進階訓練組態

取樣率組態

取樣率會定義記錄感應器讀數的頻率 （例如，每秒一次，或每分鐘一次）。此設定會直接影響訓練資料的精細程度，並影響模型擷取感應器行為中短期變化的能力。

請造訪 對訓練和推論之間的高頻率資料和一致性進行抽樣 以了解最佳實務。

設定目標取樣率

您可以選擇性地在訓練組態TargetSamplingRate中指定 ，以控制資料取樣的頻率。支援的值如下：

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

這些是 ISO 8601 持續時間格式，代表下列時間格式：

選擇在資料解析和訓練效率之間取得適當平衡的取樣率。提供下列費率：

處理時間戳記不一致

AWS IoT SiteWise 在訓練期間， 會自動補償多個資料串流之間的時間戳記不一致。即使輸入訊號未及時完全對齊，這可確保一致的模型行為。

請造訪 對訓練和推論之間的高頻率資料和一致性進行抽樣 以了解最佳實務。

啟用取樣

將下列程式碼新增至 anomaly-detection-training-payload.json。

透過在訓練動作承載TargetSamplingRate中新增 來設定取樣，並使用資料的取樣率。允許的值為：PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。

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

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

標記您的資料

標記資料時，您必須定義代表異常設備行為期間的時間間隔。此標記資訊會以 CSV 檔案的形式提供，其中每一列都會指定設備未正常運作的時間範圍。

每一列包含兩個時間戳記：

此 CSV 檔案存放在 Amazon S3 儲存貯體中，並在模型訓練期間使用，以協助系統從已知的異常行為範例學習。下列範例顯示標籤資料應如何顯示為 .csv 檔案。檔案沒有標頭。

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

第 1 列代表 2024 年 6 月 21 日的維護事件，有 12 小時的時段 （從 2024-06-21T00:00:00.000000Z到 2024-06-21T12:00:00.000000Z)， AWS IoT SiteWise 讓 尋找異常行為。

第 2 列代表 2024 年 7 月 11 日的維護事件，有 12 小時的時段 （從 2024-07-11T00:00:00.000000Z到 2024-07-11T12:00:00.000000Z)， AWS IoT SiteWise 讓 尋找異常行為。

第 3 列代表 2024 年 7 月 31 日的維護事件，有 12 小時的時段 （從 2024-07-31T00:00:00.000000Z到 2024-07-31T12:00:00.000000Z) AWS IoT SiteWise 供 尋找異常行為。

AWS IoT SiteWise 會使用所有這些時段來訓練和評估模型，以識別這些事件的異常行為。請注意，並非所有事件都可偵測，且結果高度取決於基礎資料的品質和特性。

如需抽樣最佳實務的詳細資訊，請參閱 最佳實務。

資料標記步驟

{
    "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"
    }
}

評估模型

AWS IoT SiteWise 訓練模型的指標模型診斷是在個別事件中評估模型效能。在訓練期間， 會為輸入資料集中的每一列 AWS IoT SiteWise 產生異常分數和感應器貢獻診斷。較高的異常分數表示發生異常事件的可能性較高。

當您使用 ExecuteAction API 和AWS/ANOMALY_DETECTION_TRAINING動作類型訓練模型時，可以使用 Pointwise 診斷。

若要設定模型評估，

{
  "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"
    }
  }
}
      

產生模型指標

模型指標可讓您全面了解訓練過的異常偵測模型的效能和品質。訓練程序會自動產生這些指標，並將其發佈到您指定的 Amazon S3 儲存貯體，以便在重新訓練工作流程中輕鬆進行分析、模型比較和提升決策。

了解模型指標

訓練程序會自動產生模型指標，並提供下列詳細資訊：

設定模型指標目的地

若要啟用模型指標產生，請設定發佈指標的 Amazon S3 目的地。

設定模型指標以重新訓練

當您設定重新訓練排程時，需要模型指標目的地，才能啟用全面的模型效能追蹤和比較：

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

模型指標結構

模型指標會以 JSON 檔案的形式儲存在 Amazon S3 儲存貯體中，結構如下：

{
    "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
    }
}

標記模型的進階指標

當您在訓練期間提供標記的資料時，Amazon S3 檔案中會包含額外的效能指標：

模型提升和指標

在重新訓練工作流程期間，存放在 Amazon S3 中的指標可實現明智的模型提升決策：

受管模式 （自動提升）

手動模式 （客戶控制提升）