P: ¿Qué es AWS IoT Analytics?

AWS IoT Analytics es un servicio de análisis de la IoT completamente administrado que recolecta, preprocesa, enriquece, almacena y analiza los datos del dispositivo de IoT a escala. IoT Analytics puede realizar consultas simples ad hoc como así también análisis complejo y es la manera más simple de ejecutar el análisis de la IoT para entender el desempeño de los dispositivos, la predicción de las fallas del dispositivo y el aprendizaje automático. Está diseñado específicamente para la IoT y captura y almacena automáticamente la marca temporal del mensaje de manera que es fácil realizar el análisis de series temporales. IoT Analytics también puede enriquecer los datos con metadatos del dispositivo específico como el tipo de dispositivo y la ubicación al usar el registro de AWS IoT. AWS IoT Analytics almacena los datos en un almacenamiento de datos optimizado de IoT de manera que pueda ejecutar consultas en conjuntos de datos grandes. Con AWS IoT Analytics, también puede ejecutar contenedores de código escrito personalizados. AWS IoT Analytics automatiza la ejecución de sus análisis personalizados creados en Jupyter Notebook o sus propias herramientas (como, por ejemplo, Matlab, Octave, etc.) para ejecución programada.

P: ¿Cómo funciona AWS IoT Analytics?

AWS IoT Analytics está completamente integrado con AWS IoT Core de manera que sea fácil comenzar. Primero, define un canal y selecciona los datos que desea recolectar de manera que solo almacena y analiza los datos de interés, como la temperatura del sensor. Una vez que se ha establecido un canal, puede configurar las canalizaciones para procesar sus datos. Las canalizaciones admiten transformaciones como la conversión de Celsius a Fahrenheit, enunciados condicionales, filtrado de los mensajes, enriquecimiento de mensajes al usar fuentes de datos externos y funciones de AWS Lambda.

Después de procesar los datos en la canalización, IoT Analytics los almacena en un almacenamiento de datos optimizado de la IoT para analizarlos. Puede consultar los datos que usa el motor de consultas SQL incorporado para responder preguntas empresariales específicas. Por ejemplo, quizás quiera conocer cuántos usuarios mensuales existen en cada dispositivo de su flota. Mediante la integración con Amazon SageMaker, IoT Analytics admite un análisis más sofisticado, como la inferencia bayesiana y el aprendizaje automático. Además, es fácil crear visualizaciones y paneles, y obtener información empresarial rápidamente de sus datos de IoT Analytics ya que está integrado con Amazon QuickSight.

P: ¿Puedo ejecutar mi código de análisis personalizado en AWS IoT Analytics?

Sí, puede traer su propio análisis personalizado, embalado en un contenedor, para ejecutarlo en AWS IoT Analytics. Puede importar su contenedor de código personalizado en un conjunto de datos de contenedor y programar la ejecución para su contenedor.

P: ¿En qué se diferencia un conjunto de datos de SQL de un conjunto de datos de contenedor?

Un conjunto de datos SQL es algo parecido a una vista materializada de una base de datos SQL. De hecho, los conjuntos de datos SQL se crean aplicando una acción SQL. Los conjuntos de datos SQL se pueden generar automáticamente de forma periódica especificando un disparador.

Un conjunto de datos de contenedor le permite ejecutar automáticamente sus herramientas de análisis y generar resultados. Aúna un conjunto de datos SQL como entrada, un contenedor de Docker con sus herramientas de análisis y archivos de biblioteca necesarios, variables de entrada y salida y un disparador de programación opcional. Las variables de entrada y salida indican a la imagen ejecutable dónde obtener los datos y almacenar los resultados. El disparador puede ejecutar el análisis cuando un conjunto de datos SQL termina de crear su contenido o de acuerdo con una expresión de programación de tiempo. Un conjunto de datos de contenedor se ejecutará automáticamente, generará y, a continuación, guardará los resultados de las herramientas de análisis.

P: ¿Qué son las ventanas de tiempo delta?

Las ventanas delta son una serie de intervalos de tiempo definidos por el usuario, no solapados y contiguos. Las ventanas delta le permiten crear contenido de conjuntos de datos y realizar análisis a partir de los datos nuevos que han llegado al almacén de datos desde el último análisis. Crea una ventana delta estableciendo el valor DeltaTime en la parte de filtros de una queryAction de un conjunto de datos. Básicamente, esto le permite filtrar los mensajes que han llegado durante una ventana de tiempo específica, para que los datos contenidos en mensajes de ventanas de tiempo anteriores no se cuenten dos veces.

P: ¿Cómo ejecuto mi contenedor de código personalizado en AWS IoT Analytics con mi programación preferida?

Puede traer su propio código de análisis personalizado, embalado en un contenedor, para ejecutarlo en AWS IoT Analytics. Puede crear un conjunto de datos de contenedor a través de la API o de la consola de AWS IoT Analytics especificando su conjunto de datos SQL, imagen de contenedor de código personalizado, variables de entrada y salida y un disparador de programación opcional como parámetro, donde un disparador puede ser un evento de creación de contenido de conjunto de datos SQL o una programación. El conjunto de datos del contenedor alimenta el contenido del conjunto de datos SQL al código analítico disponible en la imagen del contenedor y ejecuta automáticamente la imagen en función del disparador para generar información con la programación que prefiera.

P: ¿Qué políticas de retención tengo en mis canales y almacenes de datos?

Tiene la posibilidad de definir sus propias políticas de retención de datos en los canales y almacenes de datos. El período de retención puede tener el número de días de su preferencia. Si no selecciona ningún período de retención, el servicio retendrá los datos durante un período ilimitado.

P: ¿Qué tipos de formatos de mensaje se admiten con AWS IoT Analytics?

El servicio AWS IoT Analytics admite formatos binarios y JSON (JSON binario, búferes de protocolos, etc.). Si los mensajes están en formato binario, la primera actividad de su canalización debe ser la actividad de Lambda con un resultado de un JSON válido.

P: ¿Puedo volver a procesar mis datos desde un canal a una canalización?

Sí, puede volver a procesar sus datos desde el canal conectado a la canalización con StartPipelineReprocessing. Si desea volver a procesar datos de un canal con otra canalización, deberá conectar la canalización con el canal correspondiente.

P: ¿De qué manera introduzco los datos en AWS IoT Analytics con la API de incorporación?

Puede usar la API BatchPutMessage para enviar datos a AWS IoT Analytics a partir de orígenes como Amazon S3, Amazon Kinesis o cualquier otro origen de datos. Puede usar estas API dentro de su función de Lambda o cualquier otra secuencia de comandos para enviar los datos a AWS IoT Analytics. Si desea obtener más información, consulte Enviar datos desde S3 a IoT Analytics y Enviar datos desde Kinesis a IoT Analytics.

P: ¿Puedo obtener una vista previa de mis mensajes en el canal?

Sí, puede obtener una vista previa de los mensajes con la API SampleChannelData. Esta API presenta una muestra de hasta diez mensajes de su canal en todos los datos.

P: ¿Puedo simular la actividad de mi canalización?

Sí, puede usar la API RunPipelineActivity o la consola para simular la actividad de su canalización. Esta API toma la lista de datos de muestra (desde SampleChannelData o los que se suministran manualmente) para simular la actividad y provee vistas previas de los resultados.

P: ¿Qué diferencias existen entre AWS IoT Analytics y Amazon Kinesis Analytics?

AWS IoT Analytics está diseñado específicamente para la IoT y captura y almacena automáticamente la marca temporal del mensaje de manera que es fácil realizar el análisis de las series temporales. IoT Analytics también puede enriquecer los datos con metadatos del dispositivo específico como el tipo de dispositivo y la ubicación al usar el registro de AWS IoT y otras fuentes de datos públicos. IoT Analytics almacena los datos del dispositivos en un almacenamiento de datos optimizado de IoT de manera que pueda ejecutar consultas en conjuntos de datos grandes.

Amazon Kinesis Analytics es una herramienta de uso general diseñada para procesar fácilmente los datos de streaming desde dispositivos de la IoT, así como así también desde otras fuentes de datos en tiempo real.

Tabla 1: Comparación de características de AWS IoT Analytics frente a Kinesis Analytics

Características AWS IoT Analytics
Amazon Kinesis Analytics
Almacenamiento de datos de series temporales X  
Particiones de datos automáticos mediante la fecha del mensaje y la id. del dispositivo X  
Enriquecimiento de datos del dispositivo específico X  
Consultas sobre los conjuntos de datos grandes X  
Análisis de streaming   X
Procesamiento en tiempo real Latencias de minutos o segundos Latencias de segundos o milisegundos
Operaciones de ventana de tiempo   X
Analiza datos sin estructurar y crea automáticamente un esquema JSON y CSV JSON y CSV

P: ¿Cuándo uso AWS IoT Analytics y cuándo uso AWS IoT Analytics?

Puede usar AWS IoT Analytics para el análisis de la IoT. Algunos casos de uso incluyen la comprensión del desempeño del dispositivo a largo plazo, el informe comercial y el análisis ad hoc, y el mantenimiento predictivo de la flota. IoT Analytics se adapta mejor a estos casos de uso porque recolecta, prepara y almacena datos desde los dispositivos sobre las marcas temporales en un almacenamiento de datos optimizado para la IoT. IoT Analytics también enriquece los datos con metadatos del dispositivo específico como el tipo de dispositivo y la ubicación al usar el registro de AWS IoT y otras fuentes de datos públicos.

Sin embargo, si necesita analizar los datos de la IoT en tiempo real para los casos de uso como la monitorización del dispositivo, puede usar Amazon Kinesis Analytics.

Tabla 2: Casos de uso de AWS IoT Analytics frente a Kinesis Analytics

Caso de uso
AWS IoT Analytics Amazon Kinesis Analytics
Comprender las características de desempeño del dispositivo a largo plazo Sí.  Enriquecer los datos de la IoT con metadatos específicos de la IoT como el tipo de dispositivo y ubicación al usar el registro de AWS IoT y otras fuentes de datos públicos. Por ejemplo, los operadores de viñedo necesitan enriquecer los datos del sensor de humedad con la lluvia pronosticada en los viñedos de manera que sepan cuándo regar los cultivos.   No. Más adecuado para el análisis de streaming en tiempo real.
Informe comercial y análisis ad hoc de los datos de la IoT Sí. Recolectar, procesar y almacenar los datos de la IoT e integrarlos con AWS QuickSight para crear paneles e informar o usar el motor de consulta SQL incorporado para las consultas ad hoc.  Por ejemplo, agregar las fallas del sensor en una flota para informar sobre el desempeño de la flota cada semana. No. Más adecuado para desempeñar consultas de streaming en los datos de la IoT, tal como generar alertas cuando falla el sensor. 
Mantenimiento predictivo de la flota Sí. Recolectar, procesar y almacenar los datos de la IoT y usar planillas prediseñadas para crear e implementar modelos predictivos.  Por ejemplo, predecir cuándo fallarán los sistemas de climatización en los vehículos conectados de manera que el vehículo pueda redirigirse y acoplarse rápidamente para prevenir el daño del cargamento. No. El mantenimiento predictivo necesita un análisis histórico de los datos a largo plazo para crear modelos. 
Monitorización del dispositivo en tiempo real No. Sí. Kinesis Analytics puede agregar datos en las ventanas de tiempo continuamente, detectar anomalías y realizar acciones tal como el envío de alertas. Por ejemplo, Kinesis Analytics puede calcular promedios de 10 segundos escalonados cada 5 minutos de las temperaturas de la válvula en un equipo industrial y detectar cuando la temperatura excede determinados umbrales predeterminados. Entonces puede avisar a los sistemas de control para que apaguen automáticamente la maquinaria y evitar accidentes. 

P: ¿Cuándo uso AWS IoT Analytics y AWS IoT Analytics juntos?

Use AWS IoT Analytics y Amazon Kinesis juntos cuando necesite análisis históricos y en tiempo real. Por ejemplo, use Kinesis Analytics para calcular promedios de 10 segundos escalonados de las temperaturas de la válvula en un equipo industrial y detectar cuando la temperatura excede determinados umbrales predeterminados. Kinesis Analytics entonces puede avisar a los sistemas de control que apaguen automáticamente la maquinaria para evitar accidentes. Luego, use Kinesis Streams para enviar datos a IoT Analytics. Usa IoT Analytics para entender las tendencias y también para predecir cuándo debe reemplazar o reparar las válvulas.

P: Cuando se trabaja con datos de IoT, ¿cuándo debería utilizar AWS IoT Analytics frente a Amazon Kinesis Streams, Amazon Kinesis Analytics y Amazon Kinesis Firehose?

Los clientes pueden usar AWS Lambda para enviar datos de Amazon Kinesis Streams a un canal de datos de AWS IoT y luego a AWS IoT Analytics.

Amazon Kinesis Analytics está diseñada para el análisis de streaming mientras que IoT Analytics está diseñado para el análisis de datos en descanso. Los clientes que necesiten tiempo real y análisis de la IoT pueden usar una combinación de Kinesis Analytics y IoT Analytics.

Amazon Kinesis Firehose es la manera más fácil de cargar datos de streaming en los almacenes de datos de AWS Amazon S3, Amazon Redshift y Amazon Elasticsearch Service al habilitar el análisis casi en tiempo real con las herramientas de inteligencia comercial existentes. IoT Analytics no admite Kinesis Firehose como una fuente de datos.

P: ¿Cuándo uso AWS IoT Analytics y cuándo uso Amazon Kinesis Video Streams?

Amazon Kinesis Video Streams facilita transmitir vídeos, audios y otros datos codificados por tiempo de manera segura desde fuentes como cámaras, sensores de profundidad y radares a AWS para el procesamiento del lote en tiempo real en aprendizaje automático, análisis y otras aplicaciones. Kinesis Video Streams está particularmente diseñado para asimilar datos de video desde los dispositivos mientras que AWS IoT Analytics está diseñado para analizar datos de la IoT que no sean de video. En GA, no existe una integración directa entre Kinesis Video Streams y AWS IoT Core o IoT Analytics. Sin embargo, los clientes pueden consultar Kinesis Video Streams y IoT Analytics desde sus aplicaciones al usar las API.

Descubra más sobre las características de AWS IoT Analytics

Visite la página de características
¿Listo para comenzar?
Comience de forma gratuita
¿Tiene más preguntas?
Contacte con nosotros