AWS IoT Analytics автоматизирует все шаги, необходимые для запуска аналитики данных IoT. Он полностью интегрирован с AWS IoT Core, что облегчает сбор данных и начало анализа. Сначала определите канал, используя фильтры тем MQTT, чтобы указать только те данные, которые нужно сохранить и проанализировать. Когда настройка канала выполнена, настройте конвейер обработки данных. Конвейер может выполнять преобразования данных, запускать условные операторы и дополнять сообщения данными из внешних источников.

После обработки данных AWS IoT Analytics помещает их в хранилище данных временного ряда для анализа. После этого можно запускать спонтанные запросы с помощью встроенной системы обработки SQL-запросов для ответа на конкретные бизнес-вопросы или выполнять более сложный анализ и машинное обучение.

Основные возможности

Сбор

Интеграция с AWS IoT Core. AWS IoT Analytics полностью интегрирован с AWS IoT Core, что позволяет просто получать сообщения от подключенных устройств по мере их поступления.

Сбор только тех данных, которые нужно сохранить и проанализировать: консоль AWS IoT Analytics позволяет настроить AWS IoT Analytics для приема сообщений с устройств с помощью фильтров тем MQTT различного формата и частоты. IoT Analytics проверяет, что данные находятся в диапазонах, которые заданы в настройках, и создает каналы. Затем сервис направляет каналы к соответствующим конвейерам для обработки, преобразования и дополнения сообщений.

Обработка

Очистка и фильтрация. AWS IoT Analytics позволяет указать функции AWS Lambda, которые требуется запускать, когда IoT Analytics обнаруживает отсутствующие данные, что позволяет исполнять код для оценки и заполнения пробелов. Можно также определить максимальные/минимальные фильтры и процентильные пороги, чтобы удалить из данных посторонние значения.

Трансформация . AWS IoT Analytics может преобразовывать сообщения, используя математическую или условную логику, заданную пользователем. Это позволяет выполнять простые вычисления, например преобразование из градусов по Цельсию в градусы по Фаренгейту.
 
Дополнение. AWS IoT Analytics может дополнять получаемые данные из внешних источников, например из информации о прогнозе погоды, а затем направлять данные в хранилище данных IoT Analytics.

Хранение

Хранилище данных временных рядов. AWS IoT Analytics хранит данные устройства в оптимизированном для Интернета вещей (IoT) хранилище данных временных рядов для анализа. Сервис позволяет управлять разрешениями для доступа к хранилищу, внедрять политики хранения данных и экспортировать свои данные во внешние точки доступа.

Хранение обработанных и исходных данных. AWS IoT Analytics хранит обработанные данные, а также автоматически сохраняет собранные необработанные данные, чтобы можно было обработать их в будущем.

Анализ

Выполнение спонтанных SQL-запросов. AWS IoT Analytics предоставляет встроенную систему обработки SQL-запросов, позволяющую выполнять спонтанные запросы и быстро получать результаты. Например, можно выполнить быстрый запрос, чтобы узнать, сколько ежемесячных активных пользователей бывает у каждого используемого устройства.

Анализ временных рядов. AWS IoT Analytics также поддерживает анализ временных рядов, что позволяет анализировать изменение производительности устройств с течением времени и понимать, как и где они используются, постоянно контролировать данные устройств для прогнозирования проблем, связанных с обслуживанием, и выполнять мониторинг датчиков для прогнозирования условий окружающей среды и реагирования на них.

Размещенные блокноты для сложной аналитики и машинного обучения. AWS IoT Analytics включает поддержку размещенных блокнотов Jupyter для статистического анализа и машинного обучения. Сервис включает набор готовых шаблонов для блокнотов, в которых содержатся модели машинного обучения и визуализации, созданные AWS. Они помогают начать работу с примерами использования IoT, связанными с профилированием сбоев устройства, прогнозированием таких событий, как малоэффективное использование (которое может говорить о том, что клиент откажется от продукта), или сегментированием устройств по работоспособности устройства и уровням использования (например, постоянные пользователи или пользователи выходного дня).

Можно выполнять статистическую классификацию с помощью метода логистической регрессии. Кроме того, можно использовать долгую краткосрочную память (LSTM), которая является мощной методикой нейронной сети для прогнозирования вывода или состояния процесса, изменяющегося со временем. Предварительно созданные шаблоны электронных книг также поддерживают алгоритм кластеризации методом K-средних для сегментации устройства, который кластеризует используемые устройства в группы подобных устройств. Эти шаблоны обычно используются для определения исправности и состояния устройств, например состояния блоков отопления, вентиляции и кондиционирования на фабрике шоколада или износа лопаток на ветряной турбине.

Визуализация

Интеграция с QuickSight. AWS IoT Analytics предоставляет коннектор для Amazon QuickSight, что дает возможность визуализировать данные на панели инструментов QuickSight. Дополнительно можно визуализировать результаты или спонтанный анализ во встроенных блокнотах Jupyter в консоли IoT Analytics.

Подробнее о ценах на AWS IoT Analytics

Перейти на страницу цен