在电器制造的场景中，比如压缩机质量检测，常规的做法是压缩机上线检测设备，系统根据已有的模型来判断零件是否合格。但是准确率一直到不到要求，很多时候需要人工干预，引入大数据来迭代优化模型是一个比较好的尝试。检测设备在短时间内采样大量的数据（每秒 3000 次），将这些数据通过 IoT 传入数据湖，利用 EMR 集群进行训练，生成优化后的模型，再应用到检查设备，如此不断提升模型的准确率。

本实验的目的是将终端设备安全地连接到 AWS IoT Core 平台上，还展示了用户如何在设备和 IoT Core 之间使用 MQTT 协议发布／订阅消息。本次实验绝大部分使用命令行，当然你也可以使用控制台界面完成。本实验还会利用规则引擎构建  IoT 应用程序，将消息收集、处理和分析并针对数据执行操作，且无需管理任何基础设施。

一男子智能养鱼遇断网，4 万余斤鱼或因缺氧死亡。这个塘主通过手机 App 监控鱼塘情况并利用智能插座控制增氧机进行增氧；但因遇到网络故障，无法及时为鱼塘启动增氧设备而造成重大经济损失。这是个典型的物联网案例，利用物联网平台远程监控数据，并基于数据进行设备控制。在大多数情况下，它能够很好地工作，但当网络连接丢失时，智能将变得无能为力。生活中类似的场景很多，我们有没有办法既享受物联网带来的便捷和智能，又能够摆脱网络依赖带来的局限性呢？本实验将介绍如何利用 AWS IoT Greengrass 的边缘计算能力，实现远程监控的同时，在边缘侧进行智能控制。

本实验中我们将通过连接控制设备的 PLC，获取数据，分析数据并创建机器学习模型来预测钻孔机异常。实现将模型部署到边缘端，在边缘端做预测，帮助操作员避免故障及提高产品质量。

该实验环境覆盖了大数据、机器学习的主要步骤和如何基于 AWS 进行端到端的系统实现。