Apakah AWS IoT Analytics itu?

AWS IoT Analyticsmengotomatiskan langkah-langkah yang diperlukan untuk menganalisis data dari perangkat IoT. AWS IoT Analyticsmenyaring, mengubah, dan memperkaya data IoT sebelum menyimpannya di penyimpanan data deret waktu untuk analisis. Anda dapat mengatur layanan untuk mengumpulkan hanya data yang Anda butuhkan dari perangkat Anda, menerapkan transformasi matematika untuk memproses data, dan memperkaya data dengan metadata khusus perangkat seperti jenis perangkat dan lokasi sebelum menyimpannya. Kemudian, Anda dapat menganalisis data Anda dengan menjalankan kueri menggunakan mesin kueri SQL bawaan, atau melakukan analisis yang lebih kompleks dan inferensi machine learning. AWS IoT Analyticsmemungkinkan eksplorasi data lanjutan melalui integrasi dengan Jupyter Notebook. AWS IoT Analyticsjuga memungkinkan visualisasi data melalui integrasi dengan Amazon QuickSight. Amazon QuickSight tersedia di Wilayah berikut.

Analisis tradisional dan alat intelijen bisnis dirancang untuk memproses data terstruktur. Data IoT mentah sering kali berasal dari perangkat yang merekam data yang kurang terstruktur (seperti suhu, gerakan, atau suara). Akibatnya data dari perangkat ini dapat memiliki celah yang signifikan, pesan rusak, dan pembacaan palsu yang harus dibersihkan sebelum analisis dapat terjadi. Selain itu, data IoT seringkali hanya bermakna dalam konteks data lain dari sumber eksternal. AWS IoT Analyticsmemungkinkan Anda mengatasi masalah ini dan mengumpulkan sejumlah besar data perangkat, memproses pesan, dan menyimpannya. Anda kemudian dapat query data dan menganalisisnya. AWS IoT Analyticstermasuk model pra-dibuat untuk kasus penggunaan IoT umum sehingga Anda dapat menjawab pertanyaan seperti perangkat mana yang akan gagal atau pelanggan mana yang berisiko meninggalkan perangkat yang dapat dikenakan mereka.

Cara menggunakanAWS IoT Analytics

Gambar berikut menunjukkan ikhtisar tentang bagaimana Anda dapat menggunakanAWS IoT Analytics.

Fitur kunci

Kumpulkan

• Terintegrasi denganAWS IoT Core -AWS IoT Analytics sepenuhnya terintegrasi denganAWS IoT Core sehingga dapat menerima pesan dari perangkat yang terhubung saat mereka streaming.

• Gunakan API batch untuk menambahkan data dari sumber apa pun -AWS IoT Analytics dapat menerima data dari sumber apa pun melalui HTTP. Itu berarti bahwa setiap perangkat atau layanan yang terhubung ke internet dapat mengirim data keAWS IoT Analytics. Untuk informasi selengkapnya, lihat BatchPutMessage dalam Referensi API AWS IoT Analytics.

• Kumpulkan hanya data yang ingin Anda simpan dan analisis—Anda dapat menggunakanAWS IoT Analytics konsolAWS IoT Analytics untuk mengonfigurasi agar menerima pesan dari perangkat melalui filter topik MQTT dalam berbagai format dan frekuensi. AWS IoT Analyticsmemvalidasi bahwa data berada dalam parameter tertentu yang Anda tentukan dan buat saluran. Kemudian, layanan mengarahkan saluran ke jaringan pipa yang sesuai untuk pemrosesan pesan, transformasi, dan pengayaan.

Proses

• Membersihkan dan menyaring-AWS IoT Analytics memungkinkan Anda menentukanAWS Lambda fungsi yang dipicu ketikaAWS IoT Analytics mendeteksi data yang hilang, sehingga Anda dapat menjalankan kode untuk memperkirakan dan mengisi kesenjangan. Anda juga dapat menentukan filter maksimum dan minimum serta ambang batas persentil untuk menghapus outliers dalam data Anda.

• Transform—AWS IoT Analytics dapat mengubah pesan menggunakan logika matematika atau kondisional Anda mendefinisikan, sehingga Anda dapat melakukan perhitungan umum seperti Celcius ke dalam konversi Fahrenheit.

• Enrich-AWS IoT Analytics Dapat memperkaya data dengan sumber data eksternal seperti ramalan cuaca, dan kemudian merutekan data ke penyimpananAWS IoT Analytics data.

Menyimpan

• Penyimpanan data seri waktu -AWS IoT Analytics menyimpan data perangkat dalam penyimpanan data deret waktu yang dioptimalkan untuk pengambilan dan analisis yang lebih cepat. Anda juga dapat mengelola izin akses, menerapkan kebijakan penyimpanan data, dan mengekspor data Anda ke titik akses eksternal.

• Simpan data yang diproses dan mentah-AWS IoT Analytics Menyimpan data yang diproses dan juga secara otomatis menyimpan data mentah yang dicerna sehingga Anda dapat memprosesnya di lain waktu.

Menganalisis

• Jalankan query SQL Ad-hoc—AWS IoT Analytics menyediakan mesin kueri SQL sehingga Anda dapat menjalankan kueri ad-hoc dan mendapatkan hasil dengan cepat. Layanan ini memungkinkan Anda untuk menggunakan kueri SQL standar untuk mengekstrak data dari penyimpanan data untuk menjawab pertanyaan seperti jarak rata-rata yang ditempuh untuk armada kendaraan yang terhubung atau berapa banyak pintu di gedung pintar yang terkunci setelah jam 7 malam. Kueri ini dapat digunakan kembali bahkan jika perangkat yang terhubung, ukuran armada, dan persyaratan analitik berubah.

• Analisis deret waktu -AWS IoT Analytics mendukung analisis deret waktu sehingga Anda dapat menganalisis kinerja perangkat dari waktu ke waktu dan memahami bagaimana dan di mana perangkat digunakan, terus memantau data perangkat untuk memprediksi masalah pemeliharaan, dan memantau sensor untuk memprediksi dan bereaksi terhadap kondisi lingkungan.

• Notebook yang dihosting untuk analitik canggih dan pembelajaran mesin—AWS IoT Analytics mencakup dukungan untuk notebook yang di-host di Jupyter Notebook untuk analisis statistik dan pembelajaran mesin. Layanan ini mencakup satu set template notebook yang berisi model pembelajaran mesinAWS -authored dan visualisasi. Anda dapat menggunakan templat untuk memulai kasus penggunaan IoT yang terkait dengan pembuatan profil kegagalan perangkat, peramalan peristiwa seperti penggunaan rendah yang mungkin menandakan pelanggan akan meninggalkan produk, atau menyegmentasi perangkat berdasarkan tingkat penggunaan pelanggan (misalnya pengguna berat, pengguna akhir pekan) atau kesehatan perangkat. Setelah Anda menulis buku catatan, Anda dapat mengemas dan menjalankannya pada jadwal yang Anda tentukan. Untuk informasi selengkapnya, lihat Mengotomatisasi alur kerja Anda.

• Prediksi—Anda dapat melakukan klasifikasi statistik melalui metode yang disebut regresi logistik. Anda juga dapat menggunakan Memori Jangka Pendek Panjang (LSTM), yang merupakan teknik jaringan saraf yang kuat untuk memprediksi output atau keadaan proses yang bervariasi dari waktu ke waktu. Template notebook yang dibuat sebelumnya juga mendukung algoritma pengelompokan K-means untuk segmentasi perangkat, yang mengelompokkan perangkat Anda ke dalam kelompok perangkat sejenis. Template ini biasanya digunakan untuk memprofilkan kesehatan perangkat dan kondisi perangkat seperti unit HVAC di pabrik cokelat atau keausan bilah pada turbin angin. Sekali lagi, template notebook ini dapat terkandung dan dijalankan pada jadwal.

Bangun dan visualisasikan dan visualisasikan

• QuickSight Integrasi Amazon-AWS IoT Analytics menyediakan konektor ke Amazon QuickSight sehingga Anda dapat memvisualisasikan set data Anda di QuickSight dashboard.

• Integrasi Konsol—Anda juga dapat memvisualisasikan hasil atau analisis ad-hoc Anda di Notebook Jupyter yang disematkan di konsolAWS IoT Analytics '.

AWS IoT Analyticskomponen dan konsep dan konsep

Channel

Saluran mengumpulkan data dari topik MQTT dan mengarsipkan pesan mentah dan belum diproses sebelum menerbitkan data ke alur. Anda juga dapat mengirim pesan ke saluran secara langsung menggunakan BatchPutMessageAPI. Pesan yang belum diproses disimpan di bucket Amazon Simple Storage Service (Amazon S3) yang Anda atauAWS IoT Analytics kelola.

Alur

Alur memakai pesan dari saluran dan memungkinkan Anda memproses pesan sebelum menyimpannya di penyimpanan data. Langkah-langkah pemrosesan, yang disebut aktivitas (Aktivitas pipa), melakukan transformasi pada pesan Anda seperti menghapus, mengganti nama, atau menambahkan atribut pesan, memfilter pesan berdasarkan nilai atribut, memanggil fungsi Lambda Anda pada pesan untuk pemrosesan lanjutan atau melakukan transformasi matematis untuk menormalkan data perangkat.

Penyimpanan data

Pipelines menyimpan pesan olahan mereka di penyimpanan data. Sebuah penyimpanan data bukan database, tetapi merupakan repositori scalable dan queryable dari pesan Anda. Anda dapat memiliki beberapa penyimpanan data untuk pesan yang berasal dari perangkat atau lokasi yang berbeda, atau difilter berdasarkan atribut pesan tergantung pada konfigurasi dan persyaratan pipeline Anda. Seperti pesan saluran yang belum diproses, pesan yang diproses penyimpanan data disimpan dalam bucket Amazon S3 yang Anda atauAWS IoT Analytics kelola.

Set data data data ditetapkan?

Anda mengambil data dari penyimpanan data dengan membuat kumpulan data. AWS IoT Analyticsmemungkinkan Anda untuk membuat kumpulan data SQL atau kumpulan data kontainer.

Setelah Anda memiliki kumpulan data, Anda dapat menjelajahi dan mendapatkan wawasan tentang data Anda melalui integrasi menggunakan Amazon QuickSight. Anda juga dapat melakukan fungsi analisis yang lebih canggih melalui integrasi dengan Jupyter Notebook. Jupyter Notebook menyediakan alat ilmu data yang kuat yang dapat melakukan pembelajaran mesin dan berbagai analisis statistik. Untuk informasi selengkapnya, lihat Template Notebook.

Anda dapat mengirim konten set data ke bucket Amazon S3, memungkinkan integrasi dengan data lake yang ada atau akses dari aplikasi internal dan alat visualisasi. Anda juga dapat mengirim konten kumpulan data sebagai masukan ke AWS IoT Events, layanan yang memungkinkan Anda untuk memantau perangkat atau proses untuk kegagalan atau perubahan dalam operasi, dan untuk memicu tindakan tambahan ketika peristiwa tersebut terjadi.

Set Data SQL SQL SQL SQL

Kumpulan data SQL mirip dengan tampilan terwujud dari database SQL. Anda dapat membuat set data SQL dengan menerapkan tindakan SQL. SQL data set dapat dihasilkan secara otomatis pada jadwal berulang dengan menentukan pemicu.

Set data kontainer kontainer kontainer

Kumpulan data kontainer memungkinkan Anda menjalankan alat analisis secara otomatis dan menghasilkan hasil. Untuk informasi selengkapnya, lihat Mengotomatisasi alur kerja Anda. Ini menyatukan kumpulan data SQL sebagai input, wadah Docker dengan alat analisis Anda dan file perpustakaan yang dibutuhkan, variabel input dan output, dan pemicu jadwal opsional. Variabel input dan output memberi tahu gambar yang dapat dieksekusi di mana mendapatkan data dan menyimpan hasilnya. Pemicu dapat menjalankan analisis Anda ketika kumpulan data SQL selesai membuat kontennya atau sesuai dengan ekspresi jadwal waktu. Kumpulan data kontainer berjalan secara otomatis, menghasilkan, dan kemudian menyimpan hasil alat analisis.

Pemicu

Anda dapat secara otomatis membuat kumpulan data dengan menentukan pemicu. Pemicu dapat berupa interval waktu (misalnya, buat kumpulan data ini setiap dua jam) atau ketika konten kumpulan data lain telah dibuat (misalnya, buat kumpulan data ini saatmyOtherDataset selesai membuat kontennya). Atau, Anda dapat menghasilkan konten kumpulan data secara manual dengan menggunakan CreateDatasetContentAPI.

Kontainer Docker Docker

Anda dapat membuat container Docker sendiri untuk mengemas alat analisis Anda atau menggunakan opsi yang SageMaker disediakan. Untuk informasi selengkapnya, lihat kontainer Docker. Anda dapat membuat container Docker Anda sendiri untuk mengemas alat analisis Anda atau menggunakan opsi yang disediakan oleh SageMaker. Anda dapat menyimpan kontainer dalam registri Amazon ECR yang Anda tentukan sehingga tersedia untuk dipasang di platform yang Anda inginkan. Container Docker mampu menjalankan kode analitik kustom Anda yang disiapkan dengan Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C ++, dan sebagainya. Untuk informasi selengkapnya, lihat Kontainerisasi selengkapnya, lihat Kontainerisasi notebook.

Delta jendela

Jendela Delta adalah serangkaian interval waktu yang ditentukan pengguna, tidak tumpang tindih, dan bersebelahan. Delta jendela memungkinkan Anda untuk membuat isi set data dengan, dan melakukan analisis pada, data baru yang telah tiba di penyimpanan data sejak analisis terakhir. Anda membuat jendela delta dengan mengaturdeltaTime difilters bagianqueryAction dari kumpulan data. Untuk informasi selengkapnya, lihat API selengkapnya, lihat CreateDatasetAPI. Biasanya, Anda ingin membuat konten kumpulan data secara otomatis dengan juga menyiapkan pemicu interval waktu (triggers:schedule:expression). Ini memungkinkan Anda memfilter pesan yang telah tiba selama jendela waktu tertentu, sehingga data yang terdapat dalam pesan dari jendela waktu sebelumnya tidak dihitung dua kali. Untuk informasi lebih lanjut, lihat Contoh 6 -- membuat dataset SQL dengan jendela Delta (CLI).

AksesAWS IoT Analytics

Sebagai bagian dariAWS IoT,AWS IoT Analytics menyediakan antarmuka berikut untuk memungkinkan perangkat Anda menghasilkan data dan aplikasi Anda untuk berinteraksi dengan data yang mereka hasilkan:

AWS Command Line Interface (AWS CLI)

Jalankan perintah untukAWS IoT Analytics Windows, OS X, dan Linux. Perintah ini memungkinkan Anda untuk membuat dan mengelola hal-hal, sertifikat, aturan, dan kebijakan. Untuk mulai, lihat Panduan Pengguna AWS Command Line Interface. Untuk informasi selengkapnya tentang perintah untukAWS IoT, lihat iot di AWS Command Line InterfaceReferensi.

penting

Gunakanaws iotanalytics perintah untuk berinteraksi denganAWS IoT Analytics. Gunakanaws iot perintah untuk berinteraksi dengan bagian lain dari sistem IoT.

API AWS IoT

Bangun aplikasi IoT Anda menggunakan permintaan HTTP atau HTTPS. Tindakan API ini memungkinkan Anda untuk membuat dan mengelola hal-hal, sertifikat, aturan, dan kebijakan. Untuk informasi selengkapnya, lihat Tindakan di ReferensiAWS IoT API.

AWS SDK

BuatAWS IoT Analytics aplikasi Anda menggunakan API khusus bahasa. SDK ini membungkus HTTP dan HTTPS API dan memungkinkan Anda untuk memprogram dalam salah satu bahasa yang didukung. Untuk informasi lebih lanjut, lihat AWS SDK dan alat.

AWS IoTSDK Perangkat

Buat aplikasi yang berjalan di perangkat Anda yang mengirim pesanAWS IoT Analytics. Untuk informasi selengkapnya, lihat SDK AWS IoT.

Konsol AWS IoT Analytics

Anda dapat membangun komponen untuk memvisualisasikan hasil di AWS IoT Analyticskonsol.

Kasus penggunaan

Perawatan prediktif prediktif

AWS IoT Analyticsmenyediakan template untuk membangun model pemeliharaan prediktif dan menerapkannya ke perangkat Anda. Misalnya, Anda dapat menggunakanAWS IoT Analytics untuk memprediksi kapan sistem pemanas dan pendingin cenderung gagal pada kendaraan kargo yang terhubung sehingga kendaraan dapat dialihkan untuk mencegah kerusakan pengiriman. Atau, produsen auto dapat mendeteksi pelanggan mana yang telah memakai bantalan rem dan memperingatkan mereka untuk mencari perawatan untuk kendaraan mereka.

Pengisian kembali persediaan secara proaktif

AWS IoT Analyticsmemungkinkan Anda membangun aplikasi IoT yang dapat memantau inventaris secara real time. Misalnya, perusahaan makanan dan minuman dapat menganalisis data dari mesin penjual makanan dan secara proaktif menyusun ulang barang dagangan setiap kali pasokan hampir habis.

Penilaian efisiensi proses proses efisiensi proses proses penilaian efisiensi proses

DenganAWS IoT Analytics, Anda dapat membangun aplikasi IoT yang terus-menerus memantau efisiensi proses yang berbeda dan mengambil tindakan untuk meningkatkan proses. Misalnya, perusahaan pertambangan dapat meningkatkan efisiensi truk bijihnya dengan memaksimalkan beban untuk setiap perjalanan. Dengan ituAWS IoT Analytics, perusahaan dapat mengidentifikasi beban yang paling efisien untuk lokasi atau truk dari waktu ke waktu, dan kemudian membandingkan penyimpangan dari beban target secara real time, dan lebih baik merencanakan pedoman terkemuka untuk meningkatkan efisiensi.

Pertanian Cerdas Cerdas Cerdas

AWS IoT Analyticsdapat memperkaya data perangkat IoT dengan metadata kontekstual menggunakan dataAWS IoT registri atau sumber data publik sehingga faktor analisis Anda dalam waktu, lokasi, suhu, ketinggian, dan kondisi lingkungan lainnya. Dengan analisis itu, Anda dapat menulis model yang menampilkan tindakan yang direkomendasikan untuk diambil perangkat Anda di lapangan. Misalnya, untuk menentukan kapan harus air, sistem irigasi dapat memperkaya data sensor kelembaban dengan data curah hujan, memungkinkan penggunaan air yang lebih efisien.