翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# 高度な推論設定
<a name="advanced-inference-configurations"></a>

AWS IoT SiteWise を使用すると、お客様は運用ニーズに合わせてモデル推論スケジュールを設定できます。

推論スケジューリングは、3 つのモードに大別されます。
+ [高頻度推論 (5 分～1 時間)](#high-frequency-inferencing)
+ [低頻度推論 (2 時間～1 日)](#low-frequency-inferencing)
+ [柔軟なスケジューリング](#flexible-scheduling)

## 高頻度推論 (5 分～1 時間)
<a name="high-frequency-inferencing"></a>

このモードは、継続的に動作するプロセスや、センサー値の変化率が高いプロセスに最適です。この設定では、推論は 5 分ごとに頻繁に実行されます。

**ユースケース**:
+ これは、コンプレッサーやコンベアなどの急速に変化する機器のモニタリングに使用されます。
+ これは、即時の対応を必要とする存続期間の短い異常をキャッチするのに役立ちます。
+ これは、データが一貫して流れている常時オンのオペレーションです。

**条件付きオフセットのサポート:**

データ取り込み後に推論を遅延させる**条件付きオフセット** (0～60 分) を定義できます。これにより、遅延受信データが引き続き分析ウィンドウに含まれるようになります。

高頻度推論を設定するには:
+ 推論の開始`PT5M, PT10M, PT15M, PT30M, PT1H`時に、 の値`DataUploadFrequency`を使用して`AWS/ANOMALY_DETECTION_INFERENCE`アクションペイロード値を設定します。
+ (オプション) 遅延オフセット`DataDelayOffsetInMinutes`を分単位で設定します。この値を 0～60 分に設定します。

```
{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "DataDelayOffsetInMinutes",
    "dataUploadFrequency": "DataUploadFrequency"
}
```

**Example の高頻度推論設定:**  

```
{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "2",
    "dataUploadFrequency": "PT5M"
}
```

## 低頻度推論 (2 時間～1 日)
<a name="low-frequency-inferencing"></a>

このモードは、動きの遅いプロセスや、毎日の評価で十分なユースケースに適しています。お客様は、推論を 1 時間ごとまたは 1 日に 1 回実行するように設定します。

**1 日間隔の開始時刻のサポート:**

毎日の推論では、オプションでタイムゾーン認識とともに **`startTime`** (毎日午前 8 時) を指定します。

**タイムゾーンのサポート:**

が指定されている場合、 `startTime`は、Internet Assigned Numbers Authority (IANA) によって管理される[タイムゾーンデータベース](https://www.iana.org/time-zones) AWS IoT SiteWise を使用します。これにより、リージョン間でも推論がローカルの勤務時間と一致するようになります。

**条件付きオフセットのサポート:**

他のモードと同様に、条件オフセットは 0～60 分に設定されています。

**ユースケース**:
+ バッチプロセスまたはシフトベースのオペレーションの毎日のヘルスチェック。
+ メンテナンス中またはダウンタイム中の推論を回避します。
+ これは、コンピューティング使用量を最小限に抑える必要があるリソースに制約のある環境に役立ちます。

低頻度推論を設定するには:
+ 値 `DataUploadFrequency`を使用して`AWS/ANOMALY_DETECTION_INFERENCE`アクションペイロード値を設定します`PT2H..PT12H`。
  + 1 日の場合、 `DataUploadFrequency`は です`P1D`。
+ (オプション) 遅延オフセット`DataDelayOffsetInMinutes`を分単位で設定します。この値を 0～60 分に設定します。

**Example 低頻度推論設定:**  

```
{
    "inferenceMode": "START",
    "dataUploadFrequency": "P1D",
    "inferenceStartTime": "13:00",
    "inferenceTimeZone": "America/Chicago"
}
```

## 柔軟なスケジューリング
<a name="flexible-scheduling"></a>

柔軟なスケジューリングにより、お客様は推論が実行される**特定の日と時間範囲**を定義できます。これにより、お客様は生産時間、シフトタイミング、計画されたダウンタイムに基づいてスケジューリングを完全に制御できます。

は、次の場合`weeklyOperatingWindow`に役立ちます。
+ 機器は特定の時間 (午前 8 時～午後 4 時) にのみ実行されます。
+ 週末は本番稼働しません。
+ 毎日のメンテナンスは、既知のタイムブロック中にスケジュールされます。

**タイムゾーンのサポート:**

が指定されている場合、 `startTime`は、Internet Assigned Numbers Authority (IANA) によって管理される[タイムゾーンデータベース](https://www.iana.org/time-zones) AWS IoT SiteWise を使用します。これにより、リージョン間でも推論がローカルの勤務時間と一致します。

**条件付きオフセットのサポート:**

他のモードと同様に、0～60 分の条件付きオフセットを設定できます。

の利点`weeklyOperatingWindow`:
+ これにより、アイドルまたはメンテナンス期間中の推論が回避され、誤検出が軽減されます。
+ これは、異常検出を運用上の優先順位とシフトベースのワークフローに合わせます。

柔軟なスケジューリングを設定するには:
+ で`AWS/ANOMALY_DETECTION_INFERENCE`アクションペイロード値を設定します`DataUploadFrequency`。
+ (オプション) 遅延オフセット`DataDelayOffsetInMinutes`を分単位で指定します。この値を 0～60 分に設定します。
+ シフト設定`weeklyOperatingWindow`を使用して を設定します。
  + のキー`weeklyOperatingWindow`は曜日: です`monday|tuesday|wednesday|thursday|friday|saturday|sunday`。
  + 各時間範囲は `"HH:MM-HH:MM"` () として **24 時間形式**である必要があります`"08:00-16:00"`。
  + 1 日あたり複数の範囲を指定できます。

**Example 柔軟なスケジューリング設定:**  

```
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT5M",
    "weeklyOperatingWindow": {
      "tuesday": ["11:00-13:00"],
      "monday": ["10:00-11:00", "13:00-15:00"]
    }
}
```

## モデルバージョンのアクティベーション
<a name="model-version-activation"></a>

推論を開始するときは、オプションで特定のモデルバージョンをアクティブ化して異常検出に使用できます。この機能を使用すると、特定のトレーニング済みモデルバージョンを選択したり、以前のバージョンにロールバックしたり、モデルの自動昇格の決定を上書きしたりできます。

### ユースケース:
<a name="model-version-use-cases"></a>
+ **本番ロールバック**: 現在のバージョンでパフォーマンスの低下や予期しない動作が見られると、安定したモデルバージョンにすばやく戻します。
+ **A/B テスト**: 制御された期間中にモデルバージョンを切り替えることで、異なるモデルバージョン間のパフォーマンスを比較します。
+ **手動モデル選択**: 自動昇格の決定を上書きし、ビジネス要件に基づいて希望するモデルバージョンを手動で選択します。
+ **ステージデプロイ**: 重要な時間枠以外で新しいモデルバージョンをテストしてから、本番環境での使用に昇格させます。
+ **パフォーマンスの最適化**: 特定の運用条件や季節的なパターンにより適したモデルバージョンを選択します。
+ **メンテナンス中のロールバック**: システムメンテナンス中、またはアップグレード中に、十分にテストされた古いモデルバージョンを使用して安定性を確保します。

### モデルバージョンの選択動作
<a name="model-version-selection-behavior"></a>

`targetModelVersion` が指定されている場合:
+ システムは、推論のためにリクエストされたモデルバージョンをアクティブ化します。
+ 指定されたモデルバージョンが存在することを検証します。
+ 自動昇格設定を上書きします。

`targetModelVersion` が指定されていない場合:
+ 推論が以前に開始されている場合、最後にアクティブなモデルバージョンをアクティブ化します。
+ 推論がアクティブ化されなかった場合、 は最新のトレーニング済みモデルバージョンを使用します。

特定のモデルバージョンをアクティブ化するには:
+ targetModelVersion を目的のモデルバージョン番号に設定して、推論アクションペイロードを設定します。
+ 指定されたモデルバージョンが存在する場合は検証され、アクティブ化されます。

**Example モデルバージョンのアクティベーション:**  

```
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT15M",
    "targetModelVersion": 2
}
```

## モデルバージョンの確認
<a name="checking-model-versions"></a>

現在アクティブなモデルバージョンを確認するには:
+ レスポンスにアクティブなモデルバージョンを含む [ DescribeComputationModelExecutionSummary](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeComputationModelExecutionSummary.html) API を使用します。

使用可能なすべてのモデルバージョンを表示するには:
+ [ ListExecutions](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListExecutions.html) API を使用して、過去のモデルバージョンの完全なリストを取得します。
+ [ DescribeExecution](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeExecution.html) API を使用して、データのエクスポート時間範囲、計算モデルバージョン、請求対象期間などのトレーニング済みモデル情報を分単位で取得します。

### モデルバージョンの特性
<a name="important-notes"></a>
+ モデルバージョン番号は、1 から順番に割り当てられます。
+ 以前にトレーニングしたモデルバージョンをアクティブ化できます。
+ アクティブ化されたモデルバージョンは、明示的に変更されるまで保持されます。
+ モデルバージョンのアクティベーションは、すべての推論スケジューリングモード (高頻度、低頻度、柔軟性) で機能します。
+ 指定されたモデルバージョンが存在しない場合、推論アクションはエラーで失敗します。