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.
# Rileva le anomalie con Lookout for Equipment
Rileva le anomalie delle apparecchiature
**Nota**
Il rilevamento delle anomalie è disponibile solo nelle regioni in cui è disponibile Amazon Lookout for Equipment.
Puoi integrarti AWS IoT SiteWise con Amazon Lookout for Equipment per ottenere informazioni dettagliate sulle tue apparecchiature industriali attraverso il rilevamento delle anomalie e la manutenzione predittiva delle apparecchiature industriali. Lookout for Equipment è un servizio di machine learning (ML) per il monitoraggio delle apparecchiature industriali che rileva il comportamento anomalo delle apparecchiature e identifica potenziali guasti. Con Lookout for Equipment, è possibile implementare programmi di manutenzione predittiva e identificare i processi delle apparecchiature non ottimali. Per ulteriori informazioni su Lookout for Equipment, [consulta Cos'è Amazon Lookout](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html) for Equipment? nella Guida per l'*utente di Amazon Lookout for Equipment*.
Quando crei una previsione per addestrare un modello ML a rilevare il comportamento anomalo delle apparecchiature, AWS IoT SiteWise invia i valori delle proprietà degli asset a Lookout for Equipment per addestrare un modello ML per rilevare il comportamento anomalo delle apparecchiature. Per definire una definizione di previsione su un modello di asset, specifichi i ruoli IAM necessari a Lookout for Equipment per accedere ai tuoi dati e alle proprietà da inviare a Lookout for Equipment e inviare i dati elaborati ad Amazon S3. Per ulteriori informazioni, consulta [Crea modelli di asset in AWS IoT SiteWise](create-asset-models.md).
Per integrare AWS IoT SiteWise e Lookout for Equipment, dovrai eseguire i seguenti passaggi di alto livello:
+ Aggiungi una definizione di previsione su un modello di asset che delinei le proprietà che desideri monitorare. La definizione di previsione è una raccolta riutilizzabile di misurazioni, trasformazioni e metriche utilizzata per creare previsioni sugli asset basati su quel modello di asset.
+ Addestra la previsione in base ai dati storici che fornisci.
+ Pianifica l'inferenza, che indica la AWS IoT SiteWise frequenza con cui eseguire una previsione specifica.
Una volta pianificata l'inferenza, il modello Lookout for Equipment monitora i dati ricevuti dalle apparecchiature e cerca anomalie nel comportamento delle apparecchiature. È possibile visualizzare e analizzare i risultati in SiteWise Monitor, utilizzando le operazioni dell'API AWS IoT SiteWise GET o la console Lookout for Equipment. Puoi anche creare allarmi utilizzando i rilevatori di allarme del modello Asset per avvisarti del comportamento anomalo delle apparecchiature.
**Topics**
+ [
## Aggiungi una definizione di previsione (console)
](#ad-add-prediction-definition-console)
+ [
## Addestra una previsione (console)
](#ad-train-prediction-console)
+ [
## Avvia o interrompi l'inferenza su una previsione (console)
](#ad-start-stop-inference-console)
+ [
## Aggiungere una definizione di previsione (CLI)
](#ad-add-prediction-definition-cli)
+ [
## Addestra una previsione e un'inferenza iniziale (CLI)
](#ad-train-inference-prediction-cli)
+ [
## Addestra una previsione (CLI)
](#ad-train-prediction-cli)
+ [
## Avvia o interrompi l'inferenza su una previsione (CLI)
](#ad-start-stop-inference-cli)
## Aggiungi una definizione di previsione (console)
Per iniziare a inviare i dati raccolti da AWS IoT SiteWise a Lookout for Equipment, è necessario aggiungere AWS IoT SiteWise una definizione di previsione a un modello di asset.
**Per aggiungere una definizione di previsione a un modello di asset AWS IoT SiteWise**
1. Passare alla [console AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. Nel riquadro di navigazione, scegliete **Modelli** e selezionate il modello di asset a cui desiderate aggiungere la definizione di previsione.
1. Scegliete **Previsioni**.
1. Scegli **Aggiungi definizione di previsione.**
1. Definisci i dettagli sulla definizione della previsione.
1. Inserisci un **nome** e una **descrizione univoci per la definizione** della previsione. Scegli il nome con attenzione perché dopo aver creato la definizione di previsione, non puoi cambiarne il nome.
1. Crea o seleziona un **ruolo di autorizzazione IAM** che AWS IoT SiteWise consenta di condividere i dati delle tue risorse con Amazon Lookout for Equipment. Il ruolo deve avere le seguenti politiche IAM e trust. Per informazioni sulla creazione del ruolo, consulta [Creazione di un ruolo utilizzando politiche di fiducia personalizzate (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-custom.html).
**Policy 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"
}
]
}
```
------
**Policy di trust**
------
#### [ 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. Scegli **Next (Successivo)**.
1. Seleziona gli attributi dei dati (misurazioni, trasformazioni e metriche) che desideri inviare a Lookout for Equipment.
1. (Facoltativo) Seleziona le misurazioni.
1. (Facoltativo) Seleziona le trasformazioni.
1. (Facoltativo) Seleziona le metriche.
1. Scegli **Next (Successivo)**.
1. Rivedi le tue selezioni. Per aggiungere la definizione di previsione al modello di asset, nella pagina di riepilogo, scegli **Aggiungi definizione di previsione**.
Puoi anche **modificare** o **eliminare** una definizione di previsione esistente a cui sono allegate previsioni attive.
## Addestra una previsione (console)
Dopo aver aggiunto una definizione di previsione a un modello di asset, puoi addestrare le previsioni relative ai tuoi asset.
**Per addestrare una previsione in AWS IoT SiteWise**
1. Passare alla [console AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. Nel riquadro di navigazione, scegli **Risorse** e seleziona la risorsa che desideri monitorare.
1. Scegliete **Previsioni.**
1. Seleziona i pronostici che desideri addestrare.
1. In **Azioni**, scegli **Inizia allenamento** ed esegui le seguenti operazioni:
1. In **Dettagli di previsione**, seleziona un ruolo di autorizzazione IAM che AWS IoT SiteWise consenta di condividere i dati degli asset con Lookout for Equipment. Se devi creare un nuovo ruolo, scegli **Crea un** nuovo ruolo.
1. Per **le impostazioni dei dati** di **allenamento, inserisci un intervallo temporale dei dati** di allenamento per selezionare quali dati utilizzare per addestrare la previsione.
1. (Facoltativo) Seleziona la frequenza di campionamento dei dati dopo la post-elaborazione.
1. (Facoltativo) Per **le etichette dati**, fornisci un bucket Amazon S3 e un prefisso che contenga i dati di etichettatura. Per ulteriori informazioni sui dati di etichettatura, consulta [Etichettatura dei dati](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/labeling-data.html) nella *Amazon Lookout for* Equipment User Guide.
1. Scegli **Next (Successivo)**.
1. (Facoltativo) Se desideri che la previsione sia attiva non appena ha completato l'allenamento, in **Impostazioni avanzate**, seleziona **Attiva automaticamente la previsione dopo l'allenamento**, quindi procedi come segue:
1. In **Dati di input**, per **Frequenza di caricamento dei dati**, definisci la frequenza di caricamento dei dati e per il **tempo di ritardo di Offset**, definisci la quantità di buffer da utilizzare.
1. Scegli **Next (Successivo)**.
1. Controlla i dettagli del pronostico e scegli **Salva** e inizia.
## Avvia o interrompi l'inferenza su una previsione (console)
**Nota**
I costi di Lookout for Equipment si applicano alle inferenze programmate con i dati trasferiti AWS IoT SiteWise tra e Lookout for Equipment. Per ulteriori informazioni, consulta i prezzi di [Amazon Lookout for Equipment](https://aws.amazon.com/lookout-for-equipment/pricing/).
Se hai aggiunto la previsione `lookoutequipment:CreateDataset` ma non hai scelto di attivarla dopo l'allenamento, devi attivarla per iniziare a monitorare le tue risorse.
**Per avviare l'inferenza per una previsione**
1. Passare alla [console AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. Nel riquadro di navigazione, scegli **Risorse** e seleziona la risorsa a cui viene aggiunta la previsione.
1. Scegliete **Previsioni**.
1. Seleziona le previsioni che desideri attivare.
1. In **Azioni**, scegli **Avvia inferenza** ed esegui le seguenti operazioni:
1. In **Dati di input**, per **Frequenza di caricamento dei dati**, definisci la frequenza di caricamento dei dati e per il **tempo di ritardo di Offset**, definisci la quantità di buffer da utilizzare.
1. Scegli **Salva e inizia.**
**Per interrompere l'inferenza per una previsione**
1. Passare alla [console AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. Nel riquadro di navigazione, scegli **Risorse** e seleziona la risorsa a cui viene aggiunta la previsione.
1. Scegliete **Previsioni**.
1. Seleziona i pronostici che desideri interrompere.
1. In **Azioni**, scegli **Stop inference**.
## Aggiungere una definizione di previsione (CLI)
Per definire una definizione di previsione su un modello di asset nuovo o esistente, puoi utilizzare (). AWS Command Line Interface AWS CLI Dopo aver definito la definizione di previsione sul modello di asset, addestrate e pianificate l'inferenza per una previsione su un asset per eseguire il rilevamento delle anomalie con AWS IoT SiteWise Lookout for Equipment.
**Prerequisiti**
Per completare questi passaggi, è necessario disporre di un modello di asset e creare almeno una risorsa. Per ulteriori informazioni, consultare [Crea un modello di asset (AWS CLI)](create-asset-models.md#create-asset-model-cli) e [Crea una risorsa (AWS CLI)](create-assets.md#create-asset-cli).
Se non lo sapete AWS IoT SiteWise, dovete chiamare l'operazione `CreateBulkImportJob` API per importare i valori delle proprietà dell'asset AWS IoT SiteWise, che verranno utilizzati per addestrare il modello. Per ulteriori informazioni, consulta [Crea un processo di importazione in blocco AWS IoT SiteWise ()AWS CLI](CreateBulkImportJob.md).
**Per aggiungere una definizione di previsione**
1. Crea un file denominato `asset-model-payload.json`. Segui i passaggi descritti in queste altre sezioni per aggiungere i dettagli del tuo modello di asset al file, ma non inviare la richiesta per creare o aggiornare il modello di asset.
+ Per ulteriori informazioni su come creare un modello di asset, consulta [Crea un modello di asset (AWS CLI)](create-asset-models.md#create-asset-model-cli)
+ Per ulteriori informazioni su come aggiornare un modello di asset esistente, consulta [Aggiornate un modello di asset, un modello di componente o un'interfaccia ()AWS CLI](update-asset-models.md#update-asset-model-cli)
1. Aggiungete un modello composito Lookout for Equipment `assetModelCompositeModels` () al modello di asset aggiungendo il codice seguente.
+ Sostituitelo `Property` con l'ID delle proprietà che desiderate includere. Per averli IDs, chiama [https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html).
+ Sostituiscilo `RoleARN` con l'ARN di un ruolo IAM che consente a Lookout for Equipment di accedere ai tuoi dati. 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. Crea il modello di asset o aggiorna il modello di asset esistente. Esegui una delle seguenti operazioni:
+ Per creare il modello di asset, esegui il seguente comando:
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
+ Per aggiornare il modello di asset esistente, esegui il comando seguente. Sostituitelo `asset-model-id` con l'ID del modello di asset che desiderate aggiornare.
```
aws iotsitewise update-asset-model \
--asset-model-id asset-model-id \
--cli-input-json file://asset-model-payload.json
```
Dopo aver eseguito il comando, `assetModelId` annotatelo nella risposta.
## Addestra una previsione e un'inferenza iniziale (CLI)
Ora che la definizione di previsione è stata definita, puoi addestrare gli asset in base ad essa e avviare l'inferenza. Se vuoi addestrare la tua previsione ma non iniziare l'inferenza, passa a. [Addestra una previsione (CLI)](#ad-train-prediction-cli) Per addestrare la previsione e iniziare l'inferenza sulla risorsa, avrai bisogno della `assetId` risorsa di destinazione.
**Per addestrare e avviare l'inferenza della previsione**
1. Esegui il seguente comando per trovare quanto segue`assetModelCompositeModelId`. `assetModelCompositeModelSummaries` *`asset-model-id`*Sostituitelo con l'ID del modello di asset in cui avete creato[Aggiornate un modello di asset, un modello di componente o un'interfaccia ()AWS CLI](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Eseguite il comando seguente per trovare `actionDefinitionId` l'`TrainingWithInference`azione. Sostituisci *`asset-model-id`* con l'ID utilizzato nel passaggio precedente e sostituisci *`asset-model-composite-model-id`* con l'ID restituito nel passaggio precedente.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Create un file chiamato `train-start-inference-prediction.json` e aggiungete il codice seguente, sostituendo il seguente:
+ `asset-id`con l'ID della risorsa di destinazione
+ `action-definition-id`con l'ID dell' TrainingWithInference azione
+ `StartTime`con l'inizio dei dati di allenamento, forniti in secondi d'epoca
+ `EndTime`con i dati di fine addestramento, forniti in secondi d'epoca
+ `TargetSamplingRate`con la frequenza di campionamento dei dati dopo la post-elaborazione da parte di Lookout for Equipment. I valori consentiti sono:. `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. Esegui il seguente comando per avviare l'addestramento e l'inferenza:
```
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
```
## Addestra una previsione (CLI)
Ora che la definizione di previsione è stata definita, puoi addestrare gli asset in base ad essa. Per addestrare la previsione sull'asset, avrai bisogno della risorsa `assetId` di destinazione.
**Per addestrare la previsione**
1. Esegui il seguente comando per trovare quanto segue`assetModelCompositeModelId`. `assetModelCompositeModelSummaries` *`asset-model-id`*Sostituitelo con l'ID del modello di asset in cui avete creato[Aggiornate un modello di asset, un modello di componente o un'interfaccia ()AWS CLI](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Eseguite il comando seguente per trovare `actionDefinitionId` l'`Training`azione. Sostituisci *`asset-model-id`* con l'ID utilizzato nel passaggio precedente e sostituisci *`asset-model-composite-model-id`* con l'ID restituito nel passaggio precedente.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Create un file chiamato `train-prediction.json` e aggiungete il codice seguente, sostituendo il seguente:
+ `asset-id`con l'ID della risorsa di destinazione
+ `action-definition-id`con l'ID dell'azione formativa
+ `StartTime`con i dati di inizio dell'allenamento, forniti in secondi epocali
+ `EndTime`con i dati di fine addestramento, forniti in secondi d'epoca
+ (Facoltativo) `BucketName` con il nome del bucket Amazon S3 che contiene i dati dell'etichetta
+ (Facoltativo) `Prefix` con il prefisso associato al bucket Amazon S3.
+ `TargetSamplingRate`con la frequenza di campionamento dei dati dopo la post-elaborazione da parte di Lookout for Equipment. I valori consentiti sono:. `PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`
**Nota**
Includi sia il nome che il prefisso del bucket o nessuno dei due.
```
{
"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. Esegui il seguente comando per iniziare l'allenamento:
```
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
```
Prima di iniziare l'inferenza, è necessario completare l'addestramento. Per verificare lo stato della formazione, effettuate una delle seguenti operazioni:
+ Dalla console, accedi alla risorsa su cui si basa la previsione.
+ Da AWS CLI, chiama `BatchGetAssetPropertyValue` utilizzando l'indirizzo `propertyId` della `trainingStatus` proprietà.
## Avvia o interrompi l'inferenza su una previsione (CLI)
Una volta addestrata la previsione, puoi avviare l'inferenza per dire a Lookout for Equipment di iniziare a monitorare le tue risorse. Per avviare o interrompere l'inferenza, avrai bisogno della risorsa `assetId` di destinazione.
**Per iniziare l'inferenza**
1. Esegui il seguente comando per trovare il `assetModelCompositeModelId` sotto`assetModelCompositeModelSummaries`. *`asset-model-id`*Sostituitelo con l'ID del modello di asset in cui avete creato[Aggiornate un modello di asset, un modello di componente o un'interfaccia ()AWS CLI](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Eseguite il comando seguente per trovare `actionDefinitionId` l'`Inference`azione. Sostituisci *`asset-model-id`* con l'ID utilizzato nel passaggio precedente e sostituisci *`asset-model-composite-model-id`* con l'ID restituito nel passaggio precedente.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Create un file chiamato `start-inference.json` e aggiungete il codice seguente, sostituendo il seguente:
+ `asset-id`con l'ID della risorsa di destinazione
+ `action-definition-id`con l'ID dell'azione di inferenza iniziale
+ `Offset`con la quantità di buffer da usare
+ `Frequency`con la frequenza con cui vengono caricati i dati
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": Offset, \"dataUploadFrequency\": \"Frequency\"}}"
}}
```
1. Esegui il seguente comando per avviare l'inferenza:
```
aws iotsitewise execute-action --cli-input-json file://start-inference.json
```
**Per interrompere l'inferenza**
1. Esegui il seguente comando per trovare il `assetModelCompositeModelId` sotto`assetModelCompositeModelSummaries`. *`asset-model-id`*Sostituitelo con l'ID del modello di asset in cui avete creato[Aggiornate un modello di asset, un modello di componente o un'interfaccia ()AWS CLI](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Eseguite il comando seguente per trovare `actionDefinitionId` l'`Inference`azione. Sostituisci *`asset-model-id`* con l'ID utilizzato nel passaggio precedente e sostituisci *`asset-model-composite-model-id`* con l'ID restituito nel passaggio precedente.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Create un file chiamato `stop-inference.json` e aggiungete il codice seguente, sostituendo il seguente:
+ `asset-id`con l'ID della risorsa di destinazione
+ `action-definition-id`con l'ID dell'azione di inferenza iniziale
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}"
}}
```
1. Esegui il comando seguente per interrompere l'inferenza:
```
aws iotsitewise execute-action --cli-input-json file://stop-inference.json
```