Examiner les résultats d'inférence

Récupérez les résultats d'inférence

Derniers résultats d'inférence

Exécutez la commande suivante pour récupérer le résultat d'inférence le plus récent pour une propriété d'actif. Pour plus d'informations, consultez get-asset-property-valuele Guide de référence des AWS CLI commandes.

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

Historique des résultats d'inférence

Exécutez la commande suivante pour récupérer l'historique des résultats d'inférence pour une fenêtre temporelle spécifiée. Pour plus d'informations, consultez get-asset-property-value-history dans le Guide de référence des AWS CLI commandes.

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

Exemple de réponse

Exemple d'une réponse à un résultat d'inférence :

{
  "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"
}

Champs de réponse

• Value.stringValue — Chaîne JSON contenant le résultat de l'inférence avec les champs suivants :

  • timestamp — L'horodatage du TQV par rapport auquel l'inférence est effectuée.

  • prédiction — Le résultat de la prédiction (0 pour aucune anomalie, 1 pour anomalie détectée).

  • prediction_reason — La raison de la prédiction (NO_ANOMALY_DETECTEDou). ANOMALY_DETECTED

  • diagnostics : ensemble d'informations diagnostiques indiquant les facteurs contributifs.

• timestamp — L'horodatage dans lequel le résultat est enregistré. AWS IoT SiteWise

• qualité — La qualité du point de données (généralementGOOD).

Comprendre les résultats d'inférence

Un résultat d'inférence renvoyé par la détection d'une AWS IoT SiteWise anomalie inclut des informations clés sur la prédiction du modèle à un horodatage spécifique, notamment si une anomalie a été détectée et quels capteurs ont contribué à l'anomalie.

Exemple d'un résultat d'inférence détaillé :

{
    "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 }
    ]
}

Le diagnostics champ est utile pour interpréter les raisons pour lesquelles le modèle fait une certaine prédiction. Chaque entrée de la liste inclut :

• name: Le capteur qui a contribué à la prédiction (format :asset_id\\\\property_id).

• value: nombre à virgule flottante compris entre 0 et 1, représentant le poids ou l'importance relatifs de ce capteur à ce moment-là.

Avantages pour les utilisateurs :

• Déterminez quels capteurs ont eu le plus d'impact sur une anomalie.

• Corrélez les capteurs de poids élevé avec le comportement physique de l'équipement.

• Informez-vous dans l'analyse des causes profondes.

Note

Même lorsque prediction = 0 (comportement normal), la liste des diagnostics est renvoyée. Cela permet d'évaluer quels capteurs influencent actuellement les décisions du modèle, même dans des états sains.