Comment utiliser AWS IoT Analytics Accès AWS IoT Analytics Cas d’utilisation

Qu'est-ce que c'est AWS IoT Analytics ?

AWS IoT Analytics automatise les étapes nécessaires à l'analyse des données des appareils IoT. AWS IoT Analytics filtre, transforme et enrichit les données IoT avant de les stocker dans un magasin de données 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. Vous pouvez ensuite analyser vos données en exécutant des requêtes à l'aide du moteur de requêtes SQL intégré, ou effectuer des analyses plus complexes et des inférences basées sur le machine learning. AWS IoT Analytics permet une exploration avancée des données grâce à l'intégration avec Jupyter Notebook. AWS IoT Analytics permet également la visualisation des données grâce à l'intégration avec Amazon QuickSight. Amazon QuickSight est disponible dans les régions suivantes.

Les outils d'analyse et d'informatique décisionnelle traditionnels sont conçus pour traiter des données structurées. Les données IoT brutes proviennent souvent d'appareils qui enregistrent des données moins structurées (telles que la température, le mouvement ou le son). 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. En outre, les données de l'IoT n'ont souvent de sens que dans le contexte d'autres données provenant de sources externes. AWS IoT Analytics vous permet de résoudre ces problèmes et de collecter de grandes quantités de données sur l'appareil, de traiter les messages et de les stocker. Vous pouvez ensuite interroger les données et les analyser. AWS IoT Analytics inclut des modèles prédéfinis pour les cas d'utilisation courants de l'IoT afin que vous puissiez répondre à des questions telles que les appareils sur le point de tomber en panne ou les clients risquant d'abandonner leurs appareils portables.

Comment utiliser AWS IoT Analytics

Le graphique suivant montre un aperçu de la façon dont vous pouvez l'utiliser AWS IoT Analytics.

Vue d'ensemble de la façon d'utiliser AWS IoT Analytics

Fonctions principales

Collecte

Intégré à AWS IoT Core—AWS IoT Analytics est entièrement intégré AWS IoT Core afin de pouvoir recevoir des messages provenant d'appareils connectés lors de leur diffusion.
Utilisez une API par lots pour ajouter des données provenant de n'importe quelle source.AWS IoT Analytics Vous pouvez recevoir des données de n'importe quelle source via HTTP. Cela signifie que tout appareil ou service connecté à Internet peut envoyer des données à AWS IoT Analytics. Pour plus d’informations, consultez BatchPutMessage dans la Référence d’API AWS IoT Analytics .
Collectez uniquement les données que vous souhaitez stocker et analyser : vous pouvez utiliser la AWS IoT Analytics console pour configurer la réception de messages provenant AWS IoT Analytics d'appareils via des filtres thématiques MQTT dans différents formats et fréquences. AWS IoT Analytics vérifie que les données sont conformes aux 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

Nettoyage et filtrage : vous AWS IoT Analytics permet de définir les AWS Lambda fonctions qui sont déclenchées lorsque AWS IoT Analytics des données sont détectées, afin que vous puissiez exécuter du code pour estimer et combler les lacunes. Vous pouvez également définir des filtres maximaux et minimaux ainsi que des seuils percentiles pour supprimer les valeurs aberrantes dans vos données.
Transformation :AWS IoT Analytics permet de transformer les messages à l'aide de la logique mathématique ou conditionnelle que vous définissez, afin que vous puissiez effectuer des calculs courants tels que la conversion de degrés Celsius en degrés Fahrenheit.
Enrichir :AWS IoT Analytics permet d'enrichir les données à l'aide de sources de données externes telles que les prévisions météorologiques, puis de les acheminer vers le magasin de AWS IoT Analytics données.

Stockage

Stockage de données chronologiques :AWS IoT Analytics stocke les données de l'appareil dans un magasin de données de séries chronologiques optimisé pour une récupération et une analyse plus rapides. 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 Analytics stocke les données traitées et stocke automatiquement les données brutes ingérées afin que vous puissiez les traiter ultérieurement.

Analyser

Exécuter des requêtes SQL ad hoc :AWS IoT Analytics fournit un moteur de requêtes SQL qui vous permet d'exécuter des requêtes ad hoc et d'obtenir des résultats rapidement. Le service vous permet d'utiliser des requêtes SQL standard pour extraire des données du magasin de données afin de répondre à des questions telles que la distance moyenne parcourue par un parc de véhicules connectés ou le nombre de portes verrouillées après 19 heures 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 Analytics prend en charge l'analyse des séries chronologiques afin que vous puissiez analyser les performances des appareils au fil du temps et comprendre comment et où ils sont utilisés, surveiller en permanence les données des appareils pour prévoir les problèmes de maintenance et surveiller les capteurs pour prévoir les conditions environnementales et y réagir.
Carnets hébergés pour des analyses sophistiquées et l'apprentissage automatique :AWS IoT Analytics inclut la prise en charge des blocs-notes hébergés dans Jupyter Notebook pour l'analyse statistique et l'apprentissage automatique. Le service inclut un ensemble de modèles de blocs-notes contenant des modèles d'apprentissage automatique et des AWS visualisations créés par des auteurs. Vous pouvez utiliser les modèles pour commencer à étudier les cas d'utilisation de l'IoT liés au profilage des défaillances des appareils, à la prévision d'événements tels qu'une faible utilisation susceptible d'indiquer que le client abandonnera le produit, ou à la segmentation des appareils en fonction du niveau d'utilisation du client (par exemple, utilisateurs intensifs, utilisateurs le week-end) ou de l'état de santé de l'appareil. Après avoir créé un bloc-notes, vous pouvez le conteneuriser et l'exécuter selon un calendrier que vous spécifiez. Pour plus d'informations, consultez Automatisation de votre flux de travail.
Prédiction : vous pouvez effectuer une classification statistique à l'aide d'une méthode appelée régression logistique. Vous pouvez également utiliser Long-Short-Term la mémoire (LSTM), une puissante technique de réseau neuronal permettant de prédire le résultat ou l'état d'un processus qui varie dans le 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. Encore une fois, ces modèles de bloc-notes peuvent être contenus et exécutés selon un calendrier.

Construisez et visualisez

QuickSight Intégration avec Amazon :AWS IoT Analytics fournit un connecteur à Amazon qui QuickSight vous permet de visualiser vos ensembles de données dans un QuickSight tableau de bord.
Intégration à la console : vous pouvez également visualiser les résultats ou votre analyse ad hoc dans le bloc-notes Jupyter intégré à la « console ». AWS IoT Analytics

AWS IoT Analytics composants 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 une chaîne directement à l'aide de l'BatchPutMessageAPI. Les messages non traités sont stockés dans un compartiment Amazon Simple Storage Service (Amazon S3) que vous gérez ou gérez. AWS IoT Analytics

Pipeline

Un pipeline consomme les messages d'un canal et vous permet de les traiter avant de les stocker dans un magasin de données. Les étapes de traitement, appelées activités (activités du pipeline), effectuent des transformations sur vos messages, telles que la suppression, le renommage ou l'ajout d'attributs de message, le filtrage des messages en fonction des valeurs d'attribut, l'appel de vos fonctions Lambda sur les messages pour un traitement avancé ou l'exécution de transformations mathématiques pour normaliser les données de l'appareil.

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 un compartiment Amazon S3 que vous AWS IoT Analytics gérez ou gérez.

Ensemble de données

Vous récupérez les données d'un magasin de données en créant un ensemble de données. AWS IoT Analytics vous 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 mieux comprendre vos données grâce à l'intégration avec Amazon QuickSight. Vous pouvez également exécuter des fonctions analytiques plus avancées grâce à l'intégration avec Jupyter Notebook. Jupyter Notebook fournit de puissants outils de science des données capables d'effectuer de l'apprentissage automatique et de nombreuses analyses statistiques. Pour plus d'informations, consultez la section Modèles de bloc-notes.

Vous pouvez envoyer le contenu d'un ensemble de données vers un compartiment Amazon S3, ce qui permet l'intégration à vos lacs de données existants ou l'accès à partir d'applications et d'outils de visualisation internes. Vous pouvez également envoyer le contenu d'un ensemble de données en entrée à AWS IoT Eventsun service qui vous permet de surveiller les appareils ou les processus pour détecter les défaillances ou les changements de fonctionnement, et de déclencher des actions supplémentaires lorsque de tels 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 plus d'informations, consultez Automatisation de votre flux de travail. 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 (par exemple, créer cet ensemble de données toutes les deux heures) ou lorsque le contenu d'un autre ensemble de données a été créé (par exemple, créer cet ensemble de données lorsque la création de son contenu est myOtherDataset terminée). Vous pouvez également générer le contenu d'un ensemble de données manuellement à l'aide de l'CreateDatasetContentAPI.

Conteneur Docker

Vous pouvez créer votre propre conteneur Docker pour emballer vos outils d'analyse ou utiliser les options proposées par l' SageMaker IA. Pour plus d'informations, consultez la section Conteneur Docker. Vous pouvez créer votre propre conteneur Docker pour emballer vos outils d'analyse ou utiliser les options fournies par l'SageMaker IA. 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 sont capables d'exécuter votre code analytique personnalisé préparé avec Matlab, Octave, Wise.io, SPSS, R, Fortran, Python, Scala, Java, C++, etc. Pour plus d'informations, consultez la section Conteneurisation 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 le contenu de l'ensemble de données avec les nouvelles données arrivées dans le magasin de données depuis la dernière analyse et d'effectuer une analyse sur celles-ci. Vous créez une fenêtre delta deltaTime en définissant la filters partie d'un ensemble queryAction de données. Pour en savoir plus, consultez l'API CreateDataset. En général, vous souhaiterez créer automatiquement le contenu de l'ensemble de données en configurant également un déclencheur d'intervalle de temps (triggers:schedule:expression). Cela vous permet de filtrer les messages arrivés pendant une période donnée, afin que les données contenues dans les messages des fenêtres temporelles précédentes ne soient pas comptées deux fois. Pour plus d'informations, voir Exemple 6 : création d'un jeu de données SQL avec une fenêtre Delta (CLI).

Accès AWS IoT Analytics

Dans le cadre de AWS IoT, AWS IoT Analytics fournit les interfaces suivantes pour permettre à vos appareils de générer des données et à vos applications d'interagir avec les données qu'ils génèrent :

AWS Command Line Interface (AWS CLI): Exécutez AWS IoT Analytics des commandes pour Windows, OS X et Linux. Ces commandes vous permettent de créer et de gérer des objets, des certificats, des règles et des politiques. Consultez le AWS Command Line Interface Guide de l’utilisateur pour démarrer. Pour plus d'informations sur les commandes pour AWS IoT, voir iot dans la AWS Command Line Interface référence.

Important
Utilisez la aws iotanalytics commande pour interagir avec AWS IoT Analytics. Utilisez la aws iot commande pour interagir avec d'autres parties du système IoT.
AWS IoT API: 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 politiques. Pour de plus amples informations, veuillez consulter Actions dans la Référence d'API AWS IoT .
AWS SDKs: Créez vos AWS IoT Analytics applications en utilisant des langages spécifiques. APIs Ils SDKs encapsulent les API HTTP et HTTPS et vous permettent de programmer dans l'un des langages pris en charge. Pour plus d'informations, reportez-vous à la section AWS SDKs et outils.
AWS IoT Device SDKs: Créez des applications qui s'exécutent sur les appareils auxquels vous envoyez des messages AWS IoT Analytics. Pour de plus amples informations, veuillez consulter AWS IoT SDKs.
AWS IoT Analytics Console: Vous pouvez créer les composants pour visualiser les résultats dans la AWS IoT Analytics console.

Cas d’utilisation

Maintenance prédictive: AWS IoT Analytics fournit des modèles pour créer des modèles de maintenance prédictive et les appliquer à vos appareils. Par exemple, vous pouvez l'utiliser pour prévoir AWS IoT Analytics à quel moment les systèmes de chauffage et de refroidissement sont susceptibles de tomber en panne sur les véhicules utilitaires connectés afin que les véhicules puissent être réacheminés afin d'éviter d'endommager l'expédition. 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 fournitures: AWS IoT Analytics vous permet de créer des applications IoT capables de surveiller les stocks 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.
Notation de l'efficacité des processus: Vous pouvez ainsi créer des applications IoT qui surveillent en permanence l'efficacité des différents processus et prennent des mesures pour améliorer le processus. AWS IoT Analytics Par exemple, une société minière peut améliorer l'efficacité de ses camions de minerais en maximisant la charge par trajet. L'entreprise peut ainsi identifier la charge la plus efficace pour un site ou un camion au fil du temps, puis comparer les éventuels écarts par rapport à la charge cible en temps réel et mieux planifier les principales directives pour améliorer l'efficacité. AWS IoT Analytics
Agriculture intelligente: AWS IoT Analytics peut enrichir les données des appareils IoT avec des métadonnées contextuelles à l'aide de données de AWS IoT registre ou de sources de données publiques afin que votre analyse tienne compte du temps, de l'emplacement, de la température, de l'altitude et d'autres conditions environnementales. Avec cette analyse, vous pouvez écrire des modèles qui produisent les actions recommandées réalisées par vos appareils sur le terrain. Par exemple, pour déterminer à quel moment arroser, les systèmes d'irrigation peuvent enrichir les données des capteurs d'humidité avec des données sur les précipitations, ce qui permet une utilisation plus efficace de l'eau.

Avertissement JavaScript est désactivé ou n'est pas disponible dans votre navigateur.

Pour que vous puissiez utiliser la documentation AWS, Javascript doit être activé. Vous trouverez des instructions sur les pages d'aide de votre navigateur.

Conventions de rédaction

Démarrer (console)