Δημιουργήστε έναν ανιχνευτή ανωμαλιών ποιότητας αέρα χρησιμοποιώντας το Amazon Lookout for Metrics

Σήμερα, η ατμοσφαιρική ρύπανση είναι ένα γνωστό περιβαλλοντικό ζήτημα που δημιουργεί σοβαρές αναπνευστικές και καρδιακές παθήσεις, οι οποίες αποτελούν σοβαρές απειλές για την υγεία. Η όξινη βροχή, η εξάντληση της στιβάδας του όζοντος και η υπερθέρμανση του πλανήτη είναι επίσης δυσμενείς συνέπειες της ατμοσφαιρικής ρύπανσης. Υπάρχει ανάγκη για έξυπνη παρακολούθηση και αυτοματισμό προκειμένου να αποφευχθούν σοβαρά προβλήματα υγείας και σε ακραίες περιπτώσεις απειλητικές για τη ζωή καταστάσεις. Η ποιότητα του αέρα μετριέται χρησιμοποιώντας τη συγκέντρωση των ρύπων στον αέρα. Ο έγκαιρος εντοπισμός των συμπτωμάτων και ο έλεγχος του επιπέδου των ρύπων πριν είναι επικίνδυνος είναι ζωτικής σημασίας. Η διαδικασία αναγνώρισης της ποιότητας του αέρα και της ανωμαλίας στο βάρος των ρύπων και η γρήγορη διάγνωση της βασικής αιτίας είναι δύσκολη, δαπανηρή και επιρρεπής σε σφάλματα.

Η διαδικασία εφαρμογής λύσεων που βασίζονται σε τεχνητή νοημοσύνη και μηχανική μάθηση (ML) για την εύρεση ανωμαλιών δεδομένων περιλαμβάνει μεγάλη πολυπλοκότητα στην πρόσληψη, επιμέλεια και προετοιμασία δεδομένων στη σωστή μορφή και στη συνέχεια βελτιστοποίηση και διατήρηση της αποτελεσματικότητας αυτών των μοντέλων ML για μεγάλες περιόδους χρόνος. Αυτό ήταν ένα από τα εμπόδια στη γρήγορη εφαρμογή και κλιμάκωση της υιοθέτησης των δυνατοτήτων ML.

Αυτή η ανάρτηση σάς δείχνει πώς να χρησιμοποιήσετε μια ολοκληρωμένη λύση με Αναζήτηση Amazon για μετρήσεις και Firehose δεδομένων Amazon Kinesis για να σπάσετε αυτά τα εμπόδια με γρήγορη και εύκολη απορρόφηση δεδομένων ροής και, στη συνέχεια, ανιχνεύοντας ανωμαλίες στους βασικούς δείκτες απόδοσης που σας ενδιαφέρουν.

Το Lookout for Metrics εντοπίζει αυτόματα και διαγιγνώσκει ανωμαλίες (εκτός από τον κανόνα) σε επιχειρηματικά και λειτουργικά δεδομένα. Είναι μια πλήρως διαχειριζόμενη υπηρεσία ML που χρησιμοποιεί εξειδικευμένα μοντέλα ML για τον εντοπισμό ανωμαλιών με βάση τα χαρακτηριστικά των δεδομένων σας. Για παράδειγμα, οι τάσεις και η εποχικότητα είναι δύο χαρακτηριστικά των μετρήσεων χρονοσειρών στις οποίες ο εντοπισμός ανωμαλιών με βάση το όριο δεν λειτουργεί. Οι τάσεις είναι συνεχείς διακυμάνσεις (αυξήσεις ή μειώσεις) στην τιμή μιας μέτρησης. Από την άλλη πλευρά, η εποχικότητα είναι περιοδικά μοτίβα που εμφανίζονται σε ένα σύστημα, συνήθως ανεβαίνουν πάνω από μια βασική γραμμή και στη συνέχεια μειώνονται ξανά. Δεν χρειάζεστε εμπειρία ML για να χρησιμοποιήσετε το Lookout for Metrics.

Επιδεικνύουμε ένα κοινό σενάριο παρακολούθησης της ποιότητας του αέρα, στο οποίο ανιχνεύουμε ανωμαλίες στη συγκέντρωση ρύπων στον αέρα. Μέχρι το τέλος αυτής της ανάρτησης, θα μάθετε πώς να χρησιμοποιείτε αυτές τις διαχειριζόμενες υπηρεσίες από το AWS για να βοηθήσετε στην πρόληψη προβλημάτων υγείας και της υπερθέρμανσης του πλανήτη. Μπορείτε να εφαρμόσετε αυτήν τη λύση σε άλλες περιπτώσεις χρήσης για καλύτερη διαχείριση του περιβάλλοντος, όπως η ανίχνευση ανωμαλιών στην ποιότητα του νερού, στην ποιότητα της γης και στα πρότυπα κατανάλωσης ενέργειας, για να αναφέρουμε μερικές.

Επισκόπηση λύσεων

Η αρχιτεκτονική αποτελείται από τρία λειτουργικά μπλοκ:

• Ασύρματοι αισθητήρες τοποθετημένοι σε στρατηγικές τοποθεσίες για να ανιχνεύουν το επίπεδο συγκέντρωσης μονοξειδίου του άνθρακα (CO), διοξειδίου του θείου (SO2) και διοξειδίου του αζώτου (NO2) στον αέρα
• Απορρόφηση και αποθήκευση δεδομένων ροής
• Ανίχνευση και ειδοποίηση ανωμαλιών

Η λύση παρέχει μια πλήρως αυτοματοποιημένη διαδρομή δεδομένων από τους αισθητήρες σε όλη τη διαδρομή μέχρι μια ειδοποίηση που υποβάλλεται στον χρήστη. Μπορείτε επίσης να αλληλεπιδράσετε με τη λύση χρησιμοποιώντας τη διεπαφή χρήστη Lookout for Metrics για να αναλύσετε τις εντοπισμένες ανωμαλίες.

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεών μας.

Προϋποθέσεις

Χρειάζεστε τις ακόλουθες προϋποθέσεις για να μπορέσετε να προχωρήσετε στη λύση. Για αυτήν την ανάρτηση, χρησιμοποιούμε την περιοχή us-east-1.

1. Κατεβάστε το σενάριο Python (public.py) και αρχείο δεδομένων από το GitHub repo.
2. Ανοίξτε το live_data.csv αρχείο στο πρόγραμμα επεξεργασίας που προτιμάτε και αντικαταστήστε τις ημερομηνίες για να είναι η σημερινή και η αυριανή ημερομηνία. Για παράδειγμα, αν η σημερινή ημερομηνία είναι 8 Ιουλίου 2022, τότε αντικαταστήστε 2022-03-25 με 2022-07-08. Διατηρήστε τη μορφή ίδια. Αυτό απαιτείται για την προσομοίωση δεδομένων αισθητήρα για την τρέχουσα ημερομηνία χρησιμοποιώντας το σενάριο προσομοιωτή IoT.
3. Δημιουργία ενός Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος και ένας φάκελος με το όνομα air-quality. Δημιουργήστε έναν υποφάκελο μέσα air-quality το όνομά του historical. Για οδηγίες, δείτε Δημιουργία φακέλου.
4. Ανεβάστε το live_data.csv αρχείο στον κάδο root S3 και historical_data.json στον ιστορικό φάκελο.
5. Δημιουργία ενός AWS Cloud9 περιβάλλον ανάπτυξης, το οποίο χρησιμοποιούμε για την εκτέλεση του προγράμματος προσομοιωτή Python για τη δημιουργία δεδομένων αισθητήρα για αυτήν τη λύση.

Απορροφήστε και μετασχηματίστε δεδομένα χρησιμοποιώντας AWS IoT Core και Kinesis Data Firehose

Χρησιμοποιούμε μια ροή παράδοσης Kinesis Data Firehose για την απορρόφηση των δεδομένων ροής από AWS Core IoT και παραδώστε το στο Amazon S3. Ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα Kinesis Data Firehose, επιλέξτε Δημιουργία ροής παράδοσης.
2. Για Πηγή, επιλέξτε Απευθείας ΠΟΥ.
3. Για Προορισμός, επιλέξτε Amazon S3.
4. Για Όνομα ροής παράδοσης, εισαγάγετε ένα όνομα για τη ροή παράδοσης.
   
5. Για Κάδος S3, εισάγετε ως προαπαιτούμενο τον κάδο που δημιουργήσατε.
6. Εισαγάγετε τιμές για Πρόθεμα κάδου S3 και Πρόθεμα εξόδου σφάλματος κάδου S3.Ένα από τα βασικά σημεία που πρέπει να σημειωθεί είναι η διαμόρφωση του προσαρμοσμένου προθέματος που έχει ρυθμιστεί για τον προορισμό Amazon S3. Αυτό το μοτίβο προθέματος διασφαλίζει ότι τα δεδομένα δημιουργούνται στον κάδο S3 σύμφωνα με την ιεραρχία προθέματος που αναμένεται από το Lookout for Metrics. (Περισσότερα για αυτό αργότερα σε αυτήν την ανάρτηση.) Για περισσότερες πληροφορίες σχετικά με τα προσαρμοσμένα προθέματα, βλ Προσαρμοσμένα προθέματα για αντικείμενα Amazon S3.
   
7. Για Διάστημα buffer, εισαγω 60.
   
8. Επιλέξτε Δημιουργία ή ενημέρωση ρόλου IAM.
9. Επιλέξτε Δημιουργία ροής παράδοσης.
   
   Τώρα διαμορφώνουμε το AWS IoT Core και τρέχουμε το πρόγραμμα προσομοιωτή ποιότητας αέρα.
10. Στην κονσόλα AWS IoT Core, δημιουργήστε μια πολιτική AWS IoT καλείται διαχειριστής.
11. Στο παράθυρο πλοήγησης κάτω Δρομολόγηση μηνυμάτων, επιλέξτε Κανόνες που.
12. Επιλέξτε Δημιουργήστε κανόνα.
13. Δημιουργήστε έναν κανόνα με το Δράση Kinesis Data Firehose(firehose)..
    Αυτό στέλνει δεδομένα από ένα μήνυμα MQTT σε μια ροή παράδοσης Kinesis Data Firehose.
14. Επιλέξτε Δημιουργία.
    
15. Δημιουργήστε ένα πράγμα AWS IoT με όνομα Test-Thing και επισυνάψτε την πολιτική που δημιουργήσατε.
16. Πραγματοποιήστε λήψη του πιστοποιητικού, του δημόσιου κλειδιού, του ιδιωτικού κλειδιού, του πιστοποιητικού συσκευής και της CA ρίζας για το AWS IoT Core.
17. Αποθηκεύστε καθένα από τα ληφθέντα αρχεία στο certificates υποκατάλογο που δημιουργήσατε νωρίτερα.
    
18. Ανεβάστε το public.py στο iot-test-publish φάκελο.
19. Στην κονσόλα AWS IoT Core, στο παράθυρο πλοήγησης, επιλέξτε ρυθμίσεις.
20. Κάτω από Προσαρμοσμένο τελικό σημείο, αντιγράψτε το τελικό σημείο.
    Αυτή η προσαρμοσμένη διεύθυνση URL τελικού σημείου AWS IoT Core είναι προσωπική για τον λογαριασμό και την περιοχή σας AWS.
21. Αντικαταστήστε customEndpointUrl με το προσαρμοσμένο URL τελικού σημείου AWS IoT Core, πιστοποιητικά με το όνομα του πιστοποιητικού και Your_S3_Bucket_Name με το όνομα του κάδου σας S3.
    Στη συνέχεια, εγκαθιστάτε το pip και το AWS IoT SDK για Python.
22. Συνδεθείτε στο AWS Cloud9 και δημιουργήστε έναν κατάλογο εργασίας στο περιβάλλον ανάπτυξής σας. Για παράδειγμα: aq-iot-publish.
23. Δημιουργήστε έναν υποκατάλογο για πιστοποιητικά στον νέο σας κατάλογο εργασίας. Για παράδειγμα: certificates.
24. Εγκαταστήστε το AWS IoT SDK για Python v2 εκτελώντας τα παρακάτω από τη γραμμή εντολών.

    pip install awsiotsdk

25. Για να ελέγξετε τη γραμμή δεδομένων, εκτελέστε την ακόλουθη εντολή:

    python3 publish.py

Μπορείτε να δείτε το ωφέλιμο φορτίο στο παρακάτω στιγμιότυπο οθόνης.

Τέλος, τα δεδομένα παραδίδονται στον καθορισμένο κάδο S3 στη δομή του προθέματος.

Τα δεδομένα των αρχείων είναι τα εξής:

• {"TIMESTAMP":"2022-03-20 00:00","LOCATION_ID":"B-101","CO":2.6,"SO2":62,"NO2":57}
• {"TIMESTAMP":"2022-03-20 00:05","LOCATION_ID":"B-101","CO":3.9,"SO2":60,"NO2":73}

Οι χρονικές σημάνσεις δείχνουν ότι κάθε αρχείο περιέχει δεδομένα για διαστήματα 5 λεπτών.

Με ελάχιστο κωδικό, έχουμε πλέον απορροφήσει τα δεδομένα του αισθητήρα, δημιουργήσαμε μια ροή εισόδου από τα δεδομένα που απορροφήθηκαν και αποθηκεύσαμε τα δεδομένα σε έναν κάδο S3 με βάση τις απαιτήσεις για το Lookout for Metrics.

Στις επόμενες ενότητες, ρίχνουμε μια πιο βαθιά ματιά στις δομές στο Lookout for Metrics και πόσο εύκολο είναι να διαμορφώσετε αυτές τις έννοιες χρησιμοποιώντας την κονσόλα Lookout for Metrics.

Δημιουργήστε έναν ανιχνευτή

Ένας ανιχνευτής είναι ένας πόρος Lookout for Metrics που παρακολουθεί ένα σύνολο δεδομένων και εντοπίζει ανωμαλίες σε μια προκαθορισμένη συχνότητα. Οι ανιχνευτές χρησιμοποιούν ML για να βρουν μοτίβα στα δεδομένα και να διακρίνουν μεταξύ των αναμενόμενων διακυμάνσεων στα δεδομένα και των νόμιμων ανωμαλιών. Για να βελτιώσει την απόδοσή του, ένας ανιχνευτής μαθαίνει περισσότερα για τα δεδομένα σας με την πάροδο του χρόνου.

Στην περίπτωση χρήσης μας, ο ανιχνευτής αναλύει δεδομένα από τον αισθητήρα κάθε 5 λεπτά.

Για να δημιουργήσετε τον ανιχνευτή, μεταβείτε στην κονσόλα Lookout for Metrics και επιλέξτε Δημιουργήστε ανιχνευτή. Δώστε το όνομα και την περιγραφή (προαιρετικά) για τον ανιχνευτή, μαζί με το διάστημα των 5 λεπτών.

Τα δεδομένα σας κρυπτογραφούνται από προεπιλογή με ένα κλειδί που κατέχει και διαχειρίζεται η AWS για λογαριασμό σας. Μπορείτε επίσης να διαμορφώσετε εάν θέλετε να χρησιμοποιήσετε διαφορετικό κλειδί κρυπτογράφησης από αυτό που χρησιμοποιείται από προεπιλογή.

Τώρα ας κατευθύνουμε αυτόν τον ανιχνευτή στα δεδομένα στα οποία θέλετε να εκτελεί την ανίχνευση ανωμαλιών.

Δημιουργήστε ένα σύνολο δεδομένων

Ένα σύνολο δεδομένων λέει στον ανιχνευτή πού να βρει τα δεδομένα σας και ποιες μετρήσεις να αναλύσει για ανωμαλίες. Για να δημιουργήσετε ένα σύνολο δεδομένων, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα Amazon Lookout for Metrics, μεταβείτε στον ανιχνευτή σας.
2. Επιλέξτε Προσθέστε ένα σύνολο δεδομένων.
   
3. Για Όνομα, εισαγάγετε ένα όνομα (για παράδειγμα, air-quality-dataset).
4. Για Πηγή δεδομένων, επιλέξτε την πηγή δεδομένων σας (για αυτήν την ανάρτηση, Amazon S3).
   
5. Για Λειτουργία ανιχνευτή, επιλέξτε τη λειτουργία σας (για αυτήν την ανάρτηση, Συνεχής).

Με το Amazon S3, μπορείτε να δημιουργήσετε έναν ανιχνευτή σε δύο λειτουργίες:

• • Backtest – Αυτή η λειτουργία χρησιμοποιείται για την εύρεση ανωμαλιών σε ιστορικά δεδομένα. Χρειάζεται να ενοποιηθούν όλες οι εγγραφές σε ένα μόνο αρχείο.
  • Συνεχής – Αυτή η λειτουργία χρησιμοποιείται για τον εντοπισμό ανωμαλιών σε ζωντανά δεδομένα. Χρησιμοποιούμε αυτήν τη λειτουργία με την περίπτωση χρήσης μας επειδή θέλουμε να ανιχνεύσουμε ανωμαλίες καθώς λαμβάνουμε δεδομένα ατμοσφαιρικών ρύπων από τον αισθητήρα παρακολούθησης αέρα.

6. Εισαγάγετε τη διαδρομή S3 για το ζωντανό φάκελο S3 και το μοτίβο διαδρομής.
7. Για Διάστημα πηγής δεδομένων, επιλέξτε Διαστήματα 5 λεπτού.Εάν έχετε ιστορικά δεδομένα από τα οποία ο ανιχνευτής μπορεί να μάθει μοτίβα, μπορείτε να τα παρέχετε κατά τη διάρκεια αυτής της διαμόρφωσης. Τα δεδομένα αναμένεται να είναι στην ίδια μορφή που χρησιμοποιείτε για να εκτελέσετε έναν αντίστροφο έλεγχο. Η παροχή ιστορικών δεδομένων επιταχύνει τη διαδικασία εκπαίδευσης του μοντέλου ML. Εάν αυτό δεν είναι διαθέσιμο, ο συνεχής ανιχνευτής περιμένει να είναι διαθέσιμα επαρκή δεδομένα πριν κάνει συμπεράσματα.
8. Για αυτήν την ανάρτηση, έχουμε ήδη ιστορικά δεδομένα, οπότε επιλέξτε Χρησιμοποιήστε ιστορικά δεδομένα.
9. Εισαγάγετε τη διαδρομή S3 του historical_data.json.
10. Για μορφή αρχείου, Επιλέξτε Γραμμές JSON.
    

Σε αυτό το σημείο, το Lookout for Metrics αποκτά πρόσβαση στην πηγή δεδομένων και επικυρώνει εάν μπορεί να αναλύσει τα δεδομένα. Εάν η ανάλυση είναι επιτυχής, σας δίνει ένα μήνυμα "Επιτυχής επικύρωση" και σας μεταφέρει στην επόμενη σελίδα, όπου διαμορφώνετε μέτρα, διαστάσεις και χρονικές σημάνσεις.

Διαμορφώστε μέτρα, διαστάσεις και χρονικές σημάνσεις

Μέτρα ορίστε τους KPI για τους οποίους θέλετε να παρακολουθείτε ανωμαλίες. Μπορείτε να προσθέσετε έως και πέντε μέτρα ανά ανιχνευτή. Τα πεδία που χρησιμοποιούνται για τη δημιουργία KPI από τα δεδομένα προέλευσης πρέπει να είναι αριθμητικής μορφής. Τα KPI μπορούν να οριστούν επί του παρόντος με τη συγκέντρωση εγγραφών εντός του χρονικού διαστήματος κάνοντας ένα SUM ή AVERAGE.

Διαστάσεις σας δίνουν τη δυνατότητα να κόβετε σε φέτες και σε κύβους τα δεδομένα σας ορίζοντας κατηγορίες ή τμήματα. Αυτό σας επιτρέπει να παρακολουθείτε ανωμαλίες για ένα υποσύνολο ολόκληρου του συνόλου δεδομένων για το οποίο ισχύει ένα συγκεκριμένο μέτρο.

Στην περίπτωση χρήσης μας, προσθέτουμε τρία μέτρα, τα οποία υπολογίζουν το AVG των αντικειμένων που φαίνονται στο διάστημα των 5 λεπτών και έχουν μόνο μία διάσταση, για την οποία μετράται η συγκέντρωση ρύπων.

Κάθε εγγραφή στο σύνολο δεδομένων πρέπει να έχει χρονική σήμανση. Η ακόλουθη διαμόρφωση σάς επιτρέπει να επιλέξετε το πεδίο που αντιπροσωπεύει την τιμή της χρονικής σφραγίδας και επίσης τη μορφή της χρονικής σφραγίδας.

Η επόμενη σελίδα σάς επιτρέπει να ελέγξετε όλες τις λεπτομέρειες που προσθέσατε και στη συνέχεια να αποθηκεύσετε και να ενεργοποιήσετε τον ανιχνευτή.

Στη συνέχεια, ο ανιχνευτής αρχίζει να μαθαίνει τη ροή δεδομένων στην πηγή δεδομένων. Σε αυτό το στάδιο, η κατάσταση του ανιχνευτή αλλάζει σε Initializing.

Είναι σημαντικό να σημειωθεί ο ελάχιστος όγκος δεδομένων που απαιτείται προτού το Lookout for Metrics αρχίσει να εντοπίζει ανωμαλίες. Για περισσότερες πληροφορίες σχετικά με τις απαιτήσεις και τα όρια, βλ Αναζητήστε ποσοστώσεις Metrics.

Με ελάχιστη διαμόρφωση, δημιουργήσατε τον ανιχνευτή σας, τον δείξατε σε ένα σύνολο δεδομένων και έχετε ορίσει τις μετρήσεις στις οποίες θέλετε το Lookout for Metrics να εντοπίζει ανωμαλίες.

Οραματιστείτε τις ανωμαλίες

Το Lookout for Metrics παρέχει μια πλούσια εμπειρία διεπαφής χρήστη για χρήστες που θέλουν να το χρησιμοποιήσουν Κονσόλα διαχείρισης AWS για την ανάλυση των ανωμαλιών που ανιχνεύονται. Παρέχει επίσης τη δυνατότητα διερεύνησης των ανωμαλιών μέσω API.

Ας δούμε ένα παράδειγμα ανωμαλίας που εντοπίστηκε από την περίπτωση χρήσης δεδομένων ποιότητας αέρα. Το ακόλουθο στιγμιότυπο οθόνης δείχνει μια ανωμαλία που ανιχνεύτηκε στη συγκέντρωση CO στον αέρα την καθορισμένη ώρα και ημερομηνία με βαθμολογία σοβαρότητας 93. Δείχνει επίσης το ποσοστό συμβολής της διάστασης στην ανωμαλία. Σε αυτήν την περίπτωση, η συνεισφορά 100% προέρχεται από την ιδιότητα αναγνωριστικού τοποθεσίας B-101.

Δημιουργία ειδοποιήσεων

Το Lookout for Metrics σάς επιτρέπει να στέλνετε ειδοποιήσεις χρησιμοποιώντας μια ποικιλία καναλιών. Μπορείτε να διαμορφώσετε το όριο βαθμολογίας σοβαρότητας ανωμαλίας στο οποίο πρέπει να ενεργοποιούνται οι ειδοποιήσεις.

Στην περίπτωση χρήσης μας, διαμορφώνουμε τις ειδοποιήσεις ώστε να αποστέλλονται σε ένα Υπηρεσία απλών ειδοποιήσεων Amazon κανάλι (Amazon SNS), το οποίο με τη σειρά του στέλνει ένα SMS. Τα ακόλουθα στιγμιότυπα οθόνης δείχνουν τις λεπτομέρειες διαμόρφωσης.

Μπορείτε επίσης να χρησιμοποιήσετε μια ειδοποίηση για να ενεργοποιήσετε αυτοματισμούς χρησιμοποιώντας AWS Lambda λειτουργίες για την προώθηση λειτουργιών που βασίζονται σε API σε AWS IoT Core.

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πόσο εύκολο στη χρήση του Lookout for Metrics and Kinesis Data Firehose για την αφαίρεση της αδιαφοροποίητης βαριάς ανύψωσης που εμπλέκεται στη διαχείριση του κύκλου ζωής από άκρο σε άκρο της κατασκευής εφαρμογών ανίχνευσης ανωμαλιών που τροφοδοτούνται από ML. Αυτή η λύση μπορεί να σας βοηθήσει να επιταχύνετε την ικανότητά σας να βρίσκετε ανωμαλίες σε βασικές επιχειρηματικές μετρήσεις και να επικεντρώσετε τις προσπάθειές σας στην ανάπτυξη και τη βελτίωση της επιχείρησής σας.

Σας ενθαρρύνουμε να μάθετε περισσότερα επισκεπτόμενοι το Οδηγός προγραμματιστή Amazon Lookout for Metrics και δοκιμάστε τη λύση από άκρο σε άκρο που ενεργοποιείται από αυτές τις υπηρεσίες με ένα σύνολο δεδομένων που σχετίζεται με τους KPI της επιχείρησής σας.

---

Σχετικά με τον Συγγραφέα

Dhiraj Thakur είναι αρχιτέκτονας λύσεων με τις υπηρεσίες Web της Amazon. Συνεργάζεται με πελάτες και συνεργάτες της AWS για να παρέχει καθοδήγηση σχετικά με την υιοθέτηση, τη μετανάστευση και τη στρατηγική εταιρικού cloud. Είναι παθιασμένος με την τεχνολογία και του αρέσει να χτίζει και να πειραματίζεται στον χώρο ανάλυσης και AI/ML.