Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Configurazioni di allenamento avanzate ## configurazione della frequenza di campionamento La **frequenza di campionamento** definisce la frequenza con cui vengono registrate le letture del sensore (ad esempio, una volta al secondo o una volta al minuto). Questa impostazione influisce direttamente sulla **granularità** dei dati di addestramento e influenza la capacità del modello di rilevare variazioni a breve termine nel comportamento del sensore. Visita la pagina [Campionamento per dati ad alta frequenza e coerenza tra addestramento e inferenza](ano-best-practices.md#apply-sampling-high-frequency-data) per scoprire le migliori pratiche. ### Configura la frequenza di campionamento target Facoltativamente, puoi specificare un `TargetSamplingRate` nella configurazione di allenamento, per controllare la frequenza con cui vengono campionati i dati. I valori supportati sono: ``` PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H ``` Si tratta di formati di durata ISO 8601, che rappresentano i seguenti formati temporali: + `PT1S`= 1 secondo + `PT1M`= 1 minuto + `PT1H`= 1 ora Scegliete una frequenza di campionamento che rappresenti il giusto equilibrio tra **risoluzione dei dati** ed efficienza dell'**allenamento**. Sono disponibili le seguenti tariffe: + Frequenze di **campionamento più elevate** (`PT1S`) offrono dettagli più precisi, ma possono aumentare il volume dei dati e il tempo di formazione. + Frequenze di **campionamento più basse** (`PT10M`,`PT1H`) riducono le dimensioni e i costi dei dati, ma possono non rilevare anomalie di breve durata. ### Gestione del disallineamento del timestamp AWS IoT SiteWise compensa automaticamente il disallineamento del **timestamp** su più flussi di dati durante l'allenamento. Ciò garantisce un comportamento coerente del modello anche se i segnali di ingresso non sono perfettamente allineati nel tempo. Visita [Campionamento per dati ad alta frequenza e coerenza tra addestramento e inferenza](ano-best-practices.md#apply-sampling-high-frequency-data) la pagina per scoprire le migliori pratiche. ### Abilita il campionamento Aggiungere il codice seguente a. `anomaly-detection-training-payload.json` Configura il campionamento aggiungendo `TargetSamplingRate` il payload dell'azione di formazione, con la frequenza di campionamento dei dati. I valori consentiti sono:. `PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H` ``` { "exportDataStartTime": StartTime, "exportDataEndTime": EndTime, "targetSamplingRate": "TargetSamplingRate" } ``` **Example di una configurazione della frequenza di campionamento:** ``` { "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360, "targetSamplingRate": "PT1M" } ``` ## Etichetta i tuoi dati Quando si etichettano i dati, è necessario definire intervalli di tempo che rappresentino periodi di comportamento anomalo delle apparecchiature. Queste informazioni di etichettatura vengono fornite come `CSV` file, in cui ogni riga specifica un intervallo di tempo durante il quale l'apparecchiatura non funzionava correttamente. Ogni riga contiene due timestamp: + L'**ora di inizio**, che indica quando si ritiene che sia iniziato un comportamento anomalo. + L'**ora di fine**, che rappresenta la data in cui l'errore o il problema sono stati rilevati per la prima volta. Questo file CSV è archiviato in un bucket Amazon S3 e viene utilizzato durante la formazione dei modelli per aiutare il sistema a imparare da esempi noti di comportamento anomalo. L'esempio seguente mostra come i dati dell'etichetta devono apparire come file. `.csv` Il file non ha un'intestazione. **Example di un file CSV:** ``` 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 ``` La **riga 1** rappresenta un evento di manutenzione **il 21 giugno 2024**, con una **finestra di 12 ore** (dal `2024-06-21T00:00:00.000000Z` al`2024-06-21T12:00:00.000000Z`) per individuare eventuali comportamenti AWS IoT SiteWise anomali. La **riga 2** rappresenta un evento di manutenzione l'**11 luglio 2024,** con una **finestra di 12 ore** (dal `2024-07-11T00:00:00.000000Z` al`2024-07-11T12:00:00.000000Z`) per AWS IoT SiteWise cercare comportamenti anomali. La **riga 3** rappresenta un evento di manutenzione **il 31 luglio 2024,** con una **finestra di 12 ore** (dal `2024-07-31T00:00:00.000000Z` al`2024-07-31T12:00:00.000000Z`) per AWS IoT SiteWise cercare comportamenti anomali. AWS IoT SiteWise utilizza tutte queste finestre temporali per addestrare e valutare modelli in grado di identificare comportamenti anomali in relazione a questi eventi. Tieni presente che non tutti gli eventi sono rilevabili e i risultati dipendono in larga misura dalla qualità e dalle caratteristiche dei dati sottostanti. Per informazioni dettagliate sulle migliori pratiche per il campionamento, vedere. [Best practice](ano-best-practices.md) ### Fasi di etichettatura dei dati + [Configura il tuo bucket Amazon S3 in base ai prerequisiti di etichettatura in Labeling data prerequisites.](anomaly-prerequisites.md#label-data) + Carica il file nel tuo bucket di etichettatura. + Aggiungi quanto segue a. `anomaly-detection-training-payload.json` + Specificate le posizioni nella `labelInputConfiguration` sezione del file. Sostituisci `labels-bucket` con il nome del bucket e `files-prefix` con il percorso dei file o qualsiasi parte del prefisso. Tutti i file presenti nella posizione vengono analizzati e (in caso di successo) utilizzati come file di etichette. ``` { "exportDataStartTime": StartTime, "exportDataEndTime": EndTime, "labelInputConfiguration": { "bucketName": "label-bucket", "prefix": "files-prefix" } } ``` **Example di una configurazione di etichetta:** ``` { "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" } } ``` ## Valutazione del modello La diagnostica puntuale del modello per un modello di AWS IoT SiteWise allenamento è una valutazione delle prestazioni del modello in occasione di singoli eventi. Durante l'addestramento, AWS IoT SiteWise genera un punteggio di anomalia e esegue una diagnostica del contributo dei sensori per ogni riga del set di dati di input. Un punteggio di anomalia più elevato indica una maggiore probabilità di un evento anomalo. La diagnostica puntuale è disponibile quando si addestra un modello con [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API e il tipo di azione. `AWS/ANOMALY_DETECTION_TRAINING` Per configurare la valutazione del modello, + [Configura il tuo bucket Amazon S3 in base ai prerequisiti di etichettatura in Labeling data prerequisites.](anomaly-prerequisites.md#label-data) + Aggiungi `anomaly-detection-training-payload.json` quanto segue a. + Fornisci l'`evaluationStartTime`e `evaluationEndTime` (entrambi in secondi epocali) per i dati nella finestra utilizzata per valutare le prestazioni del modello. + Fornisci la posizione del bucket Amazon S3 (`resultDestination`) in modo che la diagnostica di valutazione possa essere scritta. **Nota** L'intervallo di valutazione del modello (`dataStartTime`to`dataEndtime`) deve sovrapporsi o essere contiguo all'intervallo di addestramento. Non sono consentiti spazi vuoti. ``` { "exportDataStartTime": StartTime, "exportDataEndTime": EndTime, "modelEvaluationConfiguration": { "dataStartTime": evaluationStartTime, "dataEndTime": evaluationEndTime "resultDestination": { "bucketName": "s3BucketName", "prefix": "bucketPrefix" } } } ``` **Example di una configurazione di valutazione del modello:** ``` { "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" } } } ``` ## Genera metriche del modello Le metriche dei modelli forniscono informazioni complete sulle prestazioni e sulla qualità dei modelli di rilevamento delle anomalie addestrati. Il processo di formazione genera automaticamente questi parametri e li pubblica nel bucket Amazon S3 specificato, rendendoli facilmente accessibili per analisi, confronto di modelli e decisioni di promozione nei flussi di lavoro di riqualificazione. ### Comprensione delle metriche dei modelli Il processo di formazione genera automaticamente le metriche del modello e fornisce informazioni dettagliate su: + **Prestazioni del modello**: misure quantitative come precisione, richiamo e AUC quando sono disponibili dati etichettati + **Qualità dei dati**: informazioni sui dati di formazione utilizzati e sui periodi di tempo coperti + **Rilevamento degli eventi**: statistiche sulle anomalie identificate e sugli eventi etichettati + **Confronto tra modelli**: metriche di confronto tra diverse versioni del modello durante la riqualificazione ### Configura la destinazione delle metriche del modello Per abilitare la generazione di metriche del modello, configura una destinazione Amazon S3 in cui vengono pubblicate le metriche. 1. Configura il tuo bucket Amazon S3 secondo il. [Prerequisiti per la valutazione del modello](anomaly-prerequisites.md#prerequisites-model-evaluation) 1. Aggiungi quanto segue al payload delle azioni di formazione per specificare dove devono essere archiviate le metriche del modello: ``` { "trainingMode": "TRAIN_MODEL", "exportDataStartTime": StartTime, "exportDataEndTime": EndTime, "modelMetricsDestination": { "bucketName": "bucket-name", "prefix": "prefix" } } ``` **Example Esempio di configurazione delle metriche del modello** ``` { "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360, "modelMetricsDestination": { "bucketName": "anomaly-detection-metrics-bucket-123456789012-iad", "prefix": "ModelMetrics/computation-model-id/asset-id/training-metrics.json" } } ``` ### Configura le metriche del modello per la riqualificazione Quando si impostano i programmi di riqualificazione, è necessaria la destinazione delle metriche dei modelli per consentire il monitoraggio e il confronto completi delle prestazioni dei modelli: ``` { "trainingMode": "START_RETRAINING_SCHEDULER", "modelMetricsDestination": { "bucketName": "bucket-name", "prefix": "prefix" }, "retrainingConfiguration": { "lookbackWindow": "P180D", "promotion": "SERVICE_MANAGED", "retrainingFrequency": "P30D", "retrainingStartDate": "StartDate" } } ```Parameters `bucketName` Bucket Amazon S3 in cui verranno archiviate le metriche del modello `prefix` Amazon S3 prefix/path per organizzare i file delle metriche dei modelli ### Struttura delle metriche del modello Le metriche del modello vengono archiviate come file JSON nel bucket Amazon S3 nella seguente struttura: ``` { "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 } } ```Metriche chiave `labeled_ranges` Intervalli di tempo in cui sono state fornite anomalie etichettate durante l'addestramento `labeled_event_metrics` Statistiche sulla capacità del modello di identificare eventi noti etichettati `num_labeled` Numero totale di eventi etichettati nei dati di allenamento `num_identified` Numero di eventi etichettati che il modello ha identificato correttamente `total_warning_time_in_seconds` Tempo totale trascorso dal modello in stato di avviso per gli eventi etichettati `predicted_ranges` Intervalli di tempo in cui il modello ha previsto anomalie durante la valutazione `unknown_event_metrics` Statistiche sulle anomalie rilevate nei dati non etichettati `data_start_time / data_end_time` Finestra temporale coperta dai dati di allenamento `labels_present` Valore booleano che indica se i dati etichettati sono stati utilizzati durante l'allenamento `model_version_metrics` Metriche aggiuntive specifiche per la versione per il confronto dei modelli ### Metriche avanzate per i modelli etichettati Quando fornisci dati etichettati durante la formazione, nei file Amazon S3 sono inclusi parametri prestazionali aggiuntivi: + **Richiamo**: la percentuale di eventi identificati AWS IoT SiteWise correttamente rispetto agli eventi che hai etichettato durante lo stesso periodo. Ad esempio, potresti aver etichettato 10 eventi, ma ne hai identificati AWS IoT SiteWise solo 9. In questo caso, il richiamo è del 90%. + **Precisione**: la percentuale di veri positivi rispetto al totale degli eventi identificati. Ad esempio, se AWS IoT SiteWise identifica 10 eventi, ma solo 7 di questi eventi corrispondono agli eventi etichettati, la precisione è del 70%. + **MeanFractionalLeadTime**: Una misurazione della velocità (rispetto alla durata dell'evento), in media, AWS IoT SiteWise rileva ogni evento. Ad esempio, un evento tipico presso la vostra struttura può durare 10 ore. In media, il modello può impiegare 3 ore per identificare l'evento. In questo caso, il lead time frazionario medio è 0,7. + **AUC**: Area Under the Curve (AUC) misura la capacità di un modello di apprendimento automatico di prevedere un punteggio più elevato per gli esempi positivi rispetto agli esempi negativi. Un valore compreso tra 0 e 1 che indica quanto bene il modello è in grado di separare le categorie nel set di dati. Un valore di 1 indica che è stato in grado di separare perfettamente le categorie. ### Promozione e metriche del modello Durante i flussi di lavoro di riqualificazione, le metriche memorizzate in Amazon S3 consentono decisioni informate sulla promozione dei modelli: #### Modalità gestita (promozione automatica) + Il sistema confronta automaticamente le metriche tra le versioni vecchie e nuove del modello utilizzando i dati archiviati in Amazon S3 + I modelli vengono promossi sulla base di indicatori di prestazioni migliorati + Le decisioni relative alla promozione includono codici motivazionali specifici memorizzati insieme alle metriche: + `AUTO_PROMOTION_SUCCESSFUL`: Le nuove metriche del modello sono migliori rispetto alla versione attuale + `MODEL_METRICS_DIDNT_IMPROVE`: Le prestazioni del nuovo modello non sono migliorate + `POOR_MODEL_QUALITY_DETECTED`: Il nuovo modello presenta una valutazione di qualità scadente #### Modalità manuale (promozione controllata dal cliente) + Puoi scaricare e analizzare metriche dettagliate da Amazon S3 per prendere decisioni sulla promozione. + Tutte le versioni storiche dei modelli e le relative metriche rimangono accessibili in Amazon S3 + Puoi creare dashboard e strumenti di analisi personalizzati utilizzando i parametri memorizzati in Amazon S3.