AWS IoT Analytics 기능

AWS IoT Core를 비롯한 모든 소스에서 데이터 수집 — AWS IoT Core에서 AWS IoT Analytics로 직접 데이터를 수집합니다. 또는 BatchPutMessage API를 사용하여 Amazon S3, 아마존 키네시스 또는 기타 소스에서 AWS IoT Analytics로 데이터를 전송할 수 있습니다. AWS IoT Analytics는 AWS IoT Core 및 API와 완전히 통합되므로 연결된 디바이스에서 스트리밍되는 대로 손쉽게 메시지를 수신할 수 있습니다.

저장 및 분석하려는 데이터만 수집 — AWS IoT Analytics 콘솔을 사용하여 다양한 형식 및 빈도의 MQTT 주제 필터를 통해 디바이스로부터 메시지를 수신하도록 AWS IoT Analytics를 구성할 수 있습니다. AWS IoT Analytics는 사용자가 정의한 특정 파라미터 내에서 데이터를 확인하고, 채널을 생성합니다. 그런 다음 메시지 처리, 변환, 보강을 위해 적절한 파이프라인으로 채널을 라우팅합니다.

정리 및 필터링 — AWS IoT Analytics에서는 AWS IoT Analytics에서 누락된 데이터를 탐지할 때 트리거할 수 있는 AWS Lambda 함수를 정의할 수 있으므로 코드를 실행하여 격차를 추정하고 채울 수 있습니다. 또한 최대/최소 필터 및 백분위수 임계값을 정의하여 데이터에서 이상값을 제거할 수 있습니다.

변환 — AWS IoT Analytics는 사용자가 정의한 수학 또는 조건부 논리를 사용하여 메시지를 변환할 수 있으므로 섭씨에서 화씨로의 변환과 같은 일반적인 계산을 수행할 수 있습니다.

보강 - AWS IoT Analytics는 일기 예보 정보와 같은 외부 데이터 소스를 통해 데이터를 보강하고, 데이터를 AWS IoT Analytics 데이터 스토어로 라우팅할 수 있습니다.

재처리 - AWS IoT Analytics는 파이프라인에 연결된 채널의 원시 데이터를 재처리할 수 있습니다. 원시 데이터를 재처리하면 새로운 파이프라인을 생성하거나 이전 파이프라인을 다시 방문할 수 있으므로 새로운 데이터 및 기록 데이터를 캡처하거나, 파이프라인을 변경하거나, 단순히 데이터를 다른 방식으로 처리할 수 있습니다. 이러한 기능은 더 깊은 통찰력을 확보하거나 가설을 테스트하는 데 주로 필요합니다. 파이프라인을 재처리할 해당 채널에 연결하기만 하면 됩니다.

시계열 데이터 스토어 - AWS IoT Analytics는 분석을 위해 IoT에 최적화된 시계열 데이터 스토어로 디바이스 데이터를 저장합니다. 액세스 권한을 관리하고, 데이터 보존 정책을 구현하고, 데이터를 외부 액세스 포인트로 내보낼 수 있습니다.

처리된 데이터 및 원시 데이터 저장 - AWS IoT Analytics는 처리된 데이터를 저장하며, 원시 수집 데이터 또한 자동으로 저장하여 나중에 이를 처리할 수 있습니다.

임시 또는 예정된 SQL 쿼리 실행 – AWS IoT Analytics는 내장 SQL 쿼리 엔진을 제공하므로 임시 또는 예정된 쿼리를 실행하고 결과를 빠르게 얻을 수 있습니다. 예를 들어 플릿의 각 디바이스당 월 유효 사용자가 몇 명인지 알기 위해 빠르게 쿼리를 실행할 수 있습니다.

시계열 분석 - AWS IoT Analytics는 시계열 분석을 지원합니다. 따라서 시간에 따른 디바이스의 성능을 분석하고 디바이스가 어떻게 사용되는지 이해할 수 있습니다. 또한 지속적으로 디바이스 데이터를 모니터링하여 유지 관리 문제를 예측하고, 센서를 모니터링하여 환경 조건을 예측하고 대응할 수 있습니다.

호스팅된 노트북을 통한 정교한 분석 및 기계 학습 - AWS IoT Analytics에는 통계 분석 및 기계 학습을 위한 Jupyter 노트북 호스팅 지원 기능이 포함되어 있습니다. 이 서비스에는 AWS가 만든 기계 학습 모델과 시각화를 포함하는 사전 작성된 노트북 템플릿 집합이 포함되어 있습니다. 이는 디바이스 고장 프로파일링, 고객의 제품 포기의 신호가 될 수 있는 낮은 사용량 등의 이벤트 예측 또는 고객 사용 수준(예: 과중 사용자, 주말 사용자)이나 디바이스 상태를 기준으로 한 디바이스 세분화와 관련된 IoT 사용 사례를 시작하는 데 도움이 됩니다.

통계 분류는 로지스틱 회귀라고 하는 방법을 통해 수행할 수 있습니다. 시간이 지나면서 변화하는 프로세스의 출력 또는 상태를 예측하기 위한 강력한 신경망 기법인 LSTM(Long-Short-Term Memory)도 사용할 수 있습니다 사전 빌드된 노트북 템플릿은 또한 디바이스 세그먼트화에 대해 K-평균 클러스터링 알고리즘을 지원합니다. 이는 디바이스를 유사한 디바이스 집단으로 클러스터링합니다. 이러한 템플릿은 일반적으로 초콜릿 공장의 HVAC 장치 또는 풍력 터빈 블레이드의 마모 같은 디바이스 상태를 프로파일링하는 데 사용됩니다.

사용자 지정 컨테이너 사용 - AWS IoT Analytics는 AWS IoT Analytics 또는 Matlab이나 Octave와 같은 타사 제품에 빌드된 사용자 지정 작성 코드 컨테이너를 가져와 경쟁에서 돋보이는 데 집중하는 시간을 제공합니다. 타사 도구에서 생성된 기존 분석을 재생성할 필요가 없습니다. 단순히 AWS IoT Analytics에 있는 분석 컨테이너를 가져와 필요한 대로 실행하면 됩니다.

Jupyter 노트북을 사용하는 경우 버튼 클릭 몇 번만으로 Jupyter 노트북 코드의 실행 가능한 컨테이너 이미지를 생성하고 AWS IoT Analytics 콘솔에서 컨테이너 분석을 시각화합니다.

컨테이너 실행 자동화 - AWS IoT Analytics를 사용하여 사용자 지정 작성 분석 코드 또는 Jupyter 노트북을 호스팅하는 컨테이너 실행을 자동화하여 지속적인 분석을 수행할 수 있습니다. 비즈니스 요구 사항에 맞는 반복 일정으로 사용자 지정 분석 실행을 예약할 수 있습니다.

사용자 지정 시간대를 통한 증분 데이터 캡처 - AWS IoT Analytics를 통해 사용자는 지난 분석 이후 캡처된 새 증분 데이터에 대한 분석을 수행할 수 있습니다. 새 데이터를 정밀하게 스캔하여 분석 효율성을 개선하고 비용을 줄일 수 있습니다. 마지막 분석을 언제 실행했는지에 관계없이 사용자 지정 시간대로 마지막 분석 이후 새 데이터를 캡처합니다.

QuickSight 통합 - AWS IoT Analytics는 Amazon QuickSight 커넥터를 제공하여 QuickSight 대시보드에서 데이터를 시각화할 수 있습니다. 또한 AWS IoT Analytics 콘솔의 임베디드 Jupyter Notebooks에서 결과 또는 임시 분석을 시각화할 수 있습니다.