Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Erweiterte Inferenzkonfigurationen
AWS IoT SiteWise ermöglicht es Kunden, Zeitpläne für Modellinferenzen zu konfigurieren, die auf ihre betrieblichen Anforderungen zugeschnitten sind.
Die Planung von Inferenzen ist grob in drei Modi unterteilt:
+ [Hochfrequente Inferenzierung (5 Minuten — 1 Stunde)](#high-frequency-inferencing)
+ [Niederfrequenz-Inferenzierung (2 Stunden — 1 Tag)](#low-frequency-inferencing)
+ [Flexible Planung](#flexible-scheduling)
## Hochfrequente Inferenzierung (5 Minuten — 1 Stunde)
Dieser Modus ist ideal für Prozesse, die kontinuierlich laufen oder bei denen sich die Sensorwerte stark ändern. In dieser Konfiguration wird die Inferenz häufig bis zu alle 5 Minuten ausgeführt.
**Anwendungsfälle:**
+ Es wird zur Überwachung schnell wechselnder Geräte wie Kompressoren oder Förderanlagen eingesetzt.
+ Es ist hilfreich bei der Erkennung kurzlebiger Anomalien, die eine sofortige Reaktion erfordern.
+ Es ist ein ständig verfügbarer Betrieb, bei dem Daten konsistent fließen.
**Bedingte Offset-Unterstützung:**
Sie können einen **bedingten Offset** (0-60 Minuten) definieren, um die Inferenz nach der Datenaufnahme zu verzögern. Dadurch wird sichergestellt, dass verspätet eintreffende Daten weiterhin im Analysefenster enthalten sind.
So konfigurieren Sie Hochfrequenz-Inferenzen:
+ Konfigurieren Sie den `AWS/ANOMALY_DETECTION_INFERENCE` Aktionsnutzdatenwert mit `DataUploadFrequency` with values: `PT5M, PT10M, PT15M, PT30M, PT1H` beim Starten der Inferenz.
+ (Optional) Konfigurieren Sie `DataDelayOffsetInMinutes` mit dem Verzögerungsoffset in Minuten. Stellen Sie diesen Wert zwischen 0 und 60 Minuten ein.
```
{
"inferenceMode": "START",
"dataDelayOffsetInMinutes": "DataDelayOffsetInMinutes",
"dataUploadFrequency": "DataUploadFrequency"
}
```
**Example der Konfiguration mit Hochfrequenz-Inferenz:**
```
{
"inferenceMode": "START",
"dataDelayOffsetInMinutes": "2",
"dataUploadFrequency": "PT5M"
}
```
## Niederfrequenz-Inferenzierung (2 Stunden — 1 Tag)
Dieser Modus eignet sich für langsamer ablaufende Prozesse oder Anwendungsfälle, bei denen tägliche Auswertungen ausreichend sind. Kunden konfigurieren die Inferenz so, dass sie stündlich oder einmal täglich ausgeführt wird.
**Unterstützung zur Startzeit für ein eintägiges Intervall:**
Für tägliche Inferenzen können Sie optional einen Wert **`startTime`**(jeden Tag um 8 Uhr) zusammen mit der Angabe der Zeitzone angeben.
**Unterstützung für Zeitzonen:**
Wenn eine bereitgestellt `startTime` wird, AWS IoT SiteWise verwendet die [Zeitzonendatenbank](https://www.iana.org/time-zones), die von der Internet Assigned Numbers Authority (IANA) verwaltet wird. Dadurch wird sichergestellt, dass Ihre Schlussfolgerungen auch in allen Regionen mit den lokalen Arbeitszeiten übereinstimmen.
**Bedingte Offset-Unterstützung:**
Wie bei anderen Modi ist ein bedingter Offset von 0 — 60 Minuten konfiguriert.
**Anwendungsfälle:**
+ Tägliche Gesundheitschecks für Batch-Prozesse oder Schichtoperationen.
+ Vermeidet Rückschlüsse bei Wartungsarbeiten oder Ausfallzeiten.
+ Dies ist hilfreich in Umgebungen mit begrenzten Ressourcen, in denen die Rechenauslastung minimiert werden muss.
So konfigurieren Sie Niederfrequenz-Inferenzen:
+ Konfigurieren Sie den Payload-Wert für die `AWS/ANOMALY_DETECTION_INFERENCE` Aktion `DataUploadFrequency` mit folgenden Werten:. `PT2H..PT12H`
+ Im Fall von 1 Tag `DataUploadFrequency` ist`P1D`.
+ (Optional) Konfigurieren Sie `DataDelayOffsetInMinutes` mit dem Verzögerungsoffset in Minuten. Stellen Sie diesen Wert zwischen 0 und 60 Minuten ein.
**Example der Konfiguration mit Niederfrequenz-Inferenz:**
```
{
"inferenceMode": "START",
"dataUploadFrequency": "P1D",
"inferenceStartTime": "13:00",
"inferenceTimeZone": "America/Chicago"
}
```
## Flexible Planung
Die flexible Planung ermöglicht es Kunden, **bestimmte Tage und Zeitbereiche** zu definieren, in denen Inferenzen durchgeführt werden. Auf diese Weise haben Kunden die vollständige Kontrolle über die Planung auf der Grundlage von Produktionsstunden, Schichtzeiten und geplanten Ausfallzeiten.
Das `weeklyOperatingWindow` hilft, wenn:
+ Die Ausrüstung läuft nur zu bestimmten Zeiten (8 Uhr — 16 Uhr).
+ Am Wochenende findet keine Produktion statt.
+ Die tägliche Wartung ist während bekannter Zeitblöcke geplant.
**Unterstützung für Zeitzonen:**
Wenn eine bereitgestellt `startTime` wird, AWS IoT SiteWise verwendet die [Zeitzonendatenbank](https://www.iana.org/time-zones), die von der Internet Assigned Numbers Authority (IANA) verwaltet wird. Dadurch wird sichergestellt, dass die Inferenz auch in allen Regionen mit den lokalen Arbeitszeiten übereinstimmt.
**Bedingte Offset-Unterstützung:**
Wie bei anderen Modi kann ein bedingter Offset von 0 bis 60 Minuten konfiguriert werden.
Vorteile von`weeklyOperatingWindow`:
+ Dadurch werden Rückschlüsse während Leerlauf- oder Wartungsphasen vermieden und Fehlalarme reduziert.
+ Es stimmt die Erkennung von Anomalien mit betrieblichen Prioritäten und schichtbasierten Arbeitsabläufen ab.
So konfigurieren Sie die flexible Planung:
+ Konfigurieren Sie den Payload-Wert für die `AWS/ANOMALY_DETECTION_INFERENCE` Aktion mit`DataUploadFrequency`.
+ (Optional) `DataDelayOffsetInMinutes` mit dem Verzögerungsoffset in Minuten. Stellen Sie diesen Wert zwischen 0 und 60 Minuten ein.
+ `weeklyOperatingWindow`Mit einer Schichtkonfiguration konfigurieren:
+ Die Schlüssel für die `weeklyOperatingWindow` sind Wochentage:`monday|tuesday|wednesday|thursday|friday|saturday|sunday`.
+ Jeder Zeitbereich muss im **24-Stunden-Format** `"HH:MM-HH:MM"` (`"08:00-16:00"`) angegeben werden.
+ Pro Tag können mehrere Bereiche angegeben werden.
**Example mit flexibler Planungskonfiguration:**
```
{
"inferenceMode": "START",
"dataUploadFrequency": "PT5M",
"weeklyOperatingWindow": {
"tuesday": ["11:00-13:00"],
"monday": ["10:00-11:00", "13:00-15:00"]
}
}
```
## Aktivierung der Modellversion
Wenn Sie die Inferenz starten, können Sie optional eine bestimmte Modellversion aktivieren, um sie für die Erkennung von Anomalien zu verwenden. Mit dieser Funktion können Sie eine bestimmte trainierte Modellversion auswählen, zu früheren Versionen zurückkehren oder automatische Entscheidungen zur Modellförderung außer Kraft setzen.
### Anwendungsfälle:
+ **Rollback für die Produktion**: Schnelles Zurücksetzen auf eine stabile Modellversion, wenn die aktuelle Version Leistungseinbußen oder ein unerwartetes Verhalten aufweist.
+ **A/B-Tests**: Vergleichen Sie die Leistung zwischen verschiedenen Modellversionen, indem Sie während bestimmter Zeiträume zwischen ihnen wechseln.
+ **Manuelle Modellauswahl**: Überschreiben Sie automatische Werbeentscheidungen und wählen Sie Ihre bevorzugte Modellversion manuell auf der Grundlage der Geschäftsanforderungen aus.
+ **Schrittweise Bereitstellung**: Testen Sie neuere Modellversionen in unkritischen Zeitfenstern, bevor Sie sie für den vollen Produktionseinsatz hochstufen.
+ **Leistungsoptimierung**: Wählen Sie Modellversionen aus, die für bestimmte Betriebsbedingungen oder saisonale Muster besser funktionieren.
+ **Rollback während der Wartung**: Verwenden Sie ältere, gut getestete Modellversionen während der Systemwartung oder bei Upgrades, um die Stabilität sicherzustellen.
### Verhalten bei der Auswahl der Modellversion
Wann `targetModelVersion` ist angegeben:
+ Das System aktiviert die angeforderte Modellversion für die Inferenz.
+ Überprüft, ob die angegebene Modellversion existiert.
+ Setzt alle Einstellungen für automatische Werbeaktionen außer Kraft.
Wann `targetModelVersion` ist nicht angegeben:
+ Aktiviert die letzte aktive Modellversion, wenn die Inferenz zuvor gestartet wurde.
+ Wenn die Inferenz nie aktiviert wurde, wird die neueste trainierte Modellversion verwendet.
Um eine bestimmte Modellversion zu aktivieren:
+ Konfigurieren Sie die Payload für die Inferenzaktion und targetModelVersion stellen Sie sie auf die gewünschte Modellversionsnummer ein.
+ Die angegebene Modellversion wird validiert und aktiviert, falls sie existiert.
**Example der Aktivierung der Modellversion:**
```
{
"inferenceMode": "START",
"dataUploadFrequency": "PT15M",
"targetModelVersion": 2
}
```
## Überprüfung der Modellversionen
Um die derzeit aktive Modellversion zu überprüfen:
+ Verwenden Sie die [ DescribeComputationModelExecutionSummary](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeComputationModelExecutionSummary.html)API, die die aktive Modellversion in der Antwort enthält.
Um alle verfügbaren Modellversionen anzuzeigen:
+ Verwenden Sie die [ ListExecutions](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListExecutions.html)API, um eine vollständige Liste der historischen Modellversionen abzurufen.
+ Verwenden Sie die [ DescribeExecution](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeExecution.html)API, um Informationen zum trainierten Modell abzurufen, einschließlich des Zeitbereichs der Exportdaten, der Version des Berechnungsmodells und der fakturierbaren Dauer in Minuten.
### Eigenschaften der Modellversion
+ Modellversionsnummern werden sequentiell ab 1 vergeben.
+ Sie können alle zuvor trainierten Modellversionen aktivieren.
+ Die aktivierte Modellversion bleibt bestehen, bis sie explizit geändert wird.
+ Die Aktivierung der Modellversion funktioniert mit allen Inferenzplanungsmodi (Hochfrequenz, Niederfrequenz und flexibel).
+ Wenn die angegebene Modellversion nicht existiert, schlägt die Inferenzaktion mit einem Fehler fehl.