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

Collecte des seules données que vous voulez stocker et analyser – Vous utilisez la console AWS IoT Analytics pour configurer AWS IoT Analytics afin de recevoir les messages des périphériques via des filtres de rubrique MQTT dans différents formats et à des fréquences différentes. AWS IoT Analytics valide le fait que les données figurent au sein de paramètres spécifiques que vous définissez et crée des canaux. Ensuite, le service dirige les canaux vers les pipelines appropriés pour le traitement, la transformation et l'enrichissement des messages.

Nettoyage et filtrage – AWS IoT Analytics vous permet de définir des fonctions AWS Lambda qui peuvent agir comme déclencheurs lorsqu'AWS IoT Analytics détecte des données manquantes, afin que vous puissiez exécuter du code pour évaluer et combler les lacunes. Vous pouvez aussi définir les filtres max/min et les seuils de percentile pour supprimer les valeurs hors norme dans vos données.

Exécution des requêtes SQL ad hoc ou planifiées – AWS IoT Analytics fournit un moteur de requête SQL intégré pour 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 chaque périphérique de votre parc.

Analyse en séries chronologiques – AWS IoT Analytics prend en charge l'analyse en séries chronologiques. Vous pouvez ainsi analyser les performances des périphériques dans le temps et comprendre comment et où ils sont utilisés, surveiller continuellement les données des périphériques pour prévoir les problèmes de maintenance et surveiller les capteurs pour prévoir les conditions environnementales et agir en conséquence.

Blocs-notes hébergés pour des analyses et un apprentissage automatique sophistiqués – AWS IoT Analytics comprend la prise en charge des blocs-notes Jupyter hébergés en vue d'analyses statistiques et d'un apprentissage automatique. Le service inclut un ensemble de modèles de blocs-notes préconçus qui contiennent des visualisations et des modèles d'apprentissage automatique élaborés par AWS pour vous aider à démarrer avec les cas d'utilisation de l'IoT concernant le profilage des défaillances des périphériques, la prévision des événements (par exemple, une baisse d'utilisation peut indiquer que le client va abandonner le produit) ou la segmentation des périphériques par niveaux d'utilisation client (par exemple, utilisateurs intensifs ou utilisateurs du week-end) ou selon la santé des périphériques.

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 permettant de prédire les résultats ou l'état d'un processus qui change au cours du 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 généralement utilisés pour profiler la santé et l'état de périphériques, tels que les unités CVC d'une chocolaterie ou l'usure des pales d'une éolienne.

Apportez votre conteneur personnalisé – AWS IoT Analytics importera vos conteneurs de code personnalisé, générés dans AWS IoT Analytics ou un produit tiers, tel que Matlab, Octave, etc., ce qui vous laisse plus de temps pour vous concentrer sur les éléments qui vous différencient de vos concurrents. Vous n'avez pas besoin de recréer les analyses existantes créées dans les outils tiers. Importez simplement votre conteneur d'analyses dans AWS IoT Analytics et exécutez-le selon vos besoins.

Si vous utilisez des blocs-notes Jupyter, créez simplement une image de conteneur exécutable de votre code de bloc-notes Jupyter en un seul clic sur un bouton, et visualisez votre analyse de conteneur dans la console AWS IoT Analytics.

Automatisation de l'exécution de conteneurs – AWS IoT Analytics vous permet d'automatiser l'exécution de conteneurs hébergeant du code d'analyse personnalisée ou des blocs-notes Jupyter pour effectuer une analyse continue. Vous pouvez planifier l'exécution de votre analyse personnalisée selon le calendrier récurrent qui répond le mieux aux besoins de votre activité.

Capture de données incrémentielles à l'aide de fenêtres temporelles personnalisables – AWS IoT Analytics permet aux utilisateurs d'effectuer une analyse sur de nouvelles données incrémentielles capturées depuis la dernière analyse. Vous pouvez améliorer l'efficacité de l'analyse tout en réduisant les coûts en analysant précisément les données nouvelles uniquement. Peu importe quand la dernière analyse a eu lieu, les fenêtres temporelles personnalisables capturent pour vous les nouvelles données depuis la dernière analyse.

Intégration de QuickSight – AWS IoT Analytics fournit un connecteur pour Amazon QuickSight afin que vous puissiez visualiser vos ensembles de données dans un tableau de bord QuickSight. Vous pouvez aussi visualiser les résultats ou votre analyse ad-hoc dans le bloc-notes Jupyter intégré à la console AWS IoT Analytics.