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。

# 推論結果を確認する
<a name="reviewing-inference-results"></a>

## 推論結果を取得する
<a name="retrieving-inference-results"></a>

### 最新の推論結果
<a name="get-latest-inference-results"></a>

次のコマンドを実行して、アセットプロパティの最新の推論結果を取得します。詳細については、*AWS CLI 「 コマンドリファレンスガイド*」の[get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)」を参照してください。

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

### 推論結果の履歴
<a name="get-inference-results-history"></a>

次のコマンドを実行して、指定した時間枠の推論結果の履歴を取得します。詳細については、*AWS CLI 「 コマンドリファレンスガイド*」の[get-asset-property-value-history](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html)」を参照してください。

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

### レスポンスの例
<a name="example-response"></a>

**Example 推論結果レスポンスの :**  

```
{
  "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"
}
```

### レスポンスフィールド
<a name="response-fields"></a>
+ **value.stringValue** – 次のフィールドを含む推論結果を含む JSON 文字列。
  + **timestamp** – 推論が実行される TQV のタイムスタンプ。
  + prediction**** – 予測結果 (異常なしの場合は 0、検出された異常の場合は 1)。
  + **prediction\$1reason** – 予測の理由 (`NO_ANOMALY_DETECTED` または `ANOMALY_DETECTED`)。
  + **diagnostics** – 寄与要因を示す診断情報の配列。
+ **timestamp** – 結果が記録されたタイムスタンプ AWS IoT SiteWise。
+ quality**** – データポイントの品質 (通常は `GOOD`)。

## 推論結果を理解する
<a name="understanding-inference-results"></a>

 AWS IoT SiteWise 異常検出によって返される推論結果には、異常が検出されたかどうか、異常に寄与したセンサーなど、特定のタイムスタンプでのモデルの予測に関する重要な情報が含まれます。

**Example 詳細な推論結果:**  

```
{
    "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 }
    ]
}
```

`diagnostics` フィールドは、モデルが特定の予測を行う*理由を*解釈するのに役立ちます。リストの各エントリには以下が含まれます。
+ `name`: 予測に寄与したセンサー (形式: `asset_id\\\\property_id`)。
+ `value`: その時点のセンサーの**相対的な重みまたは重要度**を表す 0 から 1 までの浮動小数点数。

ユーザーのメリット:
+ どのセンサーが異常に最も大きな影響を与えたかを理解します。
+ 高ウェイトセンサーを物理的な機器の動作と関連付けます。
+ 根本原因分析を通知します。

**注記**  
`prediction = 0` (通常の動作) の場合でも、診断リストが返されます。これは、正常な状態であっても、どのセンサーが現在モデルの決定に影響を与えているかを評価するのに役立ちます。