Tinjau hasil inferensi

Ambil hasil inferensi

Hasil inferensi terbaru

Jalankan perintah berikut untuk mengambil hasil inferensi terbaru untuk properti aset. Untuk informasi selengkapnya, lihat get-asset-property-valuedi Panduan Referensi AWS CLI Perintah.

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

Riwayat hasil inferensi

Jalankan perintah berikut untuk mengambil riwayat hasil inferensi untuk jendela waktu tertentu. Untuk informasi selengkapnya, lihat get-asset-property-value-history di Panduan Referensi AWS CLI Perintah.

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

Contoh tanggapan

contoh dari respons hasil inferensi:

{
  "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"
}

Bidang respons

• Value.stringValue - Sebuah string JSON yang berisi hasil inferensi dengan bidang-bidang berikut:

  • stempel waktu — Stempel waktu TQV tempat inferensi dilakukan.

  • prediksi — Hasil prediksi (0 untuk tidak ada anomali, 1 untuk anomali terdeteksi).

  • prediction_reason — Alasan untuk prediksi (atau). NO_ANOMALY_DETECTED ANOMALY_DETECTED

  • Diagnostik — Serangkaian informasi diagnostik yang menunjukkan faktor-faktor yang berkontribusi.

• stempel waktu — Stempel waktu saat hasilnya dicatat. AWS IoT SiteWise

• kualitas — Kualitas titik data (biasanyaGOOD).

Memahami hasil inferensi

Hasil inferensi yang dikembalikan oleh deteksi AWS IoT SiteWise anomali mencakup informasi kunci tentang prediksi model pada stempel waktu tertentu, termasuk apakah anomali terdeteksi dan sensor mana yang berkontribusi pada anomali.

contoh dari hasil inferensi terperinci:

{
    "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 }
    ]
}

diagnosticsBidang ini berguna untuk menafsirkan mengapa model membuat prediksi tertentu. Setiap entri dalam daftar meliputi:

• name: Sensor yang berkontribusi pada prediksi (format:asset_id\\\\property_id).

• value: Angka floating-point antara 0 dan 1, mewakili berat atau kepentingan relatif, dari sensor itu pada saat itu.

Manfaat pengguna:

• Memahami sensor mana yang memiliki dampak terkuat pada anomali.

• Korelasikan sensor berbobot tinggi dengan perilaku peralatan fisik.

• Menginformasikan analisis akar penyebab.

catatan

Bahkan ketika prediction = 0 (perilaku normal), daftar diagnostik dikembalikan. Ini membantu menilai sensor mana yang saat ini mempengaruhi keputusan model, bahkan dalam keadaan sehat.