Puntuación de Gran Volumen de Datos de Sensores IoT

Contexto empresarial

Una planta de manufactura necesita predecir fallos en su maquinaria analizando datos de sensores IoT en tiempo real. El volumen de datos es masivo (millones de registros por hora). Este test valida la capacidad de annScore para manejar una carga de trabajo pesada de manera eficiente, realizando una puntuación básica sin opciones adicionales que puedan añadir sobrecarga.

Sobre el conjunto : neuralNet

Entrenamiento de redes neuronales artificiales clásicas.

Descubrir todas las acciones de neuralNet

Preparación de datos

Genera una tabla de gran volumen ('iot_sensor_data') con 2 millones de registros para simular lecturas de sensores, y una tabla de modelo de predicción de fallos ('failure_model').

¡Copiado!

1	DATA casuser.iot_sensor_data(keep=ID_SENSOR TEMP PRESION VIBRACION) casuser.failure_model;
2	/* Crear gran volumen de datos de sensores */
3	call streaminit(789);
4	DO ID_SENSOR = 1 to 500;
5	DO _i = 1 to 4000;
6	TEMP = 80 + rand('normal')*5;
7	PRESION = 100 + rand('normal')*2;
8	VIBRACION = 0.5 + rand('uniform')*0.5;
9	OUTPUT casuser.iot_sensor_data;
10	END;
11	END;
12
13	/* Crear modelo ficticio */
14	LENGTH _MODEL_ 8 _MODELNAME_ $32 _TARGET_ $32 _TYPE_ $16;
15	_MODEL_ = 1; _MODELNAME_ = 'FailurePredictor'; _TARGET_ = 'PRED_FALLO'; _TYPE_ = 'CLASSIFICATION';
16	OUTPUT casuser.failure_model;
17	RUN;

Étapes de réalisation

Ejecutar annScore con la configuración más simple y esencial para maximizar el rendimiento en la tabla de gran volumen.

¡Copiado!

1	PROC CAS;
2	neuralNet.annScore /
3	TABLE={name='iot_sensor_data'},
4	modelTable={name='failure_model'},
5	casOut={name='iot_scored_results', replace=true};
6	RUN;
7	QUIT;

Realizar una agregación simple en la tabla de resultados para verificar que todas las filas fueron procesadas y que la puntuación se distribuye como se espera.

¡Copiado!

1	PROC CAS;
2	SIMPLE.freq /
3	TABLE={name='iot_scored_results'}
4	inputs={'_NN_PredName_'};
5	RUN;
6	QUIT;

Resultado esperado

La acción annScore debe completarse exitosamente sobre la tabla de 2 millones de registros. Se genera una nueva tabla CAS 'iot_scored_results' que contiene las predicciones de fallo para cada lectura de sensor. El análisis de frecuencia posterior debe mostrar una distribución de predicciones (ej. 'FALLO_INMINENTE', 'NORMAL'), confirmando que todo el dataset fue procesado correctamente.

Voir la documentation technique de annScore