기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 추론 결과 검토
<a name="reviewing-inference-results"></a>

## 추론 결과 검색
<a name="retrieving-inference-results"></a>

### 최신 추론 결과
<a name="get-latest-inference-results"></a>

다음 명령을 실행하여 자산 속성에 대한 최신 추론 결과를 가져옵니다. 자세한 내용은 *AWS CLI 명령 참조 안내서*의 [ get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)를 참조하세요.

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

### 추론 결과 기록
<a name="get-inference-results-history"></a>

다음 명령을 실행하여 지정된 기간에 대한 추론 결과 기록을 가져옵니다. 자세한 내용은 *AWS CLI 명령 참조 안내서*의 [ get-asset-property-value-history](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html)를 참조하세요.

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

### 응답의 예
<a name="example-response"></a>

**Example 추론 결과 응답의 :**  

```
{
  "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"
}
```

### 응답 필드
<a name="response-fields"></a>
+ **value.stringValue** – 다음 필드가 있는 추론 결과가 포함된 JSON 문자열입니다.
  + **timestamp** - 추론이 수행되는 TQV의 타임스탬프입니다.
  + **prediction** - 예측 결과(이상이 없는 경우 0, 이상이 감지된 경우 1).
  + **prediction\$1reason** – 예측의 이유(`NO_ANOMALY_DETECTED` 또는 `ANOMALY_DETECTED`).
  + **진단 **- 기여 요인을 보여주는 진단 정보의 배열입니다.
+ **timestamp** - 결과가 기록될 때의 타임스탬프입니다 AWS IoT SiteWise.
+ **품질** - 데이터 포인트의 품질입니다(일반적으로 `GOOD`).

## 추론 결과 이해
<a name="understanding-inference-results"></a>

 AWS IoT SiteWise 이상 탐지에 의해 반환되는 추론 결과에는 이상 탐지 여부 및 이상에 기여한 센서를 포함하여 특정 타임스탬프에서의 모델 예측에 대한 주요 정보가 포함됩니다.

**Example 자세한 추론 결과의 :**  

```
{
    "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` 필드는 모델이 특정 예측을 수행하는 *이유를* 해석하는 데 유용합니다. 목록의 각 항목에는 다음이 포함됩니다.
+ `name`: 예측에 기여한 센서(형식: `asset_id\\\\property_id`).
+ `value`: 해당 시점의 해당 센서의 **상대 가중치 또는 중요**도를 나타내는 0과 1 사이의 부동 소수점 숫자입니다.

사용자 이점:
+ 어떤 센서가 이상 현상에 가장 큰 영향을 미쳤는지 이해합니다.
+ 고가중 센서를 물리적 장비 동작과 연관시킵니다.
+ 근본 원인 분석을 알립니다.

**참고**  
`prediction = 0` (정상 동작)인 경우에도 진단 목록이 반환됩니다. 이는 정상 상태에서도 현재 모델의 결정에 영향을 미치는 센서를 평가하는 데 도움이 됩니다.