Anomáliák észlelése az Amazon SageMaker Edge Manager segítségével az AWS IoT Greengrass V2 használatával

A gépi tanulási (ML) modellek szélén történő telepítése és kezelése más eszközöket és készségkészleteket igényel, mint a felhőben. Ez elsősorban a hardveres, szoftveres és hálózati korlátozásoknak tudható be a peremhelyeken. Ez bonyolultabbá teszi ezeknek a modelleknek a telepítését és kezelését. Egyre több alkalmazás, mint például az ipari automatizálás, az autonóm járművek és az automatizált pénztárak, olyan ML modelleket igényelnek, amelyek a szélén lévő eszközökön futnak, így valós időben előrejelzéseket lehet készíteni, amikor új adatok állnak rendelkezésre.

Egy másik gyakori kihívás, amellyel szembesülhet a legmodernebb számítástechnikai alkalmazásokkal, az, hogy hogyan lehet hatékonyan kezelni az eszközparkot. Ez magában foglalja az alkalmazások telepítését, az alkalmazásfrissítések telepítését, az új konfigurációk telepítését, az eszközök teljesítményének figyelését, az eszközök hibaelhárítását, az eszközök hitelesítését és engedélyezését, valamint az adatátvitel biztonságát. Ezek minden élalkalmazás alapvető jellemzői, de a biztonságos és méretezhető megoldás eléréséhez szükséges infrastruktúra létrehozása sok erőfeszítést és időt igényel.

Kisebb léptékben olyan megoldásokat alkalmazhat, mint például az egyes eszközökre történő manuális bejelentkezés a szkriptek futtatásához, automatizált megoldások, mint pl. Ansible, vagy készítsen egyedi alkalmazásokat, amelyek olyan szolgáltatásokra támaszkodnak, mint pl AWS IoT Core. Bár képes biztosítani a szükséges méretezhetőséget és megbízhatóságot, az ilyen egyedi megoldások kiépítése további karbantartási költségekkel jár, és speciális készségeket igényel.

Amazon SageMaker, együtt AWS IoT Greengrass, segíthet leküzdeni ezeket a kihívásokat.

A SageMaker biztosítja Amazon SageMaker Neo, amely a legegyszerűbb módja az ML-modellek peremeszközökhöz való optimalizálásának, lehetővé téve az ML-modellek egyszeri betanítását a felhőben, és bármely eszközön futtatását. Az eszközök szaporodásával előfordulhat, hogy több ezer telepített modell fut a flottán. Amazon SageMaker Edge Manager lehetővé teszi az ML modellek optimalizálását, biztonságát, monitorozását és karbantartását az intelligens kamerák, robotok, személyi számítógépek és mobileszközök flottáján.

Ez a bejegyzés bemutatja, hogyan lehet betanítani és telepíteni egy anomália-érzékelő ML-modellt szélturbinák szimulált flottájára a szélén a SageMaker és AWS IoT Greengrass V2. Ihletet merít Figyelje és kezelje a szélturbinák anomália-észlelő modelljeit az Amazon SageMaker Edge Manager segítségével az AWS IoT Greengrass bevezetésével a következtetési alkalmazás és a modell telepítéséhez és kezeléséhez a szélső eszközökön.

Az előző bejegyzésben a szerző egyéni kódot használt, amely az AWS IoT szolgáltatásokra támaszkodik, mint pl AWS IoT Core és a AWS IoT-eszközkezelés, hogy távfelügyeleti lehetőségeket biztosítson az eszközpark számára. Bár ez egy helytálló megközelítés, a fejlesztőknek sok időt és erőfeszítést kell fordítaniuk az ilyen megoldások bevezetésére és karbantartására, amelyet a szélturbinák hatékony, eredményes és pontos anomália-észlelési logikájának üzleti problémájának megoldására fordíthatnak.

Az előző bejegyzésben is egy igazi 3D nyomtatott mini szélturbinát és Jetson nano hogy az alkalmazást futtató szélső eszközként működjön. Itt virtuális szélturbinákat használunk, amelyek Python szálakként futnak egy SageMaker notebookon belül. Ezenkívül a Jetson Nano helyett használjuk Amazon rugalmas számítási felhő (Amazon EC2) példányok peremeszközként működnek, és az AWS IoT Greengrass szoftvert és az alkalmazást futtatják. Szimulátort is futtatunk a szélturbinák méréseinek generálására, amelyeket a szélerőművekre küldünk MQTT. A szimulátort vizualizációra és a turbinák leállítására vagy indítására is használjuk.

Az előző bejegyzés részletesebben foglalkozik a megoldás ML vonatkozásaival, például a modell felépítésével és betanításával, amire itt nem térünk ki. Elsősorban az Edge Manager és az AWS IoT Greengrass V2 integrációjára összpontosítunk.

Mielőtt továbbmennénk, tekintsük át, mi az AWS IoT Greengrass, és milyen előnyei vannak az Edge Managerrel való használatának.

Mi az AWS IoT Greengrass V2?

Az AWS IoT A Greengrass a Dolgok Internete (IoT) nyílt forráskódú, szélső futásidejű és felhőszolgáltatás, amely segít az eszközszoftverek felépítésében, üzembe helyezésében és kezelésében. Az AWS IoT Greengrasst IoT-alkalmazásaihoz használhatja több millió eszközön otthonokban, gyárakban, járművekben és vállalkozásokban. Az AWS IoT Greengrass V2 nyílt forráskódú élvonalbeli futtatókörnyezetet, továbbfejlesztett modularitást, új helyi fejlesztési eszközöket és továbbfejlesztett flottatelepítési szolgáltatásokat kínál. Olyan összetevő-keretrendszert biztosít, amely kezeli a függőségeket, és lehetővé teszi a központi telepítések méretének csökkentését, mivel kiválaszthatja, hogy csak az alkalmazáshoz szükséges összetevőket telepítse.

Nézzük meg az AWS IoT Greengrass néhány fogalmát, hogy megértsük, hogyan működik:

• AWS IoT Greengrass mageszköz – Az AWS IoT Greengrass Core szoftvert futtató eszköz. Az eszköz az AWS IoT Core regisztrációs adatbázisában AWS IoT dologként van regisztrálva.
• AWS IoT Greengrass komponens – Alapeszközön telepített és azon futó szoftvermodul. Az AWS IoT Greengrass segítségével kifejlesztett és telepített összes szoftvert komponensként modellezik.
• bevetés – Az összetevők küldésének és a kívánt összetevő-konfigurációnak a céleszközre történő alkalmazásának folyamata, amely lehet egymagos eszköz vagy mageszközök csoportja.
• AWS IoT Greengrass alapszoftver – Az összes AWS IoT Greengrass szoftver készlete, amelyet az alapeszközre telepít.

Ahhoz, hogy egy eszközön (vagy több ezeren) engedélyezzük a távoli alkalmazáskezelést, először telepítjük az alapszoftvert. Ez a szoftver háttérfolyamatként fut, és figyeli a felhőből küldött telepítési konfigurációkat.

Adott alkalmazások futtatásához az eszközökön az alkalmazást egy vagy több komponensként modellezzük. Például rendelkezhetünk egy adatbázis-szolgáltatást biztosító komponenssel, egy másik komponenssel, amely helyi felhasználói felhasználói élményt biztosít, vagy használhatunk az AWS által biztosított nyilvános összetevőket, mint például a LogManager, hogy az összetevők naplóit továbbítsuk amazonfelhőóra.

Ezután elkészítjük a szükséges komponenseket és azok specifikus konfigurációját tartalmazó telepítést, és elküldjük a céleszközökre, akár eszközenként, akár flottaként.

További információért lásd: Mi az AWS IoT Greengrass?

Miért használja az AWS IoT Greengrasst az Edge Managerrel?

A poszt Figyelje és kezelje a szélturbinák anomália-észlelő modelljeit az Amazon SageMaker Edge Manager segítségével már elmagyarázza, hogy miért használjuk az Edge Managert az ML modell futási környezetének biztosítására az alkalmazás számára. De értsük meg, miért érdemes az AWS IoT Greengrasst használnunk az alkalmazások szélső eszközökre történő telepítéséhez:

• Az AWS IoT Greengrass segítségével automatizálhatja az Edge Manager szoftvernek az eszközökön való üzembe helyezéséhez és az ML modellek kezeléséhez szükséges feladatokat. Az AWS IoT Greengrass egy SageMaker Edge Agentet biztosít az AWS IoT Greengrass összetevőjeként, amely modellkezelést és adatrögzítési API-kat biztosít a szélén. Az AWS IoT Greengrass nélkül az Edge Manager használatához szükséges eszközök és flották beállításához manuálisan kell másolnia az Edge Manager ügynököt egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) kioldó vödör. Az ügynök előrejelzések készítésére szolgál a szélső eszközökre betöltött modellekkel.
• Az AWS IoT Greengrass és az Edge Manager integrációval az AWS IoT Greengrass összetevőit használhatja. Az összetevők előre beépített szoftvermodulok, amelyek az AWS IoT Greengrass szolgáltatáson keresztül kapcsolhatnak peremeszközöket AWS-szolgáltatásokhoz vagy harmadik féltől származó szolgáltatásokhoz.
• A megoldás moduláris megközelítést alkalmaz, amelyben a következtetési alkalmazás, a modell és bármely más üzleti logika olyan komponensként csomagolható, ahol a függőségek is megadhatók. Az egyes összetevők életciklusát, frissítéseit és újratelepítését önállóan kezelheti, ahelyett, hogy mindent monolitként kezelne.
• Hogy könnyebb legyen karbantartani AWS Identity and Access Management (IAM) szerepkörök, az Edge Manager lehetővé teszi a meglévő AWS IoT Core szerepkör-alias újrafelhasználását. Ha nem létezik, az Edge Manager az Edge Manager csomagolási feladat részeként létrehoz egy szerep-álnevet. Többé nem kell társítania az Edge Manager-csomagolási feladatból generált szerepkör-aliast egy AWS IoT Core szerepkörhöz. Ez leegyszerűsíti a telepítési folyamatot a meglévő AWS IoT Greengrass-ügyfelek számára.
• Kevesebb kóddal és konfigurációval kezelheti a modelleket és más összetevőket, mert az AWS IoT Greengrass gondoskodik az összetevők kiépítéséről, frissítéséről és leállításáról.

Megoldás áttekintése

Az alábbi diagram a megoldáshoz implementált architektúrát mutatja be:

Az architektúrát nagyjából a következő fázisokra oszthatjuk:

• Modellképzés
  • Készítse elő az adatokat, és tanítson be egy anomália-észlelési modellt Amazon SageMaker csővezetékek. A SageMaker Pipelines saját egyéni kódjával segíti a képzési folyamatot. Ki is adja a Átlagos abszolút hiba (MAE) és az anomáliák kiszámításához használt egyéb küszöbértékek.
• Állítsa össze és csomagolja be a modellt
  • Fordítsa le a modellt Neo segítségével, hogy a célhardverre (jelen esetben egy EC2 példányra) optimalizálható legyen.
  • Használja a SageMaker Edge csomagolási feladat API-t a modell AWS IoT Greengrass komponensként történő csomagolásához. Az Edge Manager API natív integrációval rendelkezik az AWS IoT Greengrass API-kkal.
• Készítse el és csomagolja be a következtetési alkalmazást
  • Készítse el és csomagolja be a következtetési alkalmazást AWS IoT Greengrass összetevőként. Ez az alkalmazás a kiszámított küszöböt, a modellt és néhány egyéni kódot használja a turbinákból származó adatok elfogadásához, anomáliák észleléséhez és az eredmények visszaadásához.
• Az AWS IoT Greengrass beállítása peremeszközökön
  • Állítsa be az AWS IoT Greengrass alapeszközeinek flottáját. Ebben az architektúrában EC2-példányokat használunk alapvető eszközökként. Öt EC2 példányt pörgetünk fel ezen keresztül AWS felhőképződés és a telepítse az AWS IoT Greengrass magfutókörnyezetet ezekre a példányokra.
• Telepítés szélső eszközökre
  • Telepítse a következőket minden éleszközön:
    • AWS IoT Greengrass komponensként csomagolt ML-modell.
    • Egy következtetési alkalmazás egy AWS IoT Greengrass összetevőt csomagolt. Ezzel beállítja a kapcsolatot is AWS IoT Core MQTT.
    • Az AWS által biztosított Edge Manager Greengrass összetevő.
    • Az AWS által biztosított AWS IoT Greengrass CLI komponens (csak fejlesztési és hibakeresési célokra szükséges).
• Futtassa a végpontok közötti megoldást
  • Futtassa a szimulátort, amely méréseket generál a szélturbinákhoz, amelyeket az MQTT segítségével továbbít a szélső eszközökhöz.
  • Mivel a notebook és az AWS IoT Greengrasst futtató EC2-példányok különböző hálózatokon vannak, az AWS IoT Core-t használjuk az MQTT-üzenetek továbbítására közöttük. Valós forgatókönyv esetén a szélturbina helyi kommunikáción keresztül küldi az adatokat az anomália-érzékelő eszköznek, például AWS IoT Greengrass MQTT bróker komponens.
  • Az anomáliaérzékelő eszközben futó következtetési alkalmazás és modell megjósolja, hogy a fogadott adatok rendellenesek-e vagy sem, és az eredményt az AWS IoT Core-on keresztül MQTT-n keresztül elküldi a megfigyelőalkalmazásnak.
  • Az alkalmazás megjeleníti az adatokat és az anomália jelet a szimulátor műszerfalán.

A megoldás-architektúra üzembe helyezésével kapcsolatos további információkért tekintse meg a GitHub Repository ehhez a bejegyzéshez kapcsolódik.

A következő szakaszokban mélyebben belemegyünk a megoldás megvalósításának részleteibe.

adatbázisba

A megoldás valódi szélturbinákból gyűjtött nyers turbinaadatokat használ. Az adatkészletet a megoldás részeként biztosítjuk. A következő tulajdonságokkal rendelkezik:

• nanoId – Az adatokat gyűjtő éleszköz azonosítója
• turbinaId – Az adatokat előállító turbina azonosítója
• arduino_timestamp – A turbinát működtető Arduino időbélyege
• nanoFreemem: A szabad memória mennyisége bájtban
• eventTime – A sor időbélyege
• RPS – A forgórész forgása másodpercenkénti fordulatszámban
• feszültség – A generátor által termelt feszültség milivoltban
• qw, qx, qy, qz – Kvaterner szöggyorsulás
• gx, gy, gz – Gravitációs gyorsulás
• ax, ay, az – Lineáris gyorsulás
• sebességváltó hőm – Belső hőmérséklet
• ambtemp – Külső hőmérséklet
• nedvesség – A levegő páratartalma
• nyomás - Levegő nyomás
• gáz - Levegő minősége
• szél_sebesség_rps – A szél sebessége fordulat per másodpercben

További információ: Figyelje és kezelje a szélturbinák anomália-észlelő modelljeit az Amazon SageMaker Edge Manager segítségével.

Adatok előkészítése és betanítása

Az adatok előkészítése és betanítása a SageMaker Pipelines segítségével történik. A Pipelines az első erre a célra épített, egyszerűen használható folyamatos integrációs és folyamatos szállítási (CI/CD) szolgáltatás az ML számára. A Pipelines segítségével nagy méretekben hozhat létre, automatizálhat és kezelhet végpontok közötti ML munkafolyamatokat. Mivel kifejezetten az ML-hez készült, a Pipelines segít automatizálni az ML munkafolyamat különböző lépéseit, beleértve az adatbetöltést, az adatátalakítást, a betanítást és hangolást, valamint a telepítést. További információkért lásd: Amazon SageMaker modellépítő csővezetékek.

Modell összeállítás

A modell összeállításához a Neo-t használjuk. Automatikusan optimalizálja az ML-modelleket, hogy következtetéseket lehessen levonni a felhőpéldányokon és a szélső eszközökön, hogy gyorsabban futhassanak a pontosság vesztesége nélkül. Az ML modellek egy célhardver-platformhoz vannak optimalizálva, amely lehet SageMaker tárhelypéldány vagy éles eszköz a processzor típusa és képességei alapján, például ha van GPU vagy nincs. A fordító az ML-t használja a teljesítményoptimalizálások alkalmazására, amelyek a legjobb elérhető teljesítményt nyerik ki a modellhez a felhőpéldányon vagy az éleszközön. További információkért lásd Fordítson és telepítsen modelleket a Neo segítségével.

Modell csomagolás

Az Edge Managerrel lefordított modell használatához először csomagolnia kell. Ebben a lépésben a SageMaker létrehoz egy archívumot, amely az összeállított modellből és a Neo DLR futásidejű futtatásához szükséges. Az integritás-ellenőrzés modelljét is aláírja. Amikor a modellt az AWS IoT Greengrass szolgáltatáson keresztül telepíti, a létrehozás_él_csomagolási_job Az API automatikusan létrehoz egy AWS IoT Greengrass összetevőt, amely tartalmazza a modellcsomagot, amely készen áll az eszközökön való üzembe helyezésre.

A következő kódrészlet bemutatja, hogyan kell meghívni ezt az API-t:

model_version = '1.0.0' # use this for semantic versioning the model. Must increment for every new model model_name = 'WindTurbineAnomalyDetection'
edge_packaging_job_name='wind-turbine-anomaly-%d' % int(time.time()*1000)
component_name = 'aws.samples.windturbine.model'
component_version = model_version resp = sm_client.create_edge_packaging_job( EdgePackagingJobName=edge_packaging_job_name, CompilationJobName=compilation_job_name, ModelName=model_name, ModelVersion=model_version, RoleArn=role, OutputConfig={ 'S3OutputLocation': 's3://%s/%s/model/' % (bucket_name, prefix), "PresetDeploymentType": "GreengrassV2Component", "PresetDeploymentConfig": json.dumps( {"ComponentName": component_name, "ComponentVersion": component_version} ), }
)

Ahhoz, hogy az API létrehozhasson egy AWS IoT Greengrass összetevőt, meg kell adnia a következő további paramétereket OutputConfig:

• A PresetDeploymentType as GreengrassV2Component
• PresetDeploymentConfig hogy biztosítsák a ComponentName és a ComponentVersion amit az AWS IoT Greengrass használ az összetevő közzétételéhez
• A ComponentVersion és a ModelVersion be kell lennie major.minor.patch formátum

A modell ezután AWS IoT Greengrass komponensként jelenik meg.

Hozza létre a következtetési alkalmazást AWS IoT Greengrass összetevőként

Most létrehozunk egy következtetési alkalmazás komponenst, amelyet telepíthetünk az eszközre. Ez az alkalmazáskomponens betölti az ML-modellt, adatokat fogad a szélturbináktól, anomáliákat észlel, és az eredményt visszaküldi a szimulátornak. Ez az alkalmazás lehet egy natív alkalmazás, amely helyileg fogadja az adatokat a peremeszközökön a turbináktól vagy bármely más kliens alkalmazástól egy gRPC interfészen keresztül.

Egyéni AWS IoT Greengrass létrehozása összetevő, hajtsa végre a következő lépéseket:

1. Adja meg az alkalmazás kódját egyedi fájlként vagy archívumként. A kódot egy S3 tárolóba kell feltölteni ugyanabban a régióban, ahol az AWS IoT Greengrass eszközöket regisztráltuk.
2. Hozzon létre egy receptfájlt, amely meghatározza az összetevő konfigurációs paramétereit, függőségeit, életciklusát és platformkompatibilitását.

Az összetevő életciklusa határozza meg azokat a parancsokat, amelyek telepítik, futtatják és leállítják az összetevőt. További információkért lásd Az AWS IoT Greengrass komponens receptjének hivatkozása. A receptet JSON vagy YAML formátumban is megadhatjuk. Mivel a következtetési alkalmazás megköveteli, hogy a modell és az Edge Manager-ügynök elérhető legyen az eszközön, meg kell határoznunk az AWS IoT Greengrass összetevőjeként csomagolt ML-modell és az Edge Manager Greengrass összetevő függőségeit.

3. Amikor a receptfájl készen áll, hozza létre a következtetési komponenst a Create_component_version API. Lásd a következő kódot:

   ggv2_client = boto3.client('greengrassv2')
   with open('recipes/aws.samples.windturbine.detector-recipe.json') as f: recipe = f.read()
   recipe = recipe.replace('_BUCKET_', bucket_name)
   ggv2_client.create_component_version(inlineRecipe=recipe
   )

Következtetési alkalmazás

A következtetési alkalmazás csatlakozik az AWS IoT Core-hoz, hogy üzeneteket fogadjon a szimulált szélturbinától, és elküldje az előrejelzés eredményeit a szimulátor műszerfalára.

A következő témákban publikál:

• wind-turbine/{turbine_id}/dashboard/update – Frissíti a szimulátor műszerfalát
• wind-turbine/{turbine_id}/label/update – Frissíti a modell betöltött állapotát a szimulátoron
• wind-turbine/{turbine_id}/anomalies – Az anomáliák eredményeit közzéteszi a szimulátor irányítópultján

A következő témára iratkozik fel:

• wind-turbine/{turbine_id}/raw-data – Nyers adatokat kap a turbinától

Az AWS IoT Core eszközök beállítása

Ezután be kell állítanunk azokat az eszközöket, amelyek az anomália-észlelő alkalmazást futtatják az AWS IoT Greengrass alapszoftver telepítésével. Ebben a bejegyzésben öt EC2-példányt használunk, amelyek anomália-érzékelő eszközként működnek. Az AWS CloudFormationt használjuk a példányok indításához. Az AWS IoT Greengrass alapszoftver telepítéséhez egy parancsfájlt biztosítunk a példányban UserData ahogy az a következő kódban látható:

 UserData: Fn::Base64: !Sub "#!/bin/bash wget -O- https://apt.corretto.aws/corretto.key | apt-key add - add-apt-repository 'deb https://apt.corretto.aws stable main' apt-get update; apt-get install -y java-11-amazon-corretto-jdk apt install unzip -y apt install python3-pip -y apt-get install python3.8-venv -y ec2_region=$(curl http://169.254.169.254/latest/meta-data/placement/region) curl -s https://d2s8p88vqu9w66.cloudfront.net/releases/greengrass-nucleus-latest.zip > greengrass-nucleus-latest.zip && unzip greengrass-nucleus-latest.zip -d GreengrassCore java -Droot="/greengrass/v2" -Dlog.store=FILE -jar ./GreengrassCore/lib/Greengrass.jar --aws-region $ec2_region --thing-name edge-device-0 --thing-group-name ${ThingGroupName} --tes-role-name SageMaker-WindturbinesStackTESRole --tes-role-alias-name SageMaker-WindturbinesStackTESRoleAlias --component-default-user ggc_user:ggc_group --provision true --setup-system-service true --deploy-dev-tools true "

Minden EC2 példány egyetlen virtuális szélturbinához van társítva. Valós forgatókönyv szerint több szélturbina is kommunikálhat egyetlen eszközzel a megoldás költségeinek csökkentése érdekében.

Ha többet szeretne megtudni az AWS IoT Greengrass szoftver alapeszközön történő beállításáról, tekintse meg a következőt: Telepítse az AWS IoT Greengrass Core szoftvert. A teljes CloudFormation sablon elérhető a GitHub tárház.

Hozzon létre egy AWS IoT Greengrass-telepítést

Amikor az eszközök üzemelnek és futnak, telepíthetjük az alkalmazást. Létrehozunk egy telepítést a következő összetevőket tartalmazó konfigurációval:

• ML modell
• Következtetési alkalmazás
• Edge Manager
• AWS IoT Greengrass CLI (csak hibakereséshez szükséges)

Minden komponenshez meg kell adnunk az összetevő verzióját. Szükség esetén további konfigurációs adatokat is tudunk adni. A telepítést úgy hozzuk létre, hogy meghívjuk a create_deployment API. Lásd a következő kódot:

ggv2_deployment = ggv2_client.create_deployment( targetArn=wind_turbine_thing_group_arn, deploymentName="Deployment for " + project_id, components={ "aws.greengrass.Cli": { "componentVersion": "2.5.3" }, "aws.greengrass.SageMakerEdgeManager": { "componentVersion": "1.1.0", "configurationUpdate": { "merge": json.dumps({"DeviceFleetName":wind_turbine_device_fleet_name,"BucketName":bucket_name}) }, "runWith": {} }, "aws.samples.windturbine.detector": { "componentVersion": component_version }, "aws.samples.windturbine.model": { "componentVersion": component_version } })

A targetArn argumentum határozza meg, hogy hol kell futtatni a telepítést. Az ARN dologcsoport úgy van megadva, hogy telepítse ezt a konfigurációt a dologcsoporthoz tartozó összes eszközre. A dologcsoport már a megoldás architektúra beállításának részeként létrejön.

A aws.greengrass.SageMakerEdgeManager komponens az AWS IoT Greengrass AWS által biztosított összetevője. A cikk írásakor a legújabb verzió az 1.1.0. Ezt az összetevőt be kell állítania a SageMaker él eszközflotta nevével és az S3 vödör helyével. Ezeket a paramétereket az Edge Manager konzolon találja, ahol a flotta a megoldásarchitektúra beállítása során jött létre.

aws.samples.windturbine.detector a korábban létrehozott következtetési alkalmazás összetevő.

aws.samples.windturbine.model a korábban létrehozott anomália-észlelő ML-modell komponens.

Futtassa a szimulátort

Most, hogy minden a helyén van, elindíthatjuk a szimulátort. A szimulátor Python notebookból fut, és két feladatot hajt végre:

1. Szimulálja a fizikai szélturbinát, és jelenítsen meg minden szélturbinához egy műszerfalat.
2. Adatcsere az eszközökkel az AWS IoT MQTT-n keresztül a következő témakörök szerint:
   1. wind-turbine/{turbine_id}/raw-data – Közzéteti a nyers turbinaadatokat.
   2. wind-turbine/{turbine_id}/label/update – A modell betöltve vagy be nem töltve állapotát fogadja a következtetési alkalmazástól.
   3. wind-turbine/{turbine_id}/anomalies – Fogadja a következtetési alkalmazás által közzétett anomáliákat.
   4. wind-turbine/{turbine_id}/dashboard/update – Fogadja a legutóbbi pufferelt adatokat a turbináktól.

A szimulátor felhasználói felületével elindíthatjuk és leállíthatjuk a virtuális szélturbinát, és zajt injektálhatunk a Volt, Rotés Vib mérések az eszközön futó alkalmazás által észlelt anomáliák szimulálására. A következő képernyőképen a szimulátor öt jelenleg futó szélturbina virtuális ábrázolását mutatja. Választhatunk megáll a turbinák bármelyikének leállításához, vagy válasszon Volt, Pirosvagy Hangulat hogy zajt fecskendezzen a turbinákba. Például ha úgy döntünk Volt 0 ID-s turbina esetén a Feszültség állapotváltozások zöld pipáról piros x-re, ami azt jelzi, hogy a turbina feszültségértékei rendellenesek.

Következtetés

Nem könnyű feladat az ML-modellek életciklusának biztonságos és megbízható karbantartása az eszközparkon keresztül. Az Edge Manager és az AWS IoT Greengrass segítségével azonban csökkenthetjük egy ilyen megoldás megvalósítási erőfeszítéseit és működési költségeit. Ez a megoldás növeli az ML-modell kísérletezésének és optimalizálásának agilitását az ML-folyamatok teljes automatizálásával, az adatgyűjtéstől az adat-előkészítésen, a modell betanításon, a modell érvényesítésén és telepítésén át egészen az eszközökig.

A leírt előnyök mellett az Edge Manager további előnyöket kínál, például hozzáférést biztosít az eszközflotta-műszerfalhoz az Edge Manager konzolon, amely a szívverés kérések rögzítésével csaknem valós időben jeleníti meg az eszközök állapotát. Ezeket a következtetési adatokat használhatja Amazon SageMaker Model Monitor hogy ellenőrizze az adatok és a modell minőségi eltolódásával kapcsolatos problémákat.

Ha saját igényeinek megfelelő megoldást szeretne készíteni, szerezze be a kódot és a melléktermékeket a GitHub repo. A repository két különböző módot mutat a modellek telepítésére:

• IoT-feladatok használata
• AWS IoT Greengrass használata (ebben a bejegyzésben)

Bár ez a bejegyzés az AWS IoT Greengrass használatával történő telepítésre összpontosít, az érdeklődő olvasók az IoT-feladatokat használó megoldást is megvizsgálják, hogy jobban megértsék a különbségeket.

A szerzőkről

Vikesh Pandey az AWS Machine Learning Specialist Solutions Architect munkatársa, aki az északi országokban és a tágabb EMEA régióban élő ügyfeleket segíti az ML megoldások tervezésében és kivitelezésében. A munkán kívül Vikesh szívesen kipróbálja a különböző konyhákat és szabadtéri sportokat űz.

Massimiliano Angelino az EMEA prototípuskészítő csapatának vezető építésze. Az elmúlt 3 és fél évben IoT Specialist Solution Architect volt, különös tekintettel az élszámítógépekre, és közreműködött az AWS IoT Greengrass v2 szolgáltatás elindításában és az Amazon SageMaker Edge Managerrel való integrációjában. Stockholmban él, szívesen korcsolyázik a befagyott tavakon.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://aws.amazon.com/blogs/machine-learning/anomaly-detection-with-amazon-sagemaker-edge-manager-using-aws-iot-greengrass-v2/