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.

# Rivedi i risultati dell'inferenza
<a name="reviewing-inference-results"></a>

## Recupera i risultati dell'inferenza
<a name="retrieving-inference-results"></a>

### Ultimi risultati di inferenza
<a name="get-latest-inference-results"></a>

Eseguite il comando seguente per recuperare il risultato di inferenza più recente per una proprietà dell'asset. Per ulteriori informazioni, consultate la [ get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)Guida di *riferimento ai AWS CLI comandi.*

```
aws iotsitewise get-asset-property-value \
    —asset-id asset-id \
    —property-id result-property-id
```

### Cronologia dei risultati di inferenza
<a name="get-inference-results-history"></a>

Esegui il comando seguente per recuperare la cronologia dei risultati dell'inferenza per una finestra temporale specificata. Per ulteriori informazioni, vedere [ get-asset-property-value-history](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html) nella *AWS CLI Command* Reference Guide.

```
aws iotsitewise get-asset-property-value-history \
    —asset-id asset-id \
    —property-id result-property-id \
    —start-date start-time \
    —end-date end-time
```

### Esempio di risposta
<a name="example-response"></a>

**Example di una risposta al risultato di inferenza:**  

```
{
  "value": {
    "stringValue": "{\"timestamp\": \"2025-02-10T22:42:00.000000\", \"prediction\": 0, \"prediction_reason\": \"NO_ANOMALY_DETECTED\", \"diagnostics\": [{\"name\": \"asset-id\\\\property-id\", \"value\": 0.53528}]}"
  },
  "timestamp": {
    "timeInSeconds": 1739227320,
    "offsetInNanos": 0
  },
  "quality": "GOOD"
}
```

### Campi di risposta
<a name="response-fields"></a>
+ **value.stringValue** — Una stringa JSON contenente il risultato dell'inferenza con i seguenti campi:
  + **timestamp — Il timestamp** del TQV rispetto al quale viene eseguita l'inferenza.
  + **previsione**: il risultato della previsione (0 per nessuna anomalia, 1 per l'anomalia rilevata).
  + **prediction\$1reason — Il motivo** della previsione (o). `NO_ANOMALY_DETECTED` `ANOMALY_DETECTED`
  + **diagnostica: una serie di** informazioni diagnostiche che mostrano i fattori che contribuiscono.
+ **timestamp**: il timestamp in cui viene registrato il risultato in. AWS IoT SiteWise
+ **qualità**: la qualità del punto dati (in genere). `GOOD`

## Comprendi i risultati dell'inferenza
<a name="understanding-inference-results"></a>

Un risultato di inferenza restituito dal rilevamento delle AWS IoT SiteWise anomalie include informazioni chiave sulla previsione del modello in un determinato timestamp, tra cui se è stata rilevata un'anomalia e quali sensori hanno contribuito all'anomalia.

**Example di un risultato di inferenza dettagliato:**  

```
{
    "timestamp": "2021-03-11T22:25:00.000000",
    "prediction": 1,
    "prediction_reason": "ANOMALY_DETECTED",
    "anomaly_score": 0.72385,
    "diagnostics": [
      { "name": "asset_id_1\\\\property_id_1", "value": 0.02346 },
      { "name": "asset_id_2\\\\property_id_2", "value": 0.10011 },
      { "name": "asset_id_3\\\\property_id_3", "value": 0.11162 }
    ]
}
```

Il `diagnostics` campo è utile per interpretare il *motivo per cui* il modello effettua una determinata previsione. Ogni voce dell'elenco include:
+ `name`: Il sensore che ha contribuito alla previsione (formato:`asset_id\\\\property_id`).
+ `value`: Un numero a virgola mobile compreso tra 0 e 1, che rappresenta il **peso o l'importanza relativa** di quel sensore in quel momento.

Vantaggi per l'utente:
+ Scopri quali sensori hanno avuto il maggiore impatto su un'anomalia.
+ Correla i sensori ad alto peso con il comportamento fisico delle apparecchiature.
+ Informa l'analisi delle cause alla radice.

**Nota**  
Anche quando `prediction = 0` (comportamento normale), viene restituito l'elenco di diagnostica. Questo aiuta a valutare quali sensori stanno attualmente influenzando le decisioni del modello, anche in condizioni di salute.