Configurações avançadas de inferência - AWS IoT SiteWise
Inferência de alta frequência (5 minutos — 1 hora)Inferência de baixa frequência (2 horas — 1 dia)Programação flexívelAtivação da versão do modeloVerificando as versões do modelo

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Configurações avançadas de inferência

AWS IoT SiteWise permite que os clientes configurem cronogramas de inferência de modelos adaptados às suas necessidades operacionais.

O agendamento de inferência é amplamente categorizado em três modos:

Inferência de alta frequência (5 minutos — 1 hora)

Esse modo é ideal para processos que operam continuamente ou têm uma alta taxa de alteração nos valores do sensor. Nessa configuração, a inferência é executada com frequência a cada 5 minutos.

Casos de uso:

  • Ele é usado no monitoramento de equipamentos que mudam rapidamente, como compressores ou transportadores.

  • É útil para detectar anomalias de curta duração que exigem resposta imediata.

  • É uma operação sempre ativa em que os dados fluem de forma consistente.

Suporte de compensação condicional:

Você pode definir um deslocamento condicional (0 a 60 minutos) para atrasar a inferência após a ingestão de dados. Isso garante que os dados que chegam tardiamente ainda sejam incluídos na janela de análise.

Para configurar a inferência de alta frequência:

  • Configure o valor da carga útil da AWS/ANOMALY_DETECTION_INFERENCE ação com valores DataUploadFrequency with: PT5M, PT10M, PT15M, PT30M, PT1H ao iniciar a inferência.

  • (Opcional) Configure DataDelayOffsetInMinutes com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos.

{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "DataDelayOffsetInMinutes",
    "dataUploadFrequency": "DataUploadFrequency"
}
exemplo da configuração de inferência de alta frequência:
{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "2",
    "dataUploadFrequency": "PT5M"
}

Inferência de baixa frequência (2 horas — 1 dia)

Esse modo é adequado para processos mais lentos ou casos de uso em que as avaliações diárias são suficientes. Os clientes configuram a inferência para ser executada de hora em hora ou uma vez por dia.

Suporte de horário de início para intervalo de 1 dia:

Para inferência diária, opcionalmente, especifique um startTime(8h todos os dias), junto com o reconhecimento do fuso horário.

Suporte de fuso horário:

Quando um startTime é fornecido, AWS IoT SiteWise usa o Banco de Dados de Fusos Horários, mantido pela Autoridade de Atribuição de Números da Internet (IANA). Isso garante que sua inferência esteja alinhada com o horário de trabalho local, mesmo em todas as regiões.

Suporte de compensação condicional:

Assim como em outros modos, um deslocamento condicional de 0 a 60 minutos é configurado.

Casos de uso:

  • Verificações diárias de integridade para processos em lote ou operações baseadas em turnos.

  • Evita inferências durante a manutenção ou o tempo de inatividade.

  • É útil em ambientes com recursos limitados, nos quais o uso da computação deve ser minimizado.

Para configurar a inferência de baixa frequência:

  • Configure o valor da carga útil da AWS/ANOMALY_DETECTION_INFERENCE ação DataUploadFrequency com valores:PT2H..PT12H.

    • No caso de 1 dia, DataUploadFrequency éP1D.

  • (Opcional) Configure DataDelayOffsetInMinutes com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos.

exemplo da configuração de inferência de baixa frequência:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "P1D",
    "inferenceStartTime": "13:00",
    "inferenceTimeZone": "America/Chicago"
}

Programação flexível

O agendamento flexível permite que os clientes definam dias e intervalos de tempo específicos, durante os quais a inferência é executada. Isso dá aos clientes controle total sobre o agendamento com base nas horas de produção, horários dos turnos e tempos de inatividade planejados.

weeklyOperatingWindowIsso ajuda quando:

  • O equipamento funciona somente em horários específicos (das 8h às 16h).

  • Não há produção nos finais de semana.

  • A manutenção diária é programada durante blocos de tempo conhecidos.

Suporte de fuso horário:

Quando um startTime é fornecido, AWS IoT SiteWise usa o Banco de Dados de Fusos Horários, mantido pela Autoridade de Atribuição de Números da Internet (IANA). Isso garante que a inferência esteja alinhada com o horário de trabalho local, mesmo em todas as regiões.

Suporte de compensação condicional:

Assim como em outros modos, um deslocamento condicional de 0 a 60 minutos pode ser configurado.

Benefícios deweeklyOperatingWindow:

  • Evita inferências durante períodos de inatividade ou manutenção, reduzindo os falsos positivos.

  • Ele alinha a detecção de anomalias às prioridades operacionais e aos fluxos de trabalho baseados em turnos.

Para configurar o agendamento flexível:

  • Configure o valor da carga útil da AWS/ANOMALY_DETECTION_INFERENCE ação comDataUploadFrequency.

  • (Opcional) DataDelayOffsetInMinutes com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos.

  • Configure weeklyOperatingWindow com uma configuração de turno:

    • Chaves para weeklyOperatingWindow os dias da semana:monday|tuesday|wednesday|thursday|friday|saturday|sunday.

    • Cada intervalo de tempo deve estar no formato de 24 horas como "HH:MM-HH:MM" ("08:00-16:00").

    • Vários intervalos podem ser especificados por dia.

exemplo da configuração de agendamento flexível:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT5M",
    "weeklyOperatingWindow": {
      "tuesday": ["11:00-13:00"],
      "monday": ["10:00-11:00", "13:00-15:00"]
    }
}

Ativação da versão do modelo

Ao iniciar a inferência, você pode ativar opcionalmente uma versão específica do modelo para usar na detecção de anomalias. Esse recurso permite que você selecione uma versão específica do modelo treinado, reverta para versões anteriores ou anule as decisões automáticas de promoção do modelo.

Casos de uso:

  • Reversão da produção: reverta rapidamente para uma versão estável do modelo quando a versão atual mostrar desempenho degradado ou comportamento inesperado.

  • Teste A/B: compare o desempenho entre diferentes versões do modelo alternando entre elas durante períodos de tempo controlados.

  • Seleção manual do modelo: substitua as decisões automáticas de promoção e selecione manualmente a versão do modelo de sua preferência com base nos requisitos comerciais.

  • Implantação em estágios: teste as versões mais recentes do modelo em intervalos de tempo não críticos antes de promovê-las para uso total em produção.

  • Otimização de desempenho: selecione versões de modelo que tenham melhor desempenho para condições operacionais específicas ou padrões sazonais.

  • Reversão durante a manutenção: use versões de modelos mais antigas e bem testadas durante a manutenção ou atualizações do sistema para garantir a estabilidade.

Comportamento de seleção da versão do modelo

Quando targetModelVersion é especificado:

  • O sistema ativa a versão do modelo solicitada para inferência.

  • Valida a existência da versão do modelo especificado.

  • Substitui todas as configurações de promoção automática.

Quando não targetModelVersion está especificado:

  • Ativa a última versão ativa do modelo se a inferência tiver sido iniciada anteriormente.

  • Se a inferência nunca foi ativada, usa a versão mais recente do modelo treinado.

Para ativar uma versão específica do modelo:

  • Configure a carga útil da ação de inferência, targetModelVersion definindo o número da versão do modelo desejado.

  • A versão do modelo especificada é validada e ativada, se existir.

exemplo da ativação da versão do modelo:
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT15M",
    "targetModelVersion": 2
}

Verificando as versões do modelo

Para verificar a versão do modelo atualmente ativa:

Para ver todas as versões de modelos disponíveis:

  • Use a ListExecutionsAPI para recuperar uma lista completa das versões históricas do modelo.

  • Use a API Use the DescribeExecutionAPI para recuperar informações treinadas do modelo, incluindo o intervalo de tempo dos dados de exportação, a versão do modelo de computação e a duração da cobrança em minutos.

Características da versão do modelo

  • Os números de versão do modelo são atribuídos sequencialmente a partir de 1.

  • Você pode ativar qualquer versão de modelo previamente treinada.

  • A versão do modelo ativada persiste até ser alterada explicitamente.

  • A ativação da versão do modelo funciona com todos os modos de agendamento de inferência (alta frequência, baixa frequência e flexível).

  • Se a versão do modelo especificado não existir, a ação de inferência falhará com um erro.