Amazon Web Services AWS IoT Analytics jetzt allgemein verfügbar

Amazon Web Services (AWS) macht AWS IoT Analytics allgemein verfügbar. Nutzer können damit IoT-Daten sammeln und auswerten, um beispielsweise Predictive Maintenance zu betreiben. Außerdem erschließt AWS IoT Services den Zugang zum maschinellen Lernen.

Anbieter zum Thema

Parasoft® Deutschland GmbH

Confluent Germany GmbH

Transition Technologies PSC Germany GmbH

Amazon Web Services (AWS) gibt die allgemeine Verfügbarkeit von AWS IoT Analytics bekannt. AWS IoT Analytics ist ein vollständig administrierter Service von AWS IoT, der eine erweiterte Analyse von Daten aus IoT-Geräten ermöglicht. Mit dem AWS IoT Analytics Service lassen sich Nachrichten verarbeiten, große Mengen an Gerätedaten sammeln und speichern sowie die gesammelten Daten abfragen. Das neue AWS IoT Analytics Service Feature integriert sich in Amazon Quicksight zur Visualisierung der Daten und erschließt durch die Integration mit Jupyter Notebooks außerdem die Möglichkeiten des maschinellen Lernens.

Als Vorteile von AWS IoT Analytics nennt Tara Walker, Senior Technical Evangelist bei Amazon Web Services:

• Unterstützt bei der prädiktiven Analyse von Daten durch den Zugriff auf vorgefertigte Analysefunktionen.

• Die Möglichkeit, analytische Ergebnisse aus dem Service zu visualisieren.

• Tools zum Bereinigen von Daten.

• Kann helfen, Muster in den gesammelten Daten zu identifizieren.

Datenaufbereitung

• Kanäle sind der "entry point" in IoT Analytics. Sie sammeln Daten von einem bestehenden IoT Core MQTT Topics oder von externen Quellen, die über die Ingestion API Nachrichten an den Kanal senden. Kanäle sind skalierbar und verbrauchen konsumieren Nachrichten im Binär- oder JSON-Format. Die Kanäle speichern auch unveränderliche Rohdaten für eine einfache Wiederaufbereitung mit unterschiedlicher Logik, wenn sich die Anforderungen des Nutzers ändern.

• Pipelines konsumieren Nachrichten aus Kanälen und ermöglichen die Verarbeitung von Nachrichten mit Schritten, die als Aktivitäten bezeichnet werden. Dazu gehören das Filtern nach Attributen, das Transformieren des Inhalts der Nachricht durch Hinzufügen oder Entfernen von Feldern, das Aufrufen von Lambda-Funktionen für komplexe Transformationen, das Hinzufügen von Daten aus externen Datenquellen oder das Anreichern der Nachrichten mit Daten aus IoT Core. Pipelines geben ihre Daten in einen Data Store aus.

• Data Stores sind eine abfragbare IoT-optimierte Datenspeicherlösungen für die Ausgabe der Pipelines. Datenspeicher unterstützen individuelle Aufbewahrungsfristen zur Kostenoptimierung. Wenn ein Kunde einen Datenspeicher abfragt, wird das Ergebnis in einen Datensatz gestellt.

Datenanalyse

• ähneln der Ansicht in einer SQL-Datenbank. Kunden erstellen einen Datenbestand, indem sie eine Abfrage gegen eine Datenablage durchführen. Datensätze können manuell oder nach einem wiederkehrenden Zeitplan generiert werden.

• Notebooks sind von Amazon SageMaker gehostete Jupyter-Notebooks, mit denen Kunden ihre Daten mit benutzerdefiniertem Code analysieren und sogar Machine-Learning-Modelle auf den Daten aufbauen oder trainieren können. IoT Analytics bietet verschiedene Notebook-Vorlagen mit vordefinierten Modellen für gängige IoT-Anwendungsfälle wie Predictive Maintenance, Anomalieerkennung oder Forecasting.

Weitere Informationen zum Einstieg in AWS IoT Analytics vermittelt der Blog-Beitrag von Randall Hunt, Senior Technical Evangelist bei AWS.

Plattformökonomie

Hannover Messe 2018: 27 IIoT-Plattformen, die Sie kennen sollten

experte Blick in die Praxis

6 Beispiele wie das IoT Unternehmen voranbringt

(ID:45285429)