhores práticas.

Ativar amostragem

Adicione o código a seguir anomaly-detection-training-payload.json a.

Configure a amostragem adicionando TargetSamplingRate a carga útil da ação de treinamento, com a taxa de amostragem dos dados. Os valores permitidos são:PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

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

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

Rotule seus dados

Ao rotular seus dados, você deve definir intervalos de tempo que representem períodos de comportamento anormal do equipamento. Essas informações de rotulagem são fornecidas como um CSV arquivo, onde cada linha especifica um intervalo de tempo durante o qual o equipamento não estava operando corretamente.

Cada linha contém dois carimbos de data/hora:

Esse arquivo CSV é armazenado em um bucket do Amazon S3 e é usado durante o treinamento do modelo para ajudar o sistema a aprender com exemplos conhecidos de comportamento anormal. O exemplo a seguir mostra como os dados da etiqueta devem aparecer como um .csv arquivo. O arquivo não tem cabeçalho.

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

A linha 1 representa um evento de manutenção em 21 de junho de 2024, com uma janela de 12 horas (de 2024-06-21T00:00:00.000000Z até2024-06-21T12:00:00.000000Z) AWS IoT SiteWise para procurar comportamentos anormais.

A linha 2 representa um evento de manutenção em 11 de julho de 2024, com uma janela de 12 horas (de 2024-07-11T00:00:00.000000Z até2024-07-11T12:00:00.000000Z) AWS IoT SiteWise para procurar comportamentos anormais.

A linha 3 representa um evento de manutenção em 31 de julho de 2024, com uma janela de 12 horas (de 2024-07-31T00:00:00.000000Z até2024-07-31T12:00:00.000000Z) AWS IoT SiteWise para procurar comportamentos anormais.

AWS IoT SiteWise usa todas essas janelas de tempo para treinar e avaliar modelos que podem identificar comportamentos anormais em torno desses eventos. Observe que nem todos os eventos são detectáveis e os resultados são altamente dependentes da qualidade e das características dos dados subjacentes.

Para obter detalhes sobre as melhores práticas de amostragem, consultePráticas recomendadas.

Etapas de marcação de dados

{
    "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"
    }
}

Avaliar seu modelo

O diagnóstico pontual do modelo para um modelo de AWS IoT SiteWise treinamento é uma avaliação do desempenho do modelo em eventos individuais. Durante o treinamento, AWS IoT SiteWise gera uma pontuação de anomalia e diagnósticos de contribuição do sensor para cada linha no conjunto de dados de entrada. Uma pontuação de anomalia mais alta indica uma maior probabilidade de um evento anormal.

Diagnósticos pontuais estão disponíveis quando você treina um modelo com ExecuteActionAPI e tipo de AWS/ANOMALY_DETECTION_TRAINING ação.

Para configurar a avaliação do modelo,

{
  "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"
    }
  }
}