As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Detectar anomalias com o Lookout for Equipment
**nota**
A detecção de anomalias só está disponível nas regiões onde o Amazon Lookout for Equipment está disponível.
Você pode se integrar AWS IoT SiteWise ao Amazon Lookout for Equipment para obter informações sobre seu equipamento industrial por meio da detecção de anomalias e da manutenção preditiva de equipamentos industriais. O Lookout for Equipment é um serviço de machine learning (ML) para monitoramento de equipamentos industriais que detecta comportamento anormal dos equipamentos e identifica possíveis falhas. Com o Lookout for Equipment, você pode implementar programas de manutenção preditiva e identificar processos de equipamentos abaixo do ideal. Para ter mais informações sobre o Lookout for Equipment, consulte [What is Amazon Lookout for Equipment?](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html) no *Guia do usuário do Amazon Lookout for Equipment*.
Quando você cria uma previsão para treinar um modelo de ML para detectar o comportamento anômalo do equipamento, AWS IoT SiteWise envia os valores das propriedades do ativo para a Lookout for Equipment para treinar um modelo de ML para detectar o comportamento anômalo do equipamento. Para estabelecer uma definição de previsão em um modelo de ativo, especifique os perfis do IAM necessários para que o Lookout for Equipment acesse os dados e as propriedades para enviar ao Lookout for Equipment e envie dados processados ao Amazon S3. Para obter mais informações, consulte [Crie modelos de ativos em AWS IoT SiteWise](create-asset-models.md).
Para integrar AWS IoT SiteWise o Lookout for Equipment, você executará as seguintes etapas de alto nível:
+ Adicione uma definição de previsão em um modelo de ativo que descreva quais propriedades você deseja rastrear. A definição de previsão é uma coleção reutilizável de medições, transformações e métricas que é usada para criar previsões dos ativos com base nesse modelo de ativo.
+ Treine a previsão com base nos dados históricos que você fornece.
+ Inferência de cronograma, que AWS IoT SiteWise informa com que frequência executar uma previsão específica.
Depois que a inferência é programada, o modelo do Lookout for Equipment monitora os dados que recebe dos equipamentos e procura anomalias no comportamento dos equipamentos. Você pode visualizar e analisar os resultados no SiteWise Monitor, usando as operações da API AWS IoT SiteWise GET ou o console Lookout for Equipment. Também é possível criar alarmes usando detectores de alarme do modelo de ativo para alertar você sobre o comportamento anormal dos equipamentos.
**Topics**
+ [Adicionar uma definição de previsão (console)](#ad-add-prediction-definition-console)
+ [Treinar uma previsão (console)](#ad-train-prediction-console)
+ [Iniciar ou interromper a inferência em uma previsão (console)](#ad-start-stop-inference-console)
+ [Adicionar uma definição de previsão (CLI)](#ad-add-prediction-definition-cli)
+ [Treinar uma previsão e iniciar a inferência (CLI)](#ad-train-inference-prediction-cli)
+ [Treinar uma previsão (CLI)](#ad-train-prediction-cli)
+ [Iniciar ou interromper a inferência em uma previsão (CLI)](#ad-start-stop-inference-cli)
## Adicionar uma definição de previsão (console)
Para começar a enviar dados coletados pela AWS IoT SiteWise Lookout for Equipment, você deve adicionar AWS IoT SiteWise uma definição de previsão a um modelo de ativo.
**Para adicionar uma definição de previsão a um modelo AWS IoT SiteWise de ativo**
1. Navegue até o [console do AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. No painel de navegação, selecione **Modelos** e escolha o modelo de ativo para o qual você deseja adicionar a definição de previsão.
1. Escolha **Previsões**.
1. Escolha **Adicionar definição de previsão**.
1. Defina detalhes sobre a definição de previsão.
1. Insira um **Nome** exclusivo e uma **Descrição** para a definição de previsão. Escolha o nome com cuidado, pois depois de criada a definição de previsão, você não poderá mudar o nome.
1. Crie ou selecione um **Perfil de permissões do IAM** que permita que o AWS IoT SiteWise compartilhe os dados de ativos com o Amazon Lookout for Equipment. O perfil deve ter as políticas do IAM e de confiança a seguir. Se precisar de ajuda para criar o perfil, consulte [Criar um perfil do IAM usando políticas de confiança personalizadas (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-custom.html).
**Política do 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"
}
]
}
```
------
**Política de confiança**
------
#### [ 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. Escolha **Próximo**.
1. Selecione os atributos de dados (medições, transformações e métricas) que você deseja enviar para o Lookout for Equipment.
1. (Opcional) Selecione as medições.
1. (Opcional) Selecione as transformações.
1. (Opcional) Selecione as métricas.
1. Escolha **Próximo**.
1. Revise suas seleções. Para adicionar a definição de previsão ao modelo de ativo, na página de resumo, escolha **Adicionar definição de previsão**.
Você também pode **Editar** ou **Excluir** uma definição de previsão existente que tenha previsões ativas anexadas.
## Treinar uma previsão (console)
Depois de adicionar uma definição de previsão a um modelo de ativo, você poderá treinar as previsões que estão nos ativos.
**Para treinar uma previsão em AWS IoT SiteWise**
1. Navegue até o [console do AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. No painel de navegação, selecione **Ativos** e selecione o ativo que deseja monitorar.
1. Escolha **Previsões**.
1. Selecione as previsões que deseja treinar.
1. Em **Ações**, escolha **Começar o treinamento** e faça o seguinte:
1. Em **Detalhes da previsão**, selecione uma função de permissões do IAM que permita AWS IoT SiteWise compartilhar seus dados de ativos com o Lookout for Equipment. Se precisar criar um novo perfil, escolha **Criar um novo perfil**.
1. Em **Configurações de dados de treinamento**, insira um **Intervalo de tempo dos dados de treinamento** para selecionar quais dados usar para treinar a previsão.
1. (Opcional) Selecione a taxa de amostragem dos dados após o pós-processamento.
1. (Opcional) Para **Rótulos de dados**, forneça um bucket e um prefixo do Amazon S3 que contenham os dados de rotulagem. Para ter mais informações sobre rotulagem de dados, consulte [Labeling your data](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/labeling-data.html) no *Guia do usuário do Amazon Lookout for Equipment*.
1. Escolha **Próximo**.
1. (Opcional) Se você quiser que a previsão fique ativa assim que o treinamento for concluído, em **Configurações avançadas**, selecione **Ativar automaticamente a previsão após o treinamento** e faça o seguinte:
1. Em **Dados de entrada**, em **Frequência de upload de dados**, defina a frequência de upload dos dados e, em **Tempo de atraso de compensação**, defina a quantidade de buffer a ser usada.
1. Escolha **Próximo**.
1. Revise os detalhes da previsão e escolha **Salvar e iniciar**.
## Iniciar ou interromper a inferência em uma previsão (console)
**nota**
As cobranças do Lookout for Equipment se aplicam a inferências programadas com os dados transferidos AWS IoT SiteWise entre o Lookout for Equipment e o Lookout for Equipment. Para ter mais informações, consulte [Amazon Lookout for Equipment pricing](https://aws.amazon.com/lookout-for-equipment/pricing/).
Se você adicionou a previsão `lookoutequipment:CreateDataset`, mas não optou por ativá-la após o treinamento, deverá ativá-la para começar a monitorar os ativos.
**Como iniciar a inferência para uma previsão**
1. Navegue até o [console do AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. No painel de navegação, escolha **Ativos** e selecione o ativo ao qual a previsão é adicionada.
1. Escolha **Previsões**.
1. Selecione as previsões que deseja ativar.
1. Em **Ações**, escolha **Iniciar inferência** e faça o seguinte:
1. Em **Dados de entrada**, em **Frequência de upload de dados**, defina a frequência de upload dos dados e, em **Tempo de atraso de compensação**, defina a quantidade de buffer a ser usada.
1. Escolha **Salvar e iniciar**.
**Como interromper a inferência de uma previsão**
1. Navegue até o [console do AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/).
1. No painel de navegação, escolha **Ativos** e selecione o ativo ao qual a previsão é adicionada.
1. Escolha **Previsões**.
1. Selecione as previsões que deseja interromper.
1. Em **Ações**, escolha **Interromper inferência**.
## Adicionar uma definição de previsão (CLI)
Para definir uma definição de previsão em um modelo de ativo novo ou existente, você pode usar o AWS Command Line Interface (AWS CLI). Depois de definir a definição de previsão no modelo de ativo, você treina e programa a inferência para uma previsão em um ativo AWS IoT SiteWise para fazer a detecção de anomalias com o Lookout for Equipment.
**Pré-requisitos**
Para concluir essas etapas, você deve ter um modelo de ativo e pelo menos um ativo criado. Para obter mais informações, consulte [Criar um modelo de ativo (AWS CLI)](create-asset-models.md#create-asset-model-cli) e [Criar um ativo (AWS CLI)](create-assets.md#create-asset-cli).
Se você é novato AWS IoT SiteWise, deve chamar a operação de `CreateBulkImportJob` API para importar valores de propriedades de ativos AWS IoT SiteWise, que serão usados para treinar o modelo. Para obter mais informações, consulte [Criar um trabalho de importação AWS IoT SiteWise em massa (AWS CLI)](CreateBulkImportJob.md).
**Como adicionar uma definição de previsão**
1. Crie um arquivo chamado `asset-model-payload.json`. Siga as etapas nessas outras seções para adicionar os detalhes do seu modelo de ativo para o arquivo, mas não envie a solicitação para criar ou atualizar o modelo de ativo.
+ Para ter mais informações sobre como criar um modelo de ativo, consulte [Criar um modelo de ativo (AWS CLI)](create-asset-models.md#create-asset-model-cli).
+ Para ter mais informações sobre como atualizar um modelo de ativo existente, consulte [Atualizar um modelo de ativo, modelo de componente ou interface (AWS CLI)](update-asset-models.md#update-asset-model-cli).
1. Adicione um modelo composto do Lookout for Equipment (`assetModelCompositeModels`) ao modelo de ativo adicionando o código a seguir.
+ Substitua `Property` pelo ID das propriedades que deseja incluir. Para obtê-los IDs, ligue [https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html).
+ `RoleARN`Substitua pelo ARN de uma função do IAM que permite que a Lookout for Equipment acesse seus dados. 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. Crie o modelo de ativo ou atualize o modelo de ativo existente. Execute um destes procedimentos:
+ Para criar o modelo de ativo, execute o seguinte comando:
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
+ Para atualizar o modelo de ativo existente, execute o comando a seguir. Substitua `asset-model-id` pelo ID do modelo de ativo que você deseja atualizar.
```
aws iotsitewise update-asset-model \
--asset-model-id asset-model-id \
--cli-input-json file://asset-model-payload.json
```
Depois de executar o comando, observe o `assetModelId` na resposta.
## Treinar uma previsão e iniciar a inferência (CLI)
Agora que a definição de previsão está estabelecida, você pode treinar ativos com base nela e iniciar a inferência. Se você quiser treinar a previsão, mas não iniciar a inferência, vá para [Treinar uma previsão (CLI)](#ad-train-prediction-cli). Para treinar a previsão e iniciar a inferência no ativo, você precisará do `assetId` do recurso de destino.
**Como treinar e iniciar a inferência da previsão**
1. Execute o comando a seguir para encontrar `assetModelCompositeModelId` em `assetModelCompositeModelSummaries`. Substitua *`asset-model-id`* pelo ID do modelo de ativo criado em [Atualizar um modelo de ativo, modelo de componente ou interface (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `TrainingWithInference`. Substitua *`asset-model-id`* pelo ID usado na etapa anterior e substitua *`asset-model-composite-model-id`* pelo ID retornado na etapa anterior.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Crie um arquivo chamado `train-start-inference-prediction.json` e adicione o código a seguir, substituindo o seguinte:
+ `asset-id` pelo ID do ativo de destino.
+ `action-definition-id`com o ID da TrainingWithInference ação
+ `StartTime` pelo início dos dados de treinamento, fornecido em segundos epoch.
+ `EndTime` pelo fim dos dados de treinamento, fornecido em segundos epoch.
+ `TargetSamplingRate` pela taxa de amostragem dos dados após o pós-processamento pelo Lookout for Equipment. Os valores permitidos são: `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. Execute o comando a seguir para iniciar o treinamento e a inferência:
```
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
```
## Treinar uma previsão (CLI)
Agora que a definição de previsão está estabelecida, você pode treinar ativos com base nela. Para treinar a previsão no ativo, você precisará do `assetId` do recurso de destino.
**Como treinar a previsão**
1. Execute o comando a seguir para encontrar `assetModelCompositeModelId` em `assetModelCompositeModelSummaries`. Substitua *`asset-model-id`* pelo ID do modelo de ativo criado em [Atualizar um modelo de ativo, modelo de componente ou interface (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `Training`. Substitua *`asset-model-id`* pelo ID usado na etapa anterior e substitua *`asset-model-composite-model-id`* pelo ID retornado na etapa anterior.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Crie um arquivo chamado `train-prediction.json` e adicione o código a seguir, substituindo o seguinte:
+ `asset-id` pelo ID do ativo de destino.
+ `action-definition-id` pelo ID da ação de treinamento.
+ `StartTime` pelo início dos dados de treinamento, fornecido em segundos epoch.
+ `EndTime` pelo fim dos dados de treinamento, fornecido em segundos epoch.
+ (Opcional) `BucketName` pelo nome do bucket do Amazon S3 que contém os dados de rótulo.
+ (Opcional) `Prefix` pelo prefixo associado ao bucket do Amazon S3.
+ `TargetSamplingRate` pela taxa de amostragem dos dados após o pós-processamento pelo Lookout for Equipment. Os valores permitidos são: `PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`.
**nota**
Inclua o nome e o prefixo do bucket, ou nenhum deles.
```
{
"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. Execute o seguinte comando para iniciar o treinamento:
```
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
```
Antes de começar a inferência, o treinamento deve ser concluído. Para verificar o status do treinamento, faça um dos seguintes procedimentos:
+ No console, navegue até o ativo em que a previsão está ativada.
+ A partir do AWS CLI, ligue `BatchGetAssetPropertyValue` usando o `propertyId` da `trainingStatus` propriedade.
## Iniciar ou interromper a inferência em uma previsão (CLI)
Depois que a previsão for treinada, você poderá iniciar a inferência para fazer com que o Lookout for Equipment comece a monitorar os ativos. Para iniciar ou interromper a inferência, você precisará de `assetId` do recurso de destino.
**Como iniciar a inferência**
1. Execute o comando a seguir para encontrar `assetModelCompositeModelId` em `assetModelCompositeModelSummaries`. Substitua *`asset-model-id`* pelo ID do modelo de ativo criado em [Atualizar um modelo de ativo, modelo de componente ou interface (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `Inference`. Substitua *`asset-model-id`* pelo ID usado na etapa anterior e substitua *`asset-model-composite-model-id`* pelo ID retornado na etapa anterior.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Crie um arquivo chamado `start-inference.json` e adicione o código a seguir, substituindo o seguinte:
+ `asset-id` pelo ID do ativo de destino.
+ `action-definition-id` pelo ID da ação que dá início à inferência.
+ `Offset` pela quantidade de buffer a ser usada.
+ `Frequency` pela frequência de upload dos dados.
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": Offset, \"dataUploadFrequency\": \"Frequency\"}}"
}}
```
1. Execute o seguinte comando para iniciar a inferência:
```
aws iotsitewise execute-action --cli-input-json file://start-inference.json
```
**Como interromper a inferência**
1. Execute o comando a seguir para encontrar `assetModelCompositeModelId` em `assetModelCompositeModelSummaries`. Substitua *`asset-model-id`* pelo ID do modelo de ativo criado em [Atualizar um modelo de ativo, modelo de componente ou interface (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id asset-model-id \
```
1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `Inference`. Substitua *`asset-model-id`* pelo ID usado na etapa anterior e substitua *`asset-model-composite-model-id`* pelo ID retornado na etapa anterior.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id asset-model-id \
--asset-model-composite-model-id asset-model-composite-model-id \
```
1. Crie um arquivo chamado `stop-inference.json` e adicione o código a seguir, substituindo o seguinte:
+ `asset-id` pelo ID do ativo de destino.
+ `action-definition-id` pelo ID da ação que dá início à inferência.
```
{
"targetResource": {
"assetId": "asset-id"
},
"actionDefinitionId": "action-definition-Id",
"actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}"
}}
```
1. Execute o seguinte comando para interromper a inferência:
```
aws iotsitewise execute-action --cli-input-json file://stop-inference.json
```