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.

# Revise os resultados da inferência
<a name="reviewing-inference-results"></a>

## Recupere os resultados da inferência
<a name="retrieving-inference-results"></a>

### Últimos resultados de inferência
<a name="get-latest-inference-results"></a>

Execute o comando a seguir para obter o resultado de inferência mais recente para uma propriedade de ativo. Para obter mais informações, consulte [ get-asset-property-value](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value.html)o *Guia de referência de AWS CLI comandos*.

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

### Histórico de resultados de inferência
<a name="get-inference-results-history"></a>

Execute o comando a seguir para buscar o histórico dos resultados da inferência para uma janela de tempo especificada. Para obter mais informações, consulte [ get-asset-property-value-history](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/get-asset-property-value-history.html) no *Guia de referência de AWS CLI comandos*.

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

### Exemplo de resposta
<a name="example-response"></a>

**Example de uma resposta de resultado de inferência:**  

```
{
  "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"
}
```

### Campos de resposta
<a name="response-fields"></a>
+ **Value.stringValue** — Uma string JSON contendo o resultado da inferência com os seguintes campos:
  + **timestamp** — O timestamp do TQV contra o qual a inferência é realizada.
  + **previsão** — O resultado da previsão (0 para nenhuma anomalia, 1 para anomalia detectada).
  + **prediction\$1reason** — O motivo da previsão (`NO_ANOMALY_DETECTED`ou). `ANOMALY_DETECTED`
  + **diagnósticos** — Uma série de informações de diagnóstico que mostram os fatores contribuintes.
+ **timestamp** — O timestamp quando o resultado é gravado em. AWS IoT SiteWise
+ **qualidade** — A qualidade do ponto de dados (normalmente`GOOD`).

## Entenda os resultados da inferência
<a name="understanding-inference-results"></a>

Um resultado de inferência retornado pela detecção de AWS IoT SiteWise anomalias inclui informações importantes sobre a previsão do modelo em um registro de data e hora específico, incluindo se uma anomalia foi detectada e quais sensores contribuíram para a anomalia.

**Example de um resultado de inferência detalhado:**  

```
{
    "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 }
    ]
}
```

O `diagnostics` campo é útil para interpretar *por que* o modelo faz uma determinada previsão. Cada entrada na lista inclui:
+ `name`: O sensor que contribuiu para a previsão (formato:`asset_id\\\\property_id`).
+ `value`: um número de ponto flutuante entre 0 e 1, representando o **peso relativo ou a importância** desse sensor naquele momento.

Benefícios para o usuário:
+ Entenda quais sensores tiveram o impacto mais forte em uma anomalia.
+ Correlacione sensores de alto peso com o comportamento do equipamento físico.
+ Informe a análise da causa raiz.

**nota**  
Mesmo quando `prediction = 0` (comportamento normal), a lista de diagnósticos é retornada. Isso ajuda a avaliar quais sensores estão atualmente influenciando as decisões do modelo, mesmo em estados saudáveis.