Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mendeteksi anomali dengan Lookout for Equipment
**catatan**
Deteksi anomali hanya tersedia di Wilayah di mana Amazon Lookout for Equipment tersedia.
Anda dapat berintegrasi AWS IoT SiteWise dengan Amazon Lookout for Equipment untuk mendapatkan wawasan tentang peralatan industri Anda melalui deteksi anomali dan pemeliharaan prediktif peralatan industri. Lookout for Equipment adalah layanan pembelajaran mesin (ML) untuk memantau peralatan industri yang mendeteksi perilaku peralatan abnormal dan mengidentifikasi potensi kegagalan. Dengan Lookout for Equipment, Anda dapat menerapkan program pemeliharaan prediktif dan mengidentifikasi proses peralatan yang tidak optimal. Untuk informasi selengkapnya tentang Lookout for Equipment, lihat [ Apa itu Amazon Lookout for Equipment? ](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html)di Panduan Pengguna * Amazon Lookout for Equipment*.
Saat Anda membuat prediksi untuk melatih model ML untuk mendeteksi perilaku peralatan yang tidak normal, AWS IoT SiteWise mengirimkan nilai properti aset ke Lookout for Equipment untuk melatih model ML guna mendeteksi perilaku peralatan anomali. Untuk menentukan definisi prediksi pada model aset, Anda menentukan peran IAM yang diperlukan Lookout for Equipment untuk mengakses data Anda dan properti yang akan dikirim ke Lookout for Equipment dan mengirim data yang diproses ke Amazon S3. Untuk informasi selengkapnya, lihat [Buat model aset di AWS IoT SiteWise](create-asset-models.md).
Untuk mengintegrasikan AWS IoT SiteWise dan Mencari Peralatan, Anda akan melakukan langkah-langkah tingkat tinggi berikut:
+ Tambahkan definisi prediksi pada model aset yang menguraikan properti apa yang ingin Anda lacak. Definisi prediksi adalah kumpulan pengukuran, transformasi, dan metrik yang dapat digunakan kembali yang digunakan untuk membuat prediksi pada aset yang didasarkan pada model aset tersebut.
+ Latih prediksi berdasarkan data historis yang Anda berikan.
+ Jadwal inferensi, yang memberi AWS IoT SiteWise tahu seberapa sering menjalankan prediksi tertentu.
Setelah inferensi dijadwalkan, model Lookout for Equipment memantau data yang diterimanya dari peralatan Anda dan mencari anomali dalam perilaku peralatan. Anda dapat melihat dan menganalisis hasil di SiteWise Monitor, menggunakan operasi AWS IoT SiteWise GET API, atau konsol Lookout for Equipment. Anda juga dapat membuat alarm menggunakan detektor alarm dari model aset untuk mengingatkan Anda tentang perilaku peralatan yang tidak normal.
**Topics**
+ [Menambahkan definisi prediksi (konsol)](#ad-add-prediction-definition-console)
+ [Melatih prediksi (konsol)](#ad-train-prediction-console)
+ [Mulai atau hentikan inferensi pada prediksi (konsol)](#ad-start-stop-inference-console)
+ [Tambahkan definisi prediksi (CLI)](#ad-add-prediction-definition-cli)
+ [Melatih prediksi dan memulai inferensi (CLI)](#ad-train-inference-prediction-cli)
+ [Melatih prediksi (CLI)](#ad-train-prediction-cli)
+ [Mulai atau hentikan inferensi pada prediksi (CLI)](#ad-start-stop-inference-cli)
## Menambahkan definisi prediksi (konsol)
Untuk mulai mengirim data yang dikumpulkan oleh Lookout AWS IoT SiteWise for Equipment, Anda harus menambahkan definisi AWS IoT SiteWise prediksi ke model aset.
**Untuk menambahkan definisi prediksi ke AWS IoT SiteWise model aset**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih ** Model ** dan pilih model aset yang ingin Anda tambahkan definisi prediksi.
1. Pilih P ** rediksi**.
1. Pilih ** Tambahkan definisi prediksi**.
1. Tentukan detail tentang definisi prediksi.
1. Masukkan ** Nama unik ** dan ** Deskripsi ** untuk definisi prediksi Anda. Tentukan nama dengan cermat, karena setelah Anda membuat definisi prediksi, Anda tidak dapat mengubah namanya.
1. Buat atau pilih peran izin ** IAM ** yang AWS IoT SiteWise memungkinkan berbagi data aset Anda dengan Amazon Lookout for Equipment. Peran harus memiliki IAM dan kebijakan kepercayaan berikut. Untuk bantuan membuat peran, lihat [ Membuat peran menggunakan kebijakan kepercayaan khusus (konsol)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-custom.html).
**Kebijakan IAM **
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "L4EPermissions",
"Effect": "Allow",
"Action": [
"lookoutequipment:CreateDataset",
"lookoutequipment:CreateModel",
"lookoutequipment:CreateInferenceScheduler",
"lookoutequipment:DescribeDataset",
"lookoutequipment:DescribeModel",
"lookoutequipment:DescribeInferenceScheduler",
"lookoutequipment:ListInferenceExecutions",
"lookoutequipment:StartDataIngestionJob",
"lookoutequipment:StartInferenceScheduler",
"lookoutequipment:UpdateInferenceScheduler",
"lookoutequipment:StopInferenceScheduler"
],
"Resource": [
"arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:inference-scheduler/IoTSiteWise_*",
"arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:model/IoTSiteWise_*",
"arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:dataset/IoTSiteWise_*"
]
},
{
"Sid": "L4EPermissions2",
"Effect": "Allow",
"Action": [
"lookoutequipment:DescribeDataIngestionJob"
],
"Resource": "*"
},
{
"Sid": "S3Permissions",
"Effect": "Allow",
"Action": [
"s3:CreateBucket",
"s3:ListBucket",
"s3:PutObject",
"s3:GetObject"
],
"Resource": [
"arn:aws:s3:::iotsitewise-*"
]
},
{
"Sid": "IAMPermissions",
"Effect": "Allow",
"Action": [
"iam:GetRole",
"iam:PassRole"
],
"Resource": "arn:aws:iam::{{111122223333}}:role/{{Role_name}}"
}
]
}
```
------
**Kebijakan kepercayaan**
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "iotsitewise.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "{{123456789012}}"
},
"ArnEquals": {
"aws:SourceArn": "arn:aws:iotsitewise:{{us-east-1}}:{{123456789012}}:asset/*"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Service": "lookoutequipment.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "{{123456789012}}"
},
"ArnEquals": {
"aws:SourceArn": "arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:*"
}
}
}
]
}
```
------
1. Pilih **Berikutnya**.
1. Pilih atribut data (pengukuran, transformasi, dan metrik) yang ingin Anda kirim ke Lookout for Equipment.
1. (Opsional) Pilih pengukuran.
1. (Opsional) Pilih transformasi.
1. (Opsional) Pilih metrik.
1. Pilih **Berikutnya**.
1. Tinjau pilihan Anda. Untuk menambahkan definisi prediksi ke model aset, pilih **Tambahkan definisi prediksi** di halaman ringkasan.
Anda juga dapat Meng ** edit ** atau ** Menghapus definisi prediksi ** yang ada yang memiliki prediksi aktif terlampir.
## Melatih prediksi (konsol)
Setelah menambahkan definisi prediksi ke model aset, Anda dapat melatih prediksi yang ada pada aset Anda.
**Untuk melatih prediksi di AWS IoT SiteWise**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih ** Aset**, dan pilih aset yang ingin Anda pantau.
1. Pilih P ** rediksi**.
1. Pilih prediksi yang ingin Anda latih.
1. Di ** bawah T ** indakan, pilih ** Mulai pelatihan**, dan lakukan hal berikut:
1. Di bawah Detail ** prediksi**, pilih peran izin IAM yang memungkinkan AWS IoT SiteWise untuk berbagi data aset Anda dengan Lookout for Equipment. Jika Anda perlu membuat peran baru, pilih ** Buat peran baru**.
1. Untuk pengaturan data ** pelatihan**, masukkan rentang waktu data ** pelatihan ** untuk memilih data mana yang akan digunakan untuk melatih prediksi.
1. (Opsional) Pilih tingkat pengambilan sampel data setelah pemrosesan pasca.
1. (Opsional) Untuk label ** Data**, berikan bucket dan awalan Amazon S3 yang menyimpan data pelabelan Anda. Untuk informasi selengkapnya tentang pelabelan data, lihat [ Pelabelan data Anda ](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/labeling-data.html) di Panduan * Pengguna Amazon Lookout for Equipment*.
1. Pilih **Berikutnya**.
1. (Opsional) Jika Anda ingin prediksi aktif segera setelah pelatihan selesai, di bawah Pengaturan ** lanjutan**, pilih Aktifkan prediksi ** secara otomatis setelah pelatihan**, lalu lakukan hal berikut:
1. Di bawah ** Input data**, untuk frekuensi upload ** data**, tentukan seberapa sering data diunggah, dan untuk waktu tun ** da ** offset, tentukan berapa banyak buffer yang akan digunakan.
1. Pilih **Berikutnya**.
1. Tinjau detail prediksi dan pilih S ** impan dan mulai**.
## Mulai atau hentikan inferensi pada prediksi (konsol)
**catatan**
Biaya Lookout for Equipment berlaku untuk kesimpulan terjadwal dengan data yang ditransfer antara AWS IoT SiteWise dan Lookout for Equipment. Untuk informasi selengkapnya, lihat harga [ Amazon Lookout untuk Peralatan](https://aws.amazon.com/lookout-for-equipment/pricing/).
Jika Anda menambahkan prediksi`lookoutequipment:CreateDataset`, tetapi tidak memilih untuk mengaktifkannya setelah pelatihan, Anda harus mengaktifkannya untuk mulai memantau aset Anda.
**Untuk memulai inferensi untuk prediksi**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih ** Aset**, dan pilih aset yang ditambahkan prediksi.
1. Pilih P ** rediksi**.
1. Pilih prediksi yang ingin Anda aktifkan.
1. Di bawah ** T ** indakan, pilih ** Mulai inferensi**, dan lakukan hal berikut:
1. Di bawah ** Input data**, untuk frekuensi upload ** data**, tentukan seberapa sering data diunggah, dan untuk waktu tun ** da ** offset, tentukan berapa banyak buffer yang akan digunakan.
1. Pilih ** Simpan dan mulai**.
**Untuk menghentikan inferensi untuk prediksi**
1. Navigasikan ke [konsol AWS IoT SiteWise](https://console.aws.amazon.com/iotsitewise/) tersebut.
1. Di panel navigasi, pilih ** Aset**, dan pilih aset yang ditambahkan prediksi.
1. Pilih P ** rediksi**.
1. Pilih prediksi yang ingin Anda hentikan.
1. Di bawah ** Tind ** akan, pilih ** Hentikan inferensi**.
## Tambahkan definisi prediksi (CLI)
Untuk menentukan definisi prediksi pada model aset baru atau yang sudah ada, Anda dapat menggunakan AWS Command Line Interface (AWS CLI). Setelah Anda menentukan definisi prediksi pada model aset, Anda melatih, dan menjadwalkan inferensi untuk, prediksi pada aset AWS IoT SiteWise untuk melakukan deteksi anomali dengan Lookout for Equipment.
**Prasyarat**
Untuk menyelesaikan langkah-langkah ini, Anda harus memiliki model aset dan setidaknya satu aset yang dibuat. Untuk informasi selengkapnya, lihat [Buat model aset (AWS CLI)](create-asset-models.md#create-asset-model-cli) dan [Buat aset (AWS CLI)](create-assets.md#create-asset-cli).
Jika Anda baru mengenal AWS IoT SiteWise, Anda harus memanggil operasi `CreateBulkImportJob` API untuk mengimpor nilai properti aset ke AWS IoT SiteWise, yang akan digunakan untuk melatih model. Untuk informasi selengkapnya, lihat [Buat pekerjaan impor AWS IoT SiteWise massal (AWS CLI)](CreateBulkImportJob.md).
**Untuk menambahkan definisi prediksi**
1. Buat file bernama `asset-model-payload.json`. Ikuti langkah-langkah di bagian lain ini untuk menambahkan detail model aset Anda ke file, tetapi jangan mengirimkan permintaan untuk membuat atau memperbarui model aset.
+ Untuk informasi selengkapnya tentang cara membuat model aset, lihat [Buat model aset (AWS CLI)](create-asset-models.md#create-asset-model-cli)
+ Untuk informasi selengkapnya tentang cara memperbarui model aset yang ada, lihat [Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli)
1. Tambahkan Lookout for Equipment composite model (`assetModelCompositeModels`) ke model aset dengan menambahkan kode berikut.
+ Ganti `{{Property}}` dengan ID properti yang ingin Anda sertakan. Untuk mendapatkan ID itu, hubungi [`DescribeAssetModel`](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html).
+ Ganti `{{RoleARN}}` dengan ARN dari peran IAM yang memungkinkan Lookout for Equipment mengakses AWS IoT SiteWise data Anda.
```
{
...
"assetModelCompositeModels": [
{
"name": "L4Epredictiondefinition",
"type": "AWS/L4E_ANOMALY",
"properties": [
{
"name": "AWS/L4E_ANOMALY_RESULT",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_RESULT",
"unit": "none",
"type": {
"measurement": {}
}
},
{
"name": "AWS/L4E_ANOMALY_INPUT",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INPUT",
"type": {
"attribute": {
"defaultValue": "{\"properties\": [\"{{Property1}}\", \"{{Property2}}\"]}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_PERMISSIONS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_PERMISSIONS",
"type": {
"attribute": {
"defaultValue": "{\"roleArn\": \"{{RoleARN}}\"}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_DATASET",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_DATASET",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_MODEL",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_MODEL",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_INFERENCE",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE",
"type": {
"attribute": {}
}
},
{
"name": "AWS/L4E_ANOMALY_TRAINING_STATUS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_TRAINING_STATUS",
"type": {
"attribute": {
"defaultValue": "{}"
}
}
},
{
"name": "AWS/L4E_ANOMALY_INFERENCE_STATUS",
"dataType": "STRUCT",
"dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE_STATUS",
"type": {
"attribute": {
"defaultValue": "{}"
}
}
}
]
}
```
1. Buat model aset atau perbarui model aset yang ada. Lakukan salah satu tindakan berikut:
+ Untuk membuat model aset, jalankan perintah berikut:
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
+ Untuk memperbarui model aset yang ada, jalankan perintah berikut. Ganti `{{asset-model-id}}` dengan ID model aset yang ingin Anda perbarui.
```
aws iotsitewise update-asset-model \
--asset-model-id {{asset-model-id}} \
--cli-input-json file://asset-model-payload.json
```
Setelah Anda menjalankan perintah, perhatikan `assetModelId` dalam tanggapan.
## Melatih prediksi dan memulai inferensi (CLI)
Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu dan memulai inferensi. Jika Anda ingin melatih prediksi Anda tetapi tidak memulai inferensi, lewati ke[Melatih prediksi (CLI)](#ad-train-prediction-cli). Untuk melatih prediksi dan memulai inferensi pada aset, Anda memerlukan sumber daya target. `assetId`
**Untuk melatih dan memulai inferensi prediksi**
1. Jalankan perintah berikut untuk menemukan di `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti {{`asset-model-id`}} dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id {{asset-model-id}} \
```
1. Jalankan perintah berikut untuk menemukan `TrainingWithInference` tindakan. `actionDefinitionId` Ganti {{`asset-model-id`}} dengan ID yang digunakan pada langkah sebelumnya dan ganti {{`asset-model-composite-model-id`}} dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id {{asset-model-id}} \
--asset-model-composite-model-id {{asset-model-composite-model-id}} \
```
1. Buat file yang disebut `train-start-inference-prediction.json` dan tambahkan kode berikut, menggantikan yang berikut ini:
+ `{{asset-id}}`dengan ID aset target
+ `{{action-definition-id}}`dengan ID TrainingWithInference tindakan
+ `{{StartTime}}`dengan dimulainya data pelatihan, disediakan dalam detik zaman
+ `{{EndTime}}`dengan akhir data pelatihan, disediakan dalam detik zaman
+ `{{TargetSamplingRate}}`dengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`.
```
{
"targetResource": {
"assetId": "{{asset-id}}"
},
"actionDefinitionId": "{{action-definition-Id}}",
"actionPayload":{
"stringValue": "{\"l4ETrainingWithInference\":{\"trainingWithInferenceMode\":\"START\",\"trainingPayload\":{\"exportDataStartTime\":{{StartTime}},\"exportDataEndTime\":{{EndTime}}},\"targetSamplingRate\":\"{{TargetSamplingRate}}\"},\"inferencePayload\":{\"dataDelayOffsetInMinutes\":0,\"dataUploadFrequency\":\"PT5M\"}}}"
}
}
```
1. Jalankan perintah berikut untuk memulai pelatihan dan inferensi:
```
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
```
## Melatih prediksi (CLI)
Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu. Untuk melatih prediksi pada aset, Anda memerlukan `assetId` sumber daya target.
**Untuk melatih prediksi**
1. Jalankan perintah berikut untuk menemukan di `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti {{`asset-model-id`}} dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id {{asset-model-id}} \
```
1. Jalankan perintah berikut untuk menemukan `Training` tindakan. `actionDefinitionId` Ganti {{`asset-model-id`}} dengan ID yang digunakan pada langkah sebelumnya dan ganti {{`asset-model-composite-model-id`}} dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id {{asset-model-id}} \
--asset-model-composite-model-id {{asset-model-composite-model-id}} \
```
1. Buat file yang disebut `train-prediction.json` dan tambahkan kode berikut, menggantikan yang berikut ini:
+ `{{asset-id}}`dengan ID aset target
+ `{{action-definition-id}}`dengan ID tindakan pelatihan
+ `{{StartTime}}`dengan dimulainya data pelatihan, disediakan dalam detik zaman
+ `{{EndTime}}`dengan akhir data pelatihan, disediakan dalam detik zaman
+ (Opsional) `{{BucketName}}` dengan nama bucket Amazon S3 yang menyimpan data label Anda
+ (Opsional) `{{Prefix}}` dengan awalan yang terkait dengan bucket Amazon S3.
+ `{{TargetSamplingRate}}`dengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`.
**catatan**
Sertakan nama bucket dan awalan atau keduanya.
```
{
"targetResource": {
"assetId": "{{asset-id}}"
},
"actionDefinitionId": "{{action-definition-Id}}",
"actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": {{StartTime}}, \"exportDataEndTime\": {{EndTime}}, \"targetSamplingRate\":\"{{TargetSamplingRate}}\"}, \"labelInputConfiguration\": {\"bucketName\": \"{{BucketName}}\", \"prefix\": \"{{Prefix}}\"}}}"
}
}
```
1. Jalankan perintah berikut untuk memulai pelatihan:
```
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
```
Sebelum Anda dapat memulai inferensi, pelatihan harus diselesaikan. Untuk memeriksa status pelatihan, lakukan salah satu hal berikut:
+ Dari konsol, arahkan ke aset yang diprediksi aktif.
+ Dari AWS CLI, hubungi `BatchGetAssetPropertyValue` menggunakan `trainingStatus` properti. `propertyId`
## Mulai atau hentikan inferensi pada prediksi (CLI)
Setelah prediksi dilatih, Anda dapat memulai inferensi untuk memberi tahu Lookout for Equipment untuk mulai memantau aset Anda. Untuk memulai atau menghentikan inferensi, Anda memerlukan `assetId` sumber daya target.
**Untuk memulai inferensi**
1. Jalankan perintah berikut untuk menemukan di `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti {{`asset-model-id`}} dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id {{asset-model-id}} \
```
1. Jalankan perintah berikut untuk menemukan `Inference` tindakan. `actionDefinitionId` Ganti {{`asset-model-id`}} dengan ID yang digunakan pada langkah sebelumnya dan ganti {{`asset-model-composite-model-id`}} dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id {{asset-model-id}} \
--asset-model-composite-model-id {{asset-model-composite-model-id}} \
```
1. Buat file yang disebut `start-inference.json` dan tambahkan kode berikut, menggantikan yang berikut ini:
+ `{{asset-id}}`dengan ID aset target
+ `{{action-definition-id}}`dengan ID tindakan inferensi awal
+ `{{Offset}}`dengan jumlah buffer yang akan digunakan
+ `{{Frequency}}`dengan seberapa sering data diunggah
```
{
"targetResource": {
"assetId": "{{asset-id}}"
},
"actionDefinitionId": "{{action-definition-Id}}",
"actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": {{Offset}}, \"dataUploadFrequency\": \"{{Frequency}}\"}}"
}}
```
1. Jalankan perintah berikut untuk memulai inferensi:
```
aws iotsitewise execute-action --cli-input-json file://start-inference.json
```
**Untuk menghentikan inferensi**
1. Jalankan perintah berikut untuk menemukan di `assetModelCompositeModelId` bawah`assetModelCompositeModelSummaries`. Ganti {{`asset-model-id`}} dengan ID model aset yang Anda buat[Memperbarui model aset, model komponen, atau antarmuka (AWS CLI)](update-asset-models.md#update-asset-model-cli).
```
aws iotsitewise describe-asset-model \
--asset-model-id {{asset-model-id}} \
```
1. Jalankan perintah berikut untuk menemukan `Inference` tindakan. `actionDefinitionId` Ganti {{`asset-model-id`}} dengan ID yang digunakan pada langkah sebelumnya dan ganti {{`asset-model-composite-model-id`}} dengan ID yang dikembalikan pada langkah sebelumnya.
```
aws iotsitewise describe-asset-model-composite-model \
--asset-model-id {{asset-model-id}} \
--asset-model-composite-model-id {{asset-model-composite-model-id}} \
```
1. Buat file yang disebut `stop-inference.json` dan tambahkan kode berikut, menggantikan yang berikut ini:
+ `{{asset-id}}`dengan ID aset target
+ `{{action-definition-id}}`dengan ID tindakan inferensi awal
```
{
"targetResource": {
"assetId": "{{asset-id}}"
},
"actionDefinitionId": "{{action-definition-Id}}",
"actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}"
}}
```
1. Jalankan perintah berikut untuk menghentikan inferensi:
```
aws iotsitewise execute-action --cli-input-json file://stop-inference.json
```