Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Deteksi anomali dengan Lookout for Equipment
**catatan**
Deteksi anomali hanya tersedia di Wilayah di mana Amazon Lookout for Equipment tersedia.
Anda dapat berintegrasi AWS IoT SiteWise dengan Amazon Lookout for Equipment untuk mendapatkan wawasan tentang peralatan industri Anda melalui deteksi anomali dan pemeliharaan prediktif peralatan industri. Lookout for Equipment adalah layanan machine learning (ML) untuk memantau peralatan industri yang mendeteksi perilaku peralatan abnormal dan mengidentifikasi potensi kegagalan. Dengan Lookout for Equipment, Anda dapat menerapkan program pemeliharaan prediktif dan mengidentifikasi proses peralatan yang kurang optimal. Untuk informasi selengkapnya tentang Lookout for Equipment, lihat [Apa itu Amazon Lookout](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html) for Equipment? di Panduan Pengguna *Amazon Lookout for* Equipment.
Saat Anda membuat prediksi untuk melatih model ML guna mendeteksi perilaku peralatan anomali, AWS IoT SiteWise kirimkan nilai properti aset ke Lookout for Equipment untuk melatih model ML guna mendeteksi perilaku peralatan anomali. Untuk menentukan definisi prediksi pada model aset, Anda menentukan peran IAM yang diperlukan untuk Lookout for Equipment untuk mengakses data dan properti yang akan dikirim ke Lookout for Equipment dan mengirim data yang diproses ke Amazon S3. Untuk informasi selengkapnya, lihat [Buat model aset di AWS IoT SiteWise](create-asset-models.md).
Untuk mengintegrasikan AWS IoT SiteWise dan Lookout for Equipment, Anda akan melakukan langkah-langkah tingkat tinggi berikut:
+ Tambahkan definisi prediksi pada model aset yang menguraikan properti apa yang ingin Anda lacak. Definisi prediksi adalah kumpulan pengukuran, transformasi, dan metrik yang dapat digunakan kembali yang digunakan untuk membuat prediksi pada aset yang didasarkan pada model aset tersebut.
+ Latih prediksi berdasarkan data historis yang Anda berikan.
+ Jadwal inferensi, yang menceritakan AWS IoT SiteWise seberapa sering menjalankan prediksi tertentu.
Setelah inferensi dijadwalkan, model Lookout for Equipment memantau data yang diterimanya dari peralatan Anda dan mencari anomali dalam perilaku peralatan. Anda dapat melihat dan menganalisis hasil di SiteWise Monitor, menggunakan operasi AWS IoT SiteWise GET API, atau konsol Lookout for Equipment. Anda juga dapat membuat alarm menggunakan detektor alarm dari model aset untuk mengingatkan Anda tentang perilaku peralatan yang tidak normal.
**Topics**
+ [Tambahkan definisi prediksi (konsol)](#ad-add-prediction-definition-console)
+ [Latih prediksi (konsol)](#ad-train-prediction-console)
+ [Memulai atau menghentikan inferensi pada prediksi (konsol)](#ad-start-stop-inference-console)
+ [Tambahkan definisi prediksi (CLI)](#ad-add-prediction-definition-cli)
+ [Latih prediksi dan inferensi awal (CLI)](#ad-train-inference-prediction-cli)
+ [Melatih prediksi (CLI)](#ad-train-prediction-cli)
+ [Memulai atau menghentikan inferensi pada prediksi (CLI)](#ad-start-stop-inference-cli)
## Tambahkan definisi prediksi (konsol)
Untuk mulai mengirim data yang dikumpulkan oleh AWS IoT SiteWise Lookout for Equipment, Anda harus menambahkan definisi prediksi ke model AWS IoT SiteWise aset.
**Untuk menambahkan definisi prediksi ke model AWS IoT SiteWise aset**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih **Model** dan pilih model aset yang ingin Anda tambahkan definisi prediksi.
1. Pilih **Prediksi.**
1. Pilih **Tambahkan definisi prediksi**.
1. Tentukan detail tentang definisi prediksi.
1. Masukkan **Nama** unik dan **Deskripsi** untuk definisi prediksi Anda. Pilih nama dengan serius karena setelah Anda membuat definisi prediksi, Anda tidak dapat mengubah namanya.
1. Buat atau pilih **peran izin IAM** yang memungkinkan Anda membagikan data aset Anda AWS IoT SiteWise dengan Amazon Lookout for Equipment. Peran tersebut harus memiliki IAM dan kebijakan kepercayaan berikut. Untuk bantuan membuat peran, lihat [Membuat peran menggunakan kebijakan kepercayaan khusus (konsol)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-custom.html).
**Kebijakan IAM**
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "L4EPermissions",
"Effect": "Allow",
"Action": [
"lookoutequipment:CreateDataset",
"lookoutequipment:CreateModel",
"lookoutequipment:CreateInferenceScheduler",
"lookoutequipment:DescribeDataset",
"lookoutequipment:DescribeModel",
"lookoutequipment:DescribeInferenceScheduler",
"lookoutequipment:ListInferenceExecutions",
"lookoutequipment:StartDataIngestionJob",
"lookoutequipment:StartInferenceScheduler",
"lookoutequipment:UpdateInferenceScheduler",
"lookoutequipment:StopInferenceScheduler"
],
"Resource": [
"arn:aws:lookoutequipment:us-east-1:123456789012:inference-scheduler/IoTSiteWise_*",
"arn:aws:lookoutequipment:us-east-1:123456789012:model/IoTSiteWise_*",
"arn:aws:lookoutequipment:us-east-1:123456789012:dataset/IoTSiteWise_*"
]
},
{
"Sid": "L4EPermissions2",
"Effect": "Allow",
"Action": [
"lookoutequipment:DescribeDataIngestionJob"
],
"Resource": "*"
},
{
"Sid": "S3Permissions",
"Effect": "Allow",
"Action": [
"s3:CreateBucket",
"s3:ListBucket",
"s3:PutObject",
"s3:GetObject"
],
"Resource": [
"arn:aws:s3:::iotsitewise-*"
]
},
{
"Sid": "IAMPermissions",
"Effect": "Allow",
"Action": [
"iam:GetRole",
"iam:PassRole"
],
"Resource": "arn:aws:iam::111122223333:role/Role_name"
}
]
}
```
------
**Kebijakan kepercayaan**
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "iotsitewise.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "123456789012"
},
"ArnEquals": {
"aws:SourceArn": "arn:aws:iotsitewise:us-east-1:123456789012:asset/*"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Service": "lookoutequipment.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "123456789012"
},
"ArnEquals": {
"aws:SourceArn": "arn:aws:lookoutequipment:us-east-1:123456789012:*"
}
}
}
]
}
```
------
1. Pilih **Berikutnya**.
1. Pilih atribut data (pengukuran, transformasi, dan metrik) yang ingin Anda kirim ke Lookout for Equipment.
1. (Opsional) Pilih pengukuran.
1. (Opsional) Pilih transformasi.
1. (Opsional) Pilih metrik.
1. Pilih **Berikutnya**.
1. Tinjau pilihan Anda. Untuk menambahkan definisi prediksi ke model aset, pada halaman ringkasan, pilih **Tambahkan definisi prediksi.**
Anda juga dapat **Mengedit** atau **Menghapus** definisi prediksi yang ada yang memiliki prediksi aktif yang dilampirkan.
## Latih prediksi (konsol)
Setelah Anda menambahkan definisi prediksi ke model aset, Anda dapat melatih prediksi yang ada di aset Anda.
**Untuk melatih prediksi di AWS IoT SiteWise**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih **Aset**, dan pilih aset yang ingin dipantau.
1. Pilih **Prediksi.**
1. Pilih prediksi yang ingin Anda latih.
1. Di bawah **Tindakan**, pilih **Mulai pelatihan**, dan lakukan hal berikut:
1. Di bawah **Detail Prediksi**, pilih peran izin IAM yang memungkinkan AWS IoT SiteWise untuk berbagi data aset Anda dengan Lookout for Equipment. Jika Anda perlu membuat peran baru, pilih **Buat peran baru**.
1. Untuk **pengaturan data Pelatihan**, masukkan **rentang waktu data Pelatihan** untuk memilih data mana yang akan digunakan untuk melatih prediksi.
1. (Opsional) Pilih laju pengambilan sampel data setelah pemrosesan pasca.
1. (Opsional) Untuk **label Data**, berikan bucket dan awalan Amazon S3 yang menyimpan data pelabelan Anda. Untuk informasi selengkapnya tentang pelabelan data, lihat [Pelabelan data Anda di Panduan Pengguna](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/labeling-data.html) *Amazon Lookout for Equipment*.
1. Pilih **Berikutnya**.
1. (Opsional) Jika Anda ingin prediksi aktif segera setelah menyelesaikan pelatihan, di bawah **Pengaturan lanjutan**, pilih **Aktifkan prediksi secara otomatis setelah pelatihan**, lalu lakukan hal berikut:
1. Di bawah **Input data**, untuk **frekuensi upload Data**, tentukan seberapa sering data diunggah, dan untuk **waktu tunda Offset**, tentukan berapa banyak buffer yang akan digunakan.
1. Pilih **Berikutnya**.
1. Tinjau detail prediksi dan pilih **Simpan dan mulai**.
## Memulai atau menghentikan inferensi pada prediksi (konsol)
**catatan**
Biaya Lookout for Equipment berlaku untuk kesimpulan terjadwal dengan data yang ditransfer antara dan AWS IoT SiteWise Lookout for Equipment. Untuk informasi selengkapnya, lihat [harga Amazon Lookout](https://aws.amazon.com/lookout-for-equipment/pricing/) for Equipment.
Jika Anda menambahkan prediksi`lookoutequipment:CreateDataset`, tetapi tidak memilih untuk mengaktifkannya setelah pelatihan, Anda harus mengaktifkannya untuk mulai memantau aset Anda.
**Untuk memulai inferensi untuk prediksi**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih **Aset**, dan pilih aset tempat prediksi ditambahkan.
1. Pilih **Prediksi.**
1. Pilih prediksi yang ingin Anda aktifkan.
1. Di bawah **Tindakan**, pilih **Mulai inferensi**, dan lakukan hal berikut:
1. Di bawah **Input data**, untuk **frekuensi upload Data**, tentukan seberapa sering data diunggah, dan untuk **waktu tunda Offset**, tentukan berapa banyak buffer yang akan digunakan.
1. Pilih **Simpan dan mulai**.
**Untuk menghentikan inferensi untuk prediksi**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih **Aset**, dan pilih aset tempat prediksi ditambahkan.
1. Pilih **Prediksi.**
1. Pilih prediksi yang ingin Anda hentikan.
1. Di bawah **Tindakan**, pilih **Hentikan inferensi**.
## Tambahkan definisi prediksi (CLI)
Untuk menentukan definisi prediksi pada model aset baru atau yang sudah ada, Anda dapat menggunakan AWS Command Line Interface (AWS CLI). Setelah Anda menentukan definisi prediksi pada model aset, Anda melatih, dan menjadwalkan inferensi untuk, prediksi pada aset AWS IoT SiteWise untuk melakukan deteksi anomali dengan Lookout for Equipment.
**Prasyarat**
Untuk menyelesaikan langkah-langkah ini, Anda harus memiliki model aset dan setidaknya satu aset yang dibuat. Untuk informasi selengkapnya, lihat [Buat model aset (AWS CLI)](create-asset-models.md#create-asset-model-cli) dan [Buat aset (AWS CLI)](create-assets.md#create-asset-cli).
Jika Anda baru AWS IoT SiteWise, Anda harus memanggil operasi `CreateBulkImportJob` API untuk mengimpor nilai properti aset ke dalam AWS IoT SiteWise, yang akan digunakan untuk melatih model. Untuk informasi selengkapnya, lihat [Buat pekerjaan impor AWS IoT SiteWise massal (AWS CLI)](CreateBulkImportJob.md).
**Untuk menambahkan definisi prediksi**
1. Buat file bernama `asset-model-payload.json`. Ikuti langkah-langkah di bagian lain ini untuk menambahkan detail model aset Anda ke file, tetapi jangan kirimkan permintaan untuk membuat atau memperbarui model aset.
+ Untuk informasi selengkapnya tentang cara membuat model aset, lihat [Buat model aset (AWS CLI)](create-asset-models.md#create-asset-model-cli)
+ Untuk informasi selengkapnya tentang cara memperbarui model aset yang ada, lihat [Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli)
1. Tambahkan Lookout for Equipment composite model `assetModelCompositeModels` () ke model aset dengan menambahkan kode berikut.
+ Ganti `Property` dengan ID properti yang ingin Anda sertakan. Untuk mendapatkannya IDs, hubungi [https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html).
+ Ganti `RoleARN` dengan ARN dari peran IAM yang memungkinkan Lookout for Equipment mengakses data Anda. AWS IoT SiteWise
```
{
...
"assetModelCompositeModels": [
{
"name": "L4Epredictiondefinition",
"type": "AWS/L4E_ANOMALY",
"properties": [
{
"name": "AWS/L4E_ANOMALY_RESULT",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_RESULT",
"unit": "none",
"type": {
"measurement": {}
}
},
{
"name": "AWS/L4E_ANOMALY_INPUT",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INPUT",
"type": {
"attribute": {
"defaultValue": "{\"properties\": [\"Property1\", \"Property2\"]}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_PERMISSIONS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_PERMISSIONS",
"type": {
"attribute": {
"defaultValue": "{\"roleArn\": \"RoleARN\"}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_DATASET",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_DATASET",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_MODEL",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_MODEL",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_INFERENCE",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_TRAINING_STATUS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_TRAINING_STATUS",
"type": {
"attribute": {
"defaultValue": "{}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_INFERENCE_STATUS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE_STATUS",
"type": {
"attribute": {
"defaultValue": "{}"
}
}
}
]
}
```
1. Buat model aset atau perbarui model aset yang ada. Lakukan salah satu tindakan berikut:
+ Untuk membuat model aset, jalankan perintah berikut:
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
+ Untuk memperbarui model aset yang ada, jalankan perintah berikut. Ganti `asset-model-id` dengan ID model aset yang ingin Anda perbarui.
```
aws iotsitewise update-asset-model \
--asset-model-id asset-model-id \
--cli-input-json file://asset-model-payload.json
```
Setelah Anda menjalankan perintah, perhatikan `assetModelId` dalam respons.
## Latih prediksi dan inferensi awal (CLI)
Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu dan memulai inferensi. Jika Anda ingin melatih prediksi Anda tetapi tidak memulai inferensi, lompat ke. [Melatih prediksi (CLI)](#ad-train-prediction-cli) Untuk melatih prediksi dan memulai inferensi pada aset, Anda memerlukan sumber `assetId` daya target.
**Untuk melatih dan memulai inferensi prediksi**
1. Jalankan perintah berikut untuk menemukan bagian `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti *`asset-model-id`* dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Jalankan perintah berikut untuk menemukan `TrainingWithInference` tindakan. `actionDefinitionId` Ganti *`asset-model-id`* dengan ID yang digunakan pada langkah sebelumnya dan ganti *`asset-model-composite-model-id`* dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Buat file bernama `train-start-inference-prediction.json` dan tambahkan kode berikut, ganti yang berikut ini:
+ `asset-id`dengan ID aset target
+ `action-definition-id`dengan ID TrainingWithInference tindakan
+ `StartTime`dengan dimulainya data pelatihan, disediakan dalam hitungan detik
+ `EndTime`dengan berakhirnya data pelatihan, disediakan dalam hitungan detik
+ `TargetSamplingRate`dengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`.
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{
"stringValue": "{\"l4ETrainingWithInference\":{\"trainingWithInferenceMode\":\"START\",\"trainingPayload\":{\"exportDataStartTime\":StartTime,\"exportDataEndTime\":EndTime},\"targetSamplingRate\":\"TargetSamplingRate\"},\"inferencePayload\":{\"dataDelayOffsetInMinutes\":0,\"dataUploadFrequency\":\"PT5M\"}}}"
}
}
```
1. Jalankan perintah berikut untuk memulai pelatihan dan inferensi:
```
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
```
## Melatih prediksi (CLI)
Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu. Untuk melatih prediksi aset, Anda memerlukan sumber daya target. `assetId`
**Untuk melatih prediksi**
1. Jalankan perintah berikut untuk menemukan bagian `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti *`asset-model-id`* dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Jalankan perintah berikut untuk menemukan `Training` tindakan. `actionDefinitionId` Ganti *`asset-model-id`* dengan ID yang digunakan pada langkah sebelumnya dan ganti *`asset-model-composite-model-id`* dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Buat file bernama `train-prediction.json` dan tambahkan kode berikut, ganti yang berikut ini:
+ `asset-id`dengan ID aset target
+ `action-definition-id`dengan ID tindakan pelatihan
+ `StartTime`dengan dimulainya data pelatihan, disediakan dalam hitungan detik
+ `EndTime`dengan berakhirnya data pelatihan, disediakan dalam hitungan detik
+ (Opsional) `BucketName` dengan nama bucket Amazon S3 yang menyimpan data label Anda
+ (Opsional) `Prefix` dengan awalan yang terkait dengan bucket Amazon S3.
+ `TargetSamplingRate`dengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`.
**catatan**
Sertakan nama bucket dan awalan atau keduanya.
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": StartTime, \"exportDataEndTime\": EndTime, \"targetSamplingRate\":\"TargetSamplingRate\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName\", \"prefix\": \"Prefix\"}}}"
}
}
```
1. Jalankan perintah berikut untuk memulai pelatihan:
```
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
```
Sebelum Anda dapat memulai inferensi, pelatihan harus diselesaikan. Untuk memeriksa status pelatihan, lakukan salah satu hal berikut:
+ Dari konsol, arahkan ke aset tempat prediksi aktif.
+ Dari AWS CLI, hubungi `BatchGetAssetPropertyValue` menggunakan `trainingStatus` properti. `propertyId`
## Memulai atau menghentikan inferensi pada prediksi (CLI)
Setelah prediksi dilatih, Anda dapat memulai inferensi untuk memberi tahu Lookout for Equipment untuk mulai memantau aset Anda. Untuk memulai atau menghentikan inferensi, Anda memerlukan `assetId` sumber daya target.
**Untuk memulai inferensi**
1. Jalankan perintah berikut untuk menemukan bagian `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti *`asset-model-id`* dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Jalankan perintah berikut untuk menemukan `Inference` tindakan. `actionDefinitionId` Ganti *`asset-model-id`* dengan ID yang digunakan pada langkah sebelumnya dan ganti *`asset-model-composite-model-id`* dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Buat file bernama `start-inference.json` dan tambahkan kode berikut, ganti yang berikut ini:
+ `asset-id`dengan ID aset target
+ `action-definition-id`dengan ID tindakan inferensi awal
+ `Offset`dengan jumlah buffer yang akan digunakan
+ `Frequency`dengan seberapa sering data diunggah
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": Offset, \"dataUploadFrequency\": \"Frequency\"}}"
}}
```
1. Jalankan perintah berikut untuk memulai inferensi:
```
aws iotsitewise execute-action --cli-input-json file://start-inference.json
```
**Untuk menghentikan inferensi**
1. Jalankan perintah berikut untuk menemukan bagian `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti *`asset-model-id`* dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Jalankan perintah berikut untuk menemukan `Inference` tindakan. `actionDefinitionId` Ganti *`asset-model-id`* dengan ID yang digunakan pada langkah sebelumnya dan ganti *`asset-model-composite-model-id`* dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Buat file bernama `stop-inference.json` dan tambahkan kode berikut, ganti yang berikut ini:
+ `asset-id`dengan ID aset target
+ `action-definition-id`dengan ID tindakan inferensi awal
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}"
}}
```
1. Jalankan perintah berikut untuk menghentikan inferensi:
```
aws iotsitewise execute-action --cli-input-json file://stop-inference.json
```