AWS IoT Analytics automatise toutes les étapes nécessaires pour analyser les données IoT. AWS IoT Analytics peut accepter des données de n'importe quelle source comme Amazon Kinesis, S3 ou toute autre source, grâce à une API BatchPutMessage. De plus, le service s'intègre entièrement à AWS IoT Core pour simplifier la collecte et commencer à effectuer des analyses. Tout d'abord, vous définissez un canal en utilisant les filtres de sujet de MQTT pour indiquer uniquement les données que vous voulez stocker et analyser. Une fois que le canal est paramétré, vous configurez un pipeline pour traiter vos données. Le pipeline peut réaliser des transformations de données, exécuter des déclarations conditionnelles et enrichir les messages avec des données provenant de sources externes.

Après le traitement des données, AWS IoT Analytics les stocke dans un magasin de données temporelles pour analyse. Puis, vous pouvez exécuter des requêtes ad hoc ou planifiées en utilisant le moteur de requêtes SQL intégré afin de répondre à des questions métier spécifiques ou de réaliser des analyses plus sophistiquées et de l'apprentissage machine.

Fonctionnalités principales

Collecte

Intégration des données de n'importe quelle source dont AWS IoT Core : inégrez des données directement d'AWS IoT Core vers AWS IoT Analytics. Sinon, utilisez l'API BatchPutMessage pour envoyer vos données vers IoT Analytics depuis Amazon S3, Amazon Kinesis ou de toute autre source. Avec l'intégration complète d'IoT Analytics à AWS IoT Core et à l'API, il est facile de recevoir des messages d'appareils connectés diffusant en entrée.

Collecte uniquement les données que vous voulez stocker et analyser : vous utilisez la console AWS IoT Analytics pour configurer AWS IoT Analytics afin de recevoir des messages venant des dispositifs et passant par les filtres de sujet de MQTT, dans différents formats et à des fréquences différentes. IoT Analytics valide le fait que les données se trouvent au sein des paramètres spécifiques que vous définissez et crée les canaux. Puis, le service dirige les canaux vers les pipelines appropriés pour le traitement, la transformation et l'enrichissement du message.

Traitement

Nettoie et filtre  : AWS IoT Analytics vous permet de définir les fonctions AWS Lambda qui peuvent être déclenchées lorsqu'IoT Analytics détecte des données manquantes. Vous pouvez donc exécuter le code pour estimer et combler les trous. Vous pouvez également définir les filtres maximum/minimum et les seuils en centiles pour retirer les cas particuliers de vos données.

Transforme : AWS IoT Analytics peut transformer les messages en utilisant la logique mathématique ou conditionnelle que vous définissez, si bien que vous pouvez réaliser des calculs communs comme une conversion de degrés Celsius en degrés Fahrenheit.
 
Enrichit : AWS IoT Analytics peut enrichir les données avec des sources de données externes, telles que des informations de prévisions météorologiques, puis acheminer les données vers le magasin de données d'IoT Analytics.
 
Retraitement : AWS IoT Analytics est en mesure de retraiter des données brutes du canal connecté au pipeline. Le retraitement de vos données brutes vous apporte la flexibilité nécessaire à la création d'un nouveau pipeline ou pour revisiter un ancien pipeline pour pouvoir capturer des données anciennes et historiques, apporter des modifications à votre pipeline ou simplement traiter vos données d'une manière différente. Cette capacité est souvent requise pour obtenir des informations plus approfondies ou tester une hypothèse. Connectez simplement le pipeline au canal approprié pour le retraitement.
 

Stockage

Magasin de données temporelles : AWS IoT Analytics stocke les données des périphériques dans un magasin de données temporelles optimisé pour l'IoT afin de les analyser. Vous pouvez gérer les permissions d'accès, mettre en place des politiques de rétention des données et exporter vos données sur des points d'accès externes.

Stockage des données traitées et brutes : AWS IoT Analytics stocke les données traitées et stocke automatiquement les données brutes ingérées afin que vous puissiez les traiter plus tard.

Analyse

Exécution des requêtes SQL ad hoc ou planifiées : AWS IoT Analytics offre un moteur de requêtes SQL intégré afin que vous puissiez exécuter des requêtes ad hoc ou planifiées et obtenir rapidement des résultats. Par exemple, vous pouvez exécuter une requête rapide pour savoir combien d'utilisateurs sont actifs chaque mois pour chacun des périphériques de votre flotte.

Analyse temporelle : AWS IoT Analytics prend également en charge les analyses temporelles. Il est possible d'analyser les performances des périphériques dans le temps, d'étudier comment et où ils sont utilisés, de surveiller en continu les données des périphériques pour prévoir les problèmes de maintenance et de suivre les capteurs pour prédire et s'adapter aux conditions environnementales.

Notebooks hébergés pour des analyses sophistiquées et de l'apprentissage machine : AWS IoT Analytics comprend une assistance pour héberger dans les notebooks Jupyter pour l'analyse statistique et l'apprentissage machine. Le service inclut un ensemble de modèles notebook préconçus qui contiennent des modèles d'apprentissage machine et des visualisations rédigées par AWS, afin de vous aider à démarrer avec les cas d'utilisation de l'IoT concernant le profilage des défaillances des périphériques, la prévision des événements tels qu'un usage réduit qui signifie que le client compte abandonner le produit ou la segmentation des périphériques suivant les niveaux d'utilisation du client (par exemple, les grands utilisateurs, les utilisateurs ponctuels) ou la santé du périphérique.

Vous pouvez réaliser une classification statistique grâce à une méthode appelée régression logistique. Vous pouvez également utiliser la technique LSTM (Long-Short-Term Memory) qui est une technique de réseau neuronal puissante pour la prédiction des résultats ou l'état d'un processus qui change au cours du temps. Les modèles notebook préconçus prennent également en charge l'algorithme des clusters en k-moyennes pour la segmentation des dispositifs, c'est-à-dire les clusters qui vont diviser vos périphériques en groupes de périphériques se ressemblant. Ces modèles sont typiquement utilisés pour profiler la santé et l'état des périphériques, tels que les unités HVAC dans une chocolaterie ou l'usure des pales d'une éolienne.

Visualisation

Intégration QuickSight : AWS IoT Analytics offre un connecteur à Amazon QuickSight, si bien que vous pouvez visualiser vos ensembles de données dans un tableau de bord QuickSight. Vous pouvez également visualiser les résultats de votre analyse ad hoc dans les notebooks Jupyter intégrés dans la console IoT Analytics.

En savoir plus sur la tarification d'AWS IoT Analytics

Visiter la page de tarification
Prêt à vous lancer ?
Démarrez avec notre offre gratuite
D'autres questions ?
Contactez-nous