¿Qué es AWS IoT Analytics? - AWS IoT Analytics

¿Qué es AWS IoT Analytics?

AWS IoT Analytics automatiza los pasos necesarios para analizar datos de dispositivos IoT. AWS IoT Analytics filtra, transforma y enriquece los datos de IoT antes de almacenarlos en un almacén de datos de serie temporal para su análisis. Puede configurar el servicio para recopilar solo los datos que necesite de sus dispositivos, aplicar transformaciones matemáticas a los datos para procesarlos y enriquecerlos con metadatos específicos del dispositivo, como el tipo de dispositivo y la ubicación, antes de almacenarlos. A continuación, puede analizar los datos ejecutando consultas mediante el motor de consultas SQL integrado o realizar análisis más complejos e inferencia de aprendizaje automático. AWS IoT Analytics permite la exploración avanzada de datos a través de la integración con Jupyter Notebook. AWS IoT Analytics también permite la visualización de datos a través de la integración con Amazon QuickSight. Amazon QuickSight está disponible en los siguientes Regiones.

Las herramientas tradicionales de análisis e inteligencia empresarial están diseñadas para procesar datos estructurados. Los datos de IoT sin procesar suelen provenir de dispositivos que registran datos menos estructurados (como temperatura, movimiento o sonido). Como consecuencia, los datos de estos dispositivos pueden tener con frecuencia discontinuidades notables, mensajes dañados y lecturas falsas que se deben limpiar antes de poder llevar a cabo un análisis. Además, los datos de IoT a menudo solo son significativos en el contexto de otros datos de fuentes externas. AWS IoT Analytics le permite abordar estos problemas y recopilar grandes cantidades de datos de dispositivos, procesar mensajes y almacenarlos. A continuación, puede consultar los datos y analizarlos. AWS IoT Analytics incluye modelos prediseñados para casos de uso comunes de IoT, de modo que pueda responder a preguntas como qué dispositivos están a punto de fallar o qué clientes corren el riesgo de abandonar sus dispositivos corporales.

Novedades en AWS IoT Analytics?

La siguiente tabla describe las novedades y los cambios realizados con AWS IoT Analytics.

Cambiar ​Descripción Date

AWS IoT Analytics ya está disponible en la región Asia Pacífico (Sídney).

Puedes utilizar la función Asia Pacífico (Sídney) Punto de enlace de la región de para conectarse mediante programación a AWS IoT Analytics:

  • Punto de enlace – de la región de iotanalytics.ap-sureste-2.amazonaws.com

  • Protocolo – Servicios de comunicación de datos

Para obtener más información acerca de la compatibilidad con AWS Regiones, consulte AWS IoT Analytics Puntos de enlace de y cuotas de en el AWS General Reference.

16 de julio de 2020

Cómo utilizar AWS IoT Analytics

El siguiente gráfico muestra una descripción general de cómo puede utilizar AWS IoT Analytics.


    Una descripción general de cómo utilizar AWS IoT Analytics

Características principales

Recopilación
  • Integrado con AWS IoT Core—AWS IoT Analytics está totalmente integrado con AWS IoT Core para que pueda recibir mensajes de los dispositivos conectados a medida que transmiten en.

  • Usar una API por lotes para añadir datos de cualquier origen—AWS IoT Analytics puede recibir datos de cualquier origen a través de HTTP. Eso significa que cualquier dispositivo o servicio que esté conectado a Internet puede enviar datos a AWS IoT Analytics. Para obtener más información, consulte MensajeColocarLote en el AWS IoT Analytics API Reference.

  • Recopile solo los datos que desee almacenar y analizar—Puedes utilizar la función AWS IoT Analytics consola de para configurar AWS IoT Analytics para recibir mensajes de dispositivos a través de filtros de temas MQTT en varios formatos y frecuencias. AWS IoT Analytics valida que los datos se encuentran dentro de los parámetros específicos que defina y crea canales. A continuación, el servicio dirige los canales a las canalizaciones adecuadas para realizar el procesamiento, la transformación y el enriquecimiento de los mensajes.

Proceso
  • Limpiar y filtrar—AWS IoT Analytics permite definir AWS Lambda que se activan cuando AWS IoT Analytics detecta los datos que faltan, por lo que puede ejecutar código para calcular y rellenar las brechas. También puede definir filtros máximos y mínimos y umbrales de percentil para eliminar valores atípicos en los datos.

  • Transformación—AWS IoT Analytics puede transformar los mensajes mediante la lógica matemática o condicional que defina, de modo que pueda realizar cálculos comunes como Celsius en Fahrenheit conversion.

  • Enriquecer—AWS IoT Analytics puede enriquecer los datos con orígenes de datos externos como, por ejemplo, una previsión meteorológica y, a continuación, enrutar los datos al AWS IoT Analytics del almacén de datos de.

Almacenar
  • Almacén de datos de serie temporal—AWS IoT Analytics almacena los datos del dispositivo en un almacén de datos de serie temporal optimizado para una recuperación y un análisis más rápidos. También puede administrar permisos de acceso, implementar políticas de retención de datos y exportar los datos a puntos de acceso externos.

  • Almacenar datos procesados y sin procesar—AWS IoT Analytics almacena los datos procesados y también almacena automáticamente los datos adquiridos sin procesar para que pueda procesarlos más adelante.

Análisis
  • Ejecutar consultas SQL ad hoc—AWS IoT Analytics proporciona un motor de consultas SQL para que pueda ejecutar consultas ad hoc y obtener resultados rápidamente. El servicio le permite utilizar consultas SQL estándar para extraer datos del almacén de datos para responder a preguntas como la distancia media recorrida para una flota de vehículos conectados o cuántas puertas de un edificio inteligente están bloqueadas después de las 7 p. m. Estas consultas se pueden reutilizar incluso si cambian los dispositivos conectados, el tamaño de la flota y los requisitos de análisis.

  • Análisis de series temporales—AWS IoT Analytics admite el análisis de series temporales para que pueda analizar el rendimiento de los dispositivos a lo largo del tiempo y comprender cómo y dónde se utilizan, monitorizar continuamente los datos de los dispositivos para predecir problemas de mantenimiento y monitorizar los sensores para predecir y reaccionar a las condiciones ambientales.

  • Blocs de notas alojados para análisis sofisticados y aprendizaje automático—AWS IoT Analytics incluye compatibilidad con blocs de notas alojados en Jupyter Notebook para el análisis estadístico y el aprendizaje automático. El servicio incluye un conjunto de plantillas de bloc de notas que contienen AWS: modelos y visualizaciones de aprendizaje automático creados por. Puede utilizar las plantillas de para comenzar con casos de uso de IoT relacionados con la creación de perfiles de errores de dispositivos, la previsión de eventos como un bajo uso que podría indicar que el cliente abandonará el producto o la segmentación de dispositivos por niveles de uso del cliente (por ejemplo, usuarios pesados, usuarios de fin de semana) o estado del dispositivo. Después de crear un bloc de notas, puede crear un contenedor y ejecutarlo según una programación que especifique. Para obtener más información, consulte Automatización del flujo de trabajo.

  • Predicción—Puede realizar la clasificación estadística a través de un método denominado regresión logística. Además puede utilizar la Memoria a largo-corto plazo (LSTM), que es una potente técnica de redes neuronales para predecir el resultado o estado de un proceso que varía a lo largo del tiempo. Las plantillas de bloc de notas prediseñadas admiten además el algoritmo de clústering de K-means para segmentación de dispositivos, que agrupa los dispositivos en grupos de dispositivos similares. Estas plantillas se utilizan normalmente para realizar perfiles de estado de dispositivos como, por ejemplo, equipos de sistemas de aire acondicionado en una fábrica de chocolate o el desgaste de las palas de una turbina eólica. De nuevo, estas plantillas de bloc de notas se pueden contener y ejecutar según una programación.

Crear y visualizar
  • Amazon QuickSight integración—AWS IoT Analytics proporciona un conector para Amazon QuickSight para que pueda visualizar sus conjuntos de datos en un tablero de QuickSight.

  • Integración de la consola—También puede visualizar los resultados o el análisis ad hoc en el Jupyter Notebook en el AWS IoT AnalyticsConsola de.

AWS IoT Analytics componentes y conceptos

Canal

Un canal recopila datos desde un tema MQTT y archiva los mensajes sin procesar antes de publicar los datos en una canalización. También puede enviar mensajes a un canal directamente mediante la MensajeColocarLote de la API de. Los mensajes no procesados se almacenan en una Amazon Simple Storage Service (Amazon S3) que usted o AWS IoT Analytics administrar.

Canalización

Una canalización consume mensajes de un canal y le permite procesar los mensajes antes de almacenarlos en un almacén de datos. Los pasos de procesamiento, llamados actividades (Actividades de canalización), realizar transformaciones en los mensajes, como eliminar, cambiar el nombre o añadir atributos de mensaje, filtrar mensajes en función de los valores de atributo, invocar el Lambda Las funciones de en los mensajes para el procesamiento avanzado o la realización de transformaciones matemáticas para normalizar los datos del dispositivo.

Almacén de datos

Las canalizaciones almacenan sus mensajes procesados en un almacén de datos. Un almacén de datos no es una base de datos, sino un repositorio de mensajes que se puede escalar y consultar. Puede tener varios almacenes de datos para mensajes procedentes de distintos dispositivos o ubicaciones, o para mensajes filtrados mediante diferentes atributos, en función de la configuración de la canalización y de los requisitos. Al igual que con los mensajes de canal sin procesar, los mensajes procesados de un almacén de datos se almacenan en un Amazon S3 que usted o AWS IoT Analytics administrar.

Conjunto de datos

Puede recuperar datos de un almacén de datos creando un conjunto de datos. AWS IoT Analytics le permite crear un conjunto de datos SQL o un conjunto de datos de contenedor.

Después de tener un conjunto de datos, puede explorar y obtener información sobre sus datos a través de la integración de mediante Amazon QuickSight. También puede realizar funciones analíticas más avanzadas mediante la integración con Jupyter Notebook. Jupyter Notebook proporciona potentes herramientas de ciencia de datos que pueden realizar aprendizaje automático y una gama de análisis estadísticos. Para obtener más información, consulte Plantillas de bloc de notas.

Puede enviar el contenido del conjunto de datos a un Amazon S3 , que permite la integración con sus lagos de datos existentes o el acceso desde aplicaciones internas y herramientas de visualización. También puede enviar el contenido del conjunto de datos como entrada a AWS IoT Events, un servicio que le permite monitorizar dispositivos o procesos en busca de errores o cambios en el funcionamiento y activar acciones adicionales cuando se producen dichos eventos.

Conjunto de datos SQL

Un conjunto de datos SQL es algo parecido a una vista materializada de una base de datos SQL. Puede crear un conjunto de datos SQL aplicando una acción SQL. Los conjuntos de datos SQL se pueden generar automáticamente de forma periódica especificando un desencadenador.

Conjunto de datos de contenedores

Un conjunto de datos de contenedor le permite ejecutar automáticamente sus herramientas de análisis y generar resultados. Para obtener más información, consulte Automatización del flujo de trabajo. Aúna un conjunto de datos SQL como entrada, un contenedor de Docker con las herramientas de análisis y los archivos de biblioteca necesarios, variables de entrada y salida y un desencadenador de programación opcional. Las variables de entrada y salida indican a la imagen ejecutable dónde obtener los datos y almacenar los resultados. El desencadenador puede ejecutar el análisis cuando un conjunto de datos SQL termina de crear su contenido o de acuerdo con una expresión de programación de tiempo. Un conjunto de datos de contenedores se ejecutará automáticamente, y generará y, a continuación, guardará los resultados de las herramientas de análisis.

Trigger

Puede crear automáticamente un conjunto de datos especificando un desencadenador. El disparador puede ser un intervalo de tiempo (por ejemplo, crear este conjunto de datos cada dos horas) o cuando se ha creado el contenido de otro conjunto de datos (por ejemplo, crear este conjunto de datos cuando myOtherDataset termina de crear su contenido). También puede generar contenido de conjuntos de datos manualmente mediante CrearContenidoConjuntoDeDatos de la API de.

Contenedor de Docker

Puede crear su propio contenedor de Docker para empaquetar sus herramientas de análisis o utilizar opciones que SageMaker proporciona. Para obtener más información, consulte Contenedor Docker. Puede crear su propio contenedor de Docker para empaquetar sus herramientas de análisis o utilizar las opciones proporcionadas por SageMaker. Puede almacenar un contenedor en un Amazon ECR que especifique para que esté disponible para su instalación en la plataforma deseada. Los contenedores de Docker pueden ejecutar el código analítico personalizado preparado con Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C++, etc. Para obtener más información, consulte Creación de contenedores en un bloc de notas.

Ventanas diferenciales

Las ventanas diferenciales son una serie de intervalos de tiempo definidos por el usuario, no solapados y contiguos. Las ventanas Delta le permiten crear el contenido del conjunto de datos con los nuevos datos que han llegado al almacén de datos desde el último análisis y realizar análisis en ellos. Puede crear una ventana delta configurando la deltaTime en el filters parte de un queryAction de un conjunto de datos. Para obtener más información, consulte la API CreateDataset. Por lo general, es conveniente crear el contenido del conjunto de datos automáticamente mediante la configuración de un desencadenador de intervalo de tiempo (triggers:schedule:expression). Esto le permite filtrar los mensajes que han llegado durante un periodo de tiempo específico, de modo que los datos contenidos en los mensajes de periodos de tiempo anteriores no se contabilicen dos veces. Para obtener más información, consulte Ejemplo 6: creación de un conjunto de datos SQL con una ventana Delta (CLI).

Acceso a AWS IoT Analytics

Como parte de AWS IoTde AWS IoT Analytics proporciona las siguientes interfaces para permitir que sus dispositivos generen datos y sus aplicaciones para interactuar con los datos que generan:

AWS Command Line Interface (AWS CLI)

Ejecute comandos para AWS IoT Analytics en Windows, OS X y Linux. Estos comandos le permiten crear y administrar objetos, certificados, reglas y políticas de. Para comenzar, consulte la sección AWS Command Line Interface Guía del usuario. Para obtener más información acerca de los comandos de la para AWS IoT, consulte [EMPTY] en el AWS Command Line Interface Referencia.

importante

Utiliza el botón aws iotanalytics comando para interactuar con AWS IoT Analytics. Utiliza el botón aws iot para interactuar con otras partes del sistema de IoT.

API de AWS IoT

Cree sus aplicaciones IoT mediante solicitudes HTTP o HTTPS. Estas acciones de API le permiten crear y administrar objetos, certificados, reglas y políticas de. Para obtener más información, consulte Acciones en la Referencia de la API de AWS IoT.

Los SDK de AWS

Construye tu AWS IoT Analytics Las aplicaciones de mediante API específicas del lenguaje. Estos SDK encapsulan la API HTTP y HTTPS y le permiten programar en cualquiera de los lenguajes admitidos. Para obtener más información, consulte AWS Herramientas y SDK de.

SDK de dispositivos de AWS IoT

Compilación de aplicaciones que se ejecutan en los dispositivos que envían mensajes a AWS IoT Analytics. Para obtener más información, consulte AWS IoT Los SDK de.

Consola de AWS IoT Analytics

Puede compilar los componentes para visualizar los resultados en el paso AWS IoT Analytics consola.

Casos de uso

Mantenimiento predictivo

AWS IoT Analytics proporciona plantillas para crear modelos de mantenimiento predictivo y aplicarlos a sus dispositivos. Por ejemplo, puede utilizar AWS IoT Analytics para predecir cuándo es probable que fallen los sistemas de calefacción y refrigeración en los vehículos de carga conectados, de modo que los vehículos puedan volver a enrutarse para evitar daños en el envío. O bien, un fabricante de automóviles puede detectar qué clientes tienen gastadas las pastillas de freno y avisarles para que sus vehículos se sometan a revisión.

Reposición proactiva de suministros

AWS IoT Analytics le permite crear aplicaciones de IoT que pueden monitorizar inventarios en tiempo real. Por ejemplo, una compañía de alimentación y bebidas puede analizar los datos de las máquinas expendedoras de forma proactiva y realizar un pedido de mercancía cuando baje el nivel de existencias.

Puntuación de la eficiencia del proceso

Con AWS IoT Analytics, puede crear aplicaciones de IoT que monitoricen constantemente la eficiencia de diferentes procesos y tomen medidas para mejorar el proceso. Por ejemplo, una empresa minera puede mejorar la eficiencia de sus camiones de mineral maximizando la carga en cada viaje. Con AWS IoT Analytics, la empresa puede identificar la carga más eficiente para una ubicación o camión a lo largo del tiempo, y comparar cualquier desviación de la carga objetivo en tiempo real, y planificar mejor las directrices principales para mejorar la eficiencia.

Agricultura inteligente

AWS IoT Analytics puede enriquecer los datos del dispositivo IoT con metadatos contextuales mediante AWS IoT Los datos de registro de o los orígenes de datos públicos para que su análisis tenga en cuenta el tiempo, la ubicación, la temperatura, la altitud y otras condiciones ambientales. Con dicho análisis, es posible escribir modelos que generen acciones recomendadas que deben tomar los dispositivos en el campo. Por ejemplo, para determinar cuándo se debe utilizar agua, los sistemas de irrigación pueden enriquecer los datos del sensor de humedad con datos sobre la lluvia, lo que permite un uso más eficiente del agua.