高级训练配置

采样率配置

采样率定义了记录传感器读数的频率（例如，每秒一次或每分钟一次）。此设置直接影响训练数据的粒度，并影响模型捕捉传感器行为的短期变化的能力。

访问高频数据采样以及训练和推理之间的一致性以了解最佳实践。

配置目标采样率

您可以选择在训练配置TargetSamplingRate中指定，以控制数据的采样频率。支持的值为：

PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H

这些是 ISO 8601 持续时间格式，表示以下时间格式：

选择在数据分辨率和训练效率之间取得适当平衡的采样率。可用的费率如下：

处理时间戳错位

Amazon IoT SiteWise 在训练期间自动补偿多个数据流的时间戳不对齐。即使输入信号在时间上没有完全对齐，这也可确保模型行为的一致性。

访问高频数据采样以及训练和推理之间的一致性以了解最佳实践。

启用采样

将以下代码添加到anomaly-detection-training-payload.json。

通过添加TargetSamplingRate训练动作有效载荷和数据的采样率来配置采样。允许的值为:PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "targetSamplingRate": "TargetSamplingRate"
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "targetSamplingRate": "PT1M"
}

给你的数据加标签

为数据添加标签时，必须定义表示设备异常行为的时间间隔。此标签信息以CSV文件形式提供，其中每行都指定了设备无法正常运行的时间范围。

每行包含两个时间戳：

此 CSV 文件存储在 Amazon S3 存储桶中，在模型训练期间用于帮助系统从已知的异常行为示例中学习。以下示例显示标签数据应如何显示为.csv文件。该文件没有标题。

2024-06-21T00:00:00.000000,2024-06-21T12:00:00.000000
2024-07-11T00:00:00.000000,2024-07-11T12:00:00.000000
2024-07-31T00:00:00.000000,2024-07-31T12:00:00.000000

第 1 行表示 2024 年 6 月 21 日的维护事件，有 12 小时的时间段（从2024-06-21T00:00:00.000000Z到2024-06-21T12:00:00.000000Z） Amazon IoT SiteWise 来查找异常行为。

第 2 行表示 2024 年 7 月 11 日的维护事件，有 12 小时的时间段（从2024-07-11T00:00:00.000000Z到2024-07-11T12:00:00.000000Z） Amazon IoT SiteWise 来查找异常行为。

第 3 行表示 2024 年 7 月 31 日的维护事件，有 12 小时的时间段（从2024-07-31T00:00:00.000000Z到2024-07-31T12:00:00.000000Z） Amazon IoT SiteWise 来查找异常行为。

Amazon IoT SiteWise 使用所有这些时间窗口来训练和评估可以识别围绕这些事件的异常行为的模型。请注意，并非所有事件都是可检测到的，而且结果在很大程度上取决于基础数据的质量和特征。

有关采样最佳做法的详细信息，请参阅最佳实践。

数据标签步骤

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "labelInputConfiguration": 
      {
       "bucketName": "label-bucket",
       "prefix": "files-prefix"
      }
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "labelInputConfiguration": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Labels/model=b2d8ab3e-73af-48d8-9b8f-a290bef931b4/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/Lables.csv"
    }
}

评估模型

Amazon IoT SiteWise 训练模型的 Pointwise 模型诊断是对单个事件中模型性能的评估。在训练期间，为输入数据集中的每一行 Amazon IoT SiteWise 生成异常分数和传感器贡献诊断。异常分数越高表示发生异常事件的可能性越高。

当您使用 ExecuteActionAPI 和Amazon/ANOMALY_DETECTION_TRAINING操作类型训练模型时，可以使用逐点诊断。

要配置模型评估，

{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime,
  "modelEvaluationConfiguration": {
    "dataStartTime": evaluationStartTime,
    "dataEndTime": evaluationEndTime
    "resultDestination": {
      "bucketName": "s3BucketName",
      "prefix": "bucketPrefix"
    }
  }
}
    

{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360,
  "modelEvaluationConfiguration": {
    "dataStartTime": 1722789360,
    "dataEndTime": 1725174000,
    "resultDestination": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Evaluation/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/1747681026-evaluation_results.jsonl"
    }
  }
}
      

生成模型指标

模型指标可全面了解经过训练的异常检测模型的性能和质量。训练过程会自动生成这些指标并将其发布到您指定的 Amazon S3 存储桶，从而便于在再训练工作流程中进行分析、模型比较和晋升决策。

了解模型指标

训练过程会自动生成模型指标并提供有关以下内容的详细信息：

配置模型指标目标

要启用模型指标生成，请配置发布指标的 Amazon S3 目标。

配置模型指标以进行再训练

设置再训练计划时，需要模型指标目标才能实现全面的模型性能跟踪和比较：

{
    "trainingMode": "START_RETRAINING_SCHEDULER",
    "modelMetricsDestination": {
        "bucketName": "bucket-name",
        "prefix": "prefix"
    },
    "retrainingConfiguration": {
        "lookbackWindow": "P180D",
        "promotion": "SERVICE_MANAGED",
        "retrainingFrequency": "P30D",
        "retrainingStartDate": "StartDate"
    }
}

模型指标结构

模型指标以 JSON 文件形式存储在您的 Amazon S3 存储桶中，结构如下：

{
    "labeled_ranges": [],
    "labeled_event_metrics": {
        "num_labeled": 0,
        "num_identified": 0,
        "total_warning_time_in_seconds": 0
    },
    "predicted_ranges": [],
    "unknown_event_metrics": {
        "num_identified": 0,
        "total_duration_in_seconds": 0
    },
    "data_start_time": "2023-11-01",
    "data_end_time": "2023-12-31",
    "labels_present": false,
    "model_version_metrics": {
        "precision": 1.0,
        "recall": 1.0,
        "mean_fractional_lead_time": 0.7760964912280702,
        "auc": 0.5971207364893062
    }
}

已标记模型的高级指标

当您在训练期间提供带标签的数据时，Amazon S3 文件中还会包含其他性能指标：

模型促销和指标

在再训练工作流程中，Amazon S3 中存储的指标有助于做出明智的模型升级决策：

托管模式（自动推广）

手动模式（由客户控制的促销）