Présentation d'AWS IoT Analytics - AWS IoT Analytics

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Présentation d'AWS IoT Analytics

AWS IoT AnalyticsAutomatise les étapes requises pour l'analyse de données provenant d'appareils IoT.AWS IoT Analyticsfiltre, transforme et enrichit les données IoT avant de les stocker dans un magasin de données en séries chronologiques à des fins d'analyse. Vous pouvez configurer le service pour collecter uniquement les données dont vous avez besoin pour vos appareils, appliquer des transformations mathématiques afin de traiter les données, et enrichir celles-ci avec des métadonnées spécifiques aux appareils, telles que le type et l'emplacement de l'appareil, avant de les stocker. Ensuite, vous pouvez analyser vos données en effectuant des requêtes à l'aide du moteur de requête SQL intégré, ou réaliser des analyses et des inférences d'apprentissage automatique plus complexes.AWS IoT Analyticspermet l'exploration avancée de données grâce à l'intégration avecBloc-notes Jupyter.AWS IoT Analyticspermet également la visualisation des données grâce à l'intégration avecAmazon QuickSight. Amazon QuickSight est disponible dansRégions.

Les outils d'analyse et d'informatique décisionnelle traditionnels sont conçus pour traiter des données structurées. Les données brutes IoT proviennent souvent d'appareils qui enregistrent des données moins structurées (comme la température, les mouvements et les sons). Par conséquent, les données issues de ces appareils peuvent présenter des lacunes importantes, des messages endommagés et des relevés erronés qui doivent faire l'objet d'un nettoyage avant de pouvoir être analysés. Elles n'ont aussi souvent de sens que dans le contexte d'autres données provenant de sources externes.AWS IoT AnalyticsVous permet de résoudre ces problèmes et de collecter de grandes quantités de données issues des appareils, de traiter les messages et de les stocker. Vous pouvez alors interroger les données et les analyser.AWS IoT Analyticscomprend des modèles préconfigurés de cas d'utilisations IoT communs, afin que vous puissiez savoir quels appareils sont sur le point d'échouer, ou quels clients risquent d'abandonner leurs appareils portables.

Utilisation des AWS IoT Analytics

Le graphique suivant présente une présentation expliquant comment utiliserAWS IoT Analytics.


    Un aperçu de l'utilisationAWS IoT Analytics

Fonctions principales

Collecte
  • Intégration à AWS IoT Core —AWS IoT Analyticsest entièrement intégré à AWS IoT Core afin qu'il puisse recevoir des messages d'appareils connectés dès leur entrée.

  • Utilisez une API de traitement par lots pour ajouter des données depuis n'importe quelle sourceAWS IoT Analyticspeut recevoir des données de n'importe quelle source via HTTP. Cela signifie que tout appareil ou service qui est connecté à Internet peut envoyer des données àAWS IoT Analytics. Pour de plus amples informations, veuillez consulterBatchPutMessagedans leAWS IoT AnalyticsAPI Reference.

  • Collectez uniquement les données que vous souhaitez stocker et analyser : vous pouvez utiliser l'AWS IoT AnalyticsconsoleAWS IoT Analyticspour recevoir des messages à partir d'appareils via des filtres de rubrique MQTT dans différents formats et fréquences.AWS IoT Analyticsvalide la présence des données dans des paramètres spécifiques que vous définissez et crée des canaux. Le service achemine ensuite les canaux vers des pipelines appropriés en vue du traitement, de la transformation et de l'enrichissement de messages.

Processus
  • Nettoyer et filtre—AWS IoT Analyticsvous permet de définirAWS Lambdaqui sont déclenchées lorsqueAWS IoT Analyticsdétecte des données manquantes, afin que vous puissiez exécuter le code pour évaluer et colorer les failles. Vous pouvez aussi définir les filtres maximum et minimum et les seuils de percentile pour supprimer les valeurs hors norme dans vos données.

  • Transforme—AWS IoT Analyticspeut transformer des messages à l'aide de logiques conditionnelles ou mathématiques que vous définissez, afin que vous puissiez effectuer des calculs courants comme le degré Celsius en conversion Fahrenheit.

  • Enrichi...AWS IoT Analyticspeut enrichir des données avec des sources de données externes comme les informations de prévisions météorologiques, et diriger les données vers leAWS IoT Analyticsmagasin de données

Stockage
  • Stockage des données chronologiques —AWS IoT Analyticsstocke les données d'appareils dans un magasin de données en séries chronologiques optimisé afin d'accélérer la récupération et l'analyse. Vous pouvez également gérer les autorisations d'accès, implémenter des stratégies de rétention des données et exporter vos données vers des points d'accès externes.

  • Stocker les données traitées et brutes —AWS IoT Analyticsstocke les données traitées et stocke également automatiquement les données brutes ingérées pour que vous puissiez les traiter ultérieurement.

Analyser
  • Exécuter des requêtes SQL ad hoc :AWS IoT Analyticsfournit un moteur de requêtes SQL afin que vous puissiez exécuter des requêtes ad-hoc et obtenir des résultats rapidement. Ce service vous permet d'utiliser des requêtes SQL standard pour extraire des données dans les magasins de données afin de connaître, par exemple, la distance parcourue par un groupe de véhicules connectés ou bien le nombre de portes verrouillées après 19 h 00 dans un bâtiment intelligent. Ces requêtes peuvent être réutilisées même en cas de modification des appareils connectés, de la taille de groupe et des exigences d'analyse.

  • Analyse des séries chronologiques —AWS IoT Analyticsprend en charge l'analyse de séries chronologiques. Vous pouvez ainsi analyser les performances des appareils sur la durée et comprendre comment et où ils sont utilisés, surveiller les données d'appareils pour prévoir les problèmes de maintenance et surveiller les capteurs pour prévoir et réagir aux conditions environnementales.

  • Des ordinateurs portables hébergés pour des analyses sophistiquées et un apprentissage automatique —AWS IoT Analyticscomprend la prise en charge des blocs-notes hébergés dans Blocs-notes Jupyter Notebook en vue d'analyses statistiques et d' Le service inclut un ensemble de modèles de bloc-notes contenantAWS-écrit des modèles et des visualisations d'apprentissage automatique. Vous pouvez utiliser les modèles pour commencer avec des cas d'utilisations IoT liés au profilage de défaillances d'appareils, à la prévision d'événements comme la faible utilisation susceptible de signaler que le client abandonnera le produit, ou à la segmentation des appareils par niveau d'utilisation du client (utilisateurs lourds, utilisateurs du week-end, par exemple) ou par état de l'appareil. Après avoir créé un bloc-notes, vous pouvez le conteneuriser et l'exécuter selon un calendrier que vous spécifiez. Pour de plus amples informations, veuillez consulterAutomatisation de votre flux.

  • Prédiction : vous pouvez réaliser une classification statistique via une méthode appelée la régression logistique. Vous pouvez aussi utiliser la mémoire à long ou court terme, une technique de réseau neuronal puissante de prédiction de sortie ou de l'état d'un processus qui varie au fil du temps. Les modèles de blocs-notes préconfigurés prennent aussi en charge les algorithmes de clustering k-moyennes pour la segmentation d'appareil, qui regroupe vos appareils en groupe de mêmes appareils. Ces modèles sont en général utilisés pour profiler l'intégrité et l'état d'un appareil comme les unités CVC d'une fabrique de chocolat ou de protection des pales d'une éolienne. Là encore, ces modèles de blocs-notes peuvent être contenus et exécutés selon un calendrier spécifique.

Génération et visualisation
  • Intégration Amazon QuickSightAWS IoT Analyticsfournit un connecteur à Amazon QuickSight afin que vous puissiez visualiser vos ensembles de données dans un tableau de bord QuickSight.

  • Intégration de la console : vous pouvez aussi visualiser les résultats ou vos analyses ad-hoc dans Blocs-notes Jupyter intégré à la pageAWS IoT Analyticsconsole

AWS IoT AnalyticsComposants et concepts

Canal

Un canal collecte des données à partir d'une rubrique MQTT et archive les messages bruts non traités avant de publier les données dans un pipeline. Vous pouvez également envoyer des messages à un canal à l'aide de l'BatchPutMessageAPI Les messages non traités sont stockés dans un compartiment Amazon Simple Storage Service (Amazon S3) que vous ouAWS IoT AnalyticsGérez.

Pipeline

Un pipeline consomme les messages à partir d'un canal et vous permet de traiter les messages avant de les stocker dans un magasin de données. Les étapes de traitement, appeléesActivités(Activités de pipeline), effectuez des transformations sur vos messages comme la suppression, le changement de nom ou l'ajout d'attributs de message, le filtrage des messages en fonction des valeurs d'attribut, en invoquant vos fonctions Lambda sur les messages de traitement avancé ou en effectuant des transformations mathématiques afin de normaliser les données des appareils.

Banque de données

Les pipelines stockent leurs messages traités dans une banque de données. Un magasin de données n'est pas une base de données, mais un référentiel scalable et interrogeable de vos messages. Vous pouvez avoir plusieurs banques de données pour les messages provenant de différents appareils ou emplacements, ou filtrés par attributs de message selon la configuration et les exigences de votre pipeline. Comme pour les messages de canal non traités, les messages traités d'un magasin de données sont stockés dans unAmazon S3seau que vous ouAWS IoT AnalyticsGérez.

Ensemble de données

Vous pouvez récupérer les données d'un magasin de données en créant un ensemble de données.AWS IoT Analyticsvous permet de créer un ensemble de données SQL ou un ensemble de données de conteneur.

Une fois que vous avez un ensemble de données, vous pouvez explorer et tirer des informations de vos données via l'intégration à l'aide deAmazon QuickSight. Vous pouvez également exécuter des fonctions analytiques plus avancées grâce à l'intégration avecBloc-notes Jupyter. Jupyter Notebook fournit de puissants outils de données scientifiques capables d'effectuer un apprentissage-machine et un large éventail d'analyses statistiques. Pour de plus amples informations, veuillez consulterModèles.

Vous pouvez envoyer le contenu d'un ensemble de données à unAmazon S3, permettant ainsi l'intégration avec vos lacs de données existants ou l'accès depuis les applications internes et les outils de visualisation. Vous pouvez également envoyer le contenu d'un ensemble de donnéesAWS IoT Events, un service qui vous permet de surveiller les appareils ou les processus pour détecter les défaillances ou les modifications de fonctionnement, et de déclencher des actions supplémentaires lorsque ces événements se produisent.

Ensemble de données SQL

Un ensemble de données SQL est similaire à une vue matérialisée d'une base de données SQL. Vous pouvez créer un ensemble de données SQL en appliquant une action SQL. Les ensembles de données SQL peuvent être générés automatiquement selon un calendrier récurrent en spécifiant un déclencheur.

Ensemble de données de conteneur

Un ensemble de données de conteneur vous permet d'exécuter automatiquement vos outils d'analyse et de générer des résultats. Pour de plus amples informations, veuillez consulterAutomatisation de votre flux. Il rassemble un ensemble de données SQL en entrée, un conteneur Docker avec vos outils d'analyse et les fichiers de bibliothèque requis, les variables d'entrée et de sortie, et un déclencheur de planification facultatif. Les variables d'entrée et de sortie indiquent à l'image exécutable où obtenir les données et stocker les résultats. Le déclencheur peut exécuter votre analyse lorsqu'un ensemble de données SQL finit de créer son contenu ou selon une expression de planification temporelle. Un ensemble de données de conteneur exécute, génère et enregistre automatiquement les résultats des outils d’analyse.

Déclencheur

Vous pouvez créer automatiquement un ensemble de données en spécifiant un déclencheur. Le déclencheur peut être un intervalle de temps (créer cet ensemble de données toutes les deux heures, par exemple) ou peut intervenir lorsque le contenu d'un autre ensemble de données a été créé (créer cet ensemble de données lorsquemyOtherDatasettermine la création de son contenu). Vous pouvez également générer le contenu de l'ensemble de données manuellement à l'aideCreateDatasetContentAPI

Conteneur Docker

Vous pouvez créer votre propre conteneur Docker pour inclure vos outils d'analyse dans un package ou utiliser les options fournies par SageMaker. Pour de plus amples informations, veuillez consulterConteneur Docker. Vous pouvez créer votre propre conteneur Docker pour inclure vos outils d'analyse dans un package ou utiliser les options fournies parSageMaker. Vous pouvez stocker un conteneur dans un registre Amazon ECR que vous spécifiez afin de pouvoir l'installer sur la plateforme de votre choix. Les conteneurs Docker peuvent exécuter votre code d'analyse personnalisé préparée avec Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C++, et ainsi de suite. Pour de plus amples informations, veuillez consulterConteneurisation d'un bloc-notes.

Fenêtres delta

Les fenêtres delta sont une série d'intervalles temporels contigus, non superposés, définis par l'utilisateur. Les fenêtres delta vous permettent de créer des contenus d'ensemble de données avec de nouvelles données arrivées dans le magasin de données depuis la dernière analyse, et d'effectuer une analyse sur ces données. Vous créez une fenêtre delta en définissant la propriétédeltaTimedans lefilterspartie d'unequeryActiond'un ensemble de données Pour en savoir plus, consultez l'API CreateDataset. Généralement, vous devrez créer le contenu de l'ensemble de données en configurant également un déclencheur sous forme d'intervalle de temps (triggers:schedule:expression). Cela vous permet de filtrer les messages qui sont arrivés au cours d'une fenêtre temporelle spécifique, afin que les données contenues dans les messages issus des fenêtres temporelles précédentes ne soient pas comptabilisées deux fois. Pour de plus amples informations, veuillez consulterExemple 6 : création d'un ensemble de données SQL avec une fenêtre delta.

Accès à AWS IoT Analytics

Dans le cadre deAWS IoT,AWS IoT Analyticsfournit les interfaces suivantes pour autoriser vos appareils à générer des données et vos applications à interagir avec les données qu'elles génèrent :

AWS Command Line Interface (AWS CLI)

Exécutez des commandesAWS IoT Analyticssur Windows, OS X et Linux. Ces commandes vous permettent de créer et de gérer des objets, des certificats, des règles et des stratégies. Consultez le AWS Command Line Interface Guide de l'utilisateur pour démarrer. Pour plus d'informations sur les commandes pourAWS IoT, voiriotdans leAWS Command Line InterfaceRéférence.

Important

Utilisation de l'aws iotanalyticspour interagir avecAWS IoT Analytics. Utilisation de l'aws iotpour interagir avec d'autres parties du système IoT.

API AWS IoT

Créez vos applications IoT en utilisant des requêtes HTTP ou HTTPS. Ces actions d'API vous permettent de créer et de gérer des objets, des certificats, des règles et des stratégies. Pour de plus amples informations, veuillez consulter Actions dans la Référence d'API AWS IoT.

Kits SDK AWS

Génération deAWS IoT AnalyticsApplications utilisant des API spécifiques à la langue Ces kits SDK intègrent les API HTTP et HTTPS et vous permettent de programmer dans n'importe quelle langue prise en charge. Pour de plus amples informations, veuillez consulterAWSKits de développement logiciel et outils.

Kits SDK pour les appareils AWS IoT

Créez des applications s'exécutant sur vos appareils qui envoient des messages àAWS IoT Analytics. Pour plus d'informations, consultez Kits SDK AWS IoT.

Console AWS IoT Analytics

Vous pouvez créer les composants pour visualiser les résultats dans laAWS IoT Analyticsconsole.

Cas d'utilisation

Maintenance prédictive

AWS IoT Analyticsfournit des modèles pour générer des modèles de maintenance prédictive et les appliquer à vos appareils. Par exemple, vous pouvez utiliserAWS IoT AnalyticsPour prévoir quand les systèmes de chauffage et de refroidissement sont susceptibles de cesser de fonctionner sur des véhicules de livraison connectés, afin de rediriger ceux-ci et d'éviter toute dégradation de la cargaison. Ou, un fabricant de voitures peut détecter quels véhicules ont des plaquettes de frein usées et ainsi avertir ses clients de faire réviser leur véhicule.

Réapprovisionnement proactif des approvisionnements

AWS IoT Analyticsvous permet de générer des applications IoT qui peuvent surveiller les inventaires en temps réel. Par exemple, une société de restauration peut analyser les données des distributeurs de nourritures et passer commande proactivement de marchandise à chaque fois que le stock est bas.

Évaluation de l'efficacité

avecAWS IoT Analytics, vous pouvez générer des applications IoT qui surveillent constamment l'efficacité des différents processus et prennent les mesures nécessaires pour les améliorer. Par exemple, une société minière peut améliorer l'efficacité de ses camions de minerais en maximisant la charge par trajet. avecAWS IoT Analytics, la société peut identifier la charge la plus efficace pour un emplacement ou un camion sur la durée, et comparer toute déviation de la charge cible en temps réel, et mieux planifier les consignes de pointe pour améliorer l'efficacité.

Agriculture intelligente

AWS IoT Analyticspeut enrichir les données des appareils IoT avec des métadonnées contextuelles à l'aide deAWS IoTLes données du registre ou les sources de données publiques, afin que votre analyse puisse facteur dans le temps, l'emplacement, la température, l'altitude et autre condition environnementale. Avec cette analyse, vous pouvez écrire des modèles qui produisent les actions recommandées réalisées par vos appareils sur le terrain. Par exemple, pour déterminer quand arroser, les systèmes d'irrigation peuvent enrichir les données du capteur d'humidité avec des données sur les précipitations, permettant ainsi une utilisation d'eau plus efficace.