网络研讨会回顾：使用 InfluxDB 构建 AI 异常检测管道
作者：Charles Mahler / 开发者
2023 年 12 月 18 日
导航至
在 InfluxDB 和 HiveMQ 主办的本次网络研讨会中，我们重点关注如何使用 AI 和数据库生态系统中的新工具为您的业务创造价值，以快速部署 AI 模型来执行异常检测等任务。
本次网络研讨会首先概述了 MQTT 和时间序列数据在工业物联网环境中的价值。您将了解 演示 应用程序如何使用 HiveMQ 和 InfluxDB 从机器收集传感器数据，以及如何使用机器学习模型 分析 这些数据以监控异常。
演示应用程序架构
网络研讨会期间使用的工具
InfluxDB
InfluxDB 专为时间序列数据工作负载而构建。InfluxDB 3.0 的写入吞吐量提高了 45 倍，最近数据的查询速度也更快。InfluxDB 3.0 支持无限基数，在查询高基数数据时速度提高 100 倍。InfluxDB 3.0 将数据持久化为 Apache Parquet，这可以节省 90% 以上的存储成本。有关更多性能基准，请查看此 基准测试论文。Parquet 是 Apache 开放数据生态系统的一部分，这使 InfluxDB 能够连接到一些用于统计分析、人工智能 (AI) 和机器学习 (ML) 的最佳工具。
InfluxDB 3.0 架构
HiveMQ
HiveMQ 提供了一个平台，可帮助开发 MQTT 应用程序。HiveMQ 团队最近推出了 HiveMQ Edge，这是一款专为 边缘部署 而设计的嵌入式轻量级 MQTT 代理，非常适合物联网用例。HiveMQ 拥有一整套 MQTT 产品，包括 HiveMQ 托管和自托管选项。
Quix
Quix 是一个旨在简化和精简 流式应用程序 开发的平台。它为处理实时数据提供了强大而灵活的环境，使开发人员能够更有效地构建、部署和管理事件驱动型应用程序。Quix 在处理大量流式数据至关重要的场景中尤其有用，例如物联网、金融服务或实时分析。
Quix 仪表板显示事件日志
Hugging Face
Hugging Face 是一个平台，提供用于构建和部署机器学习模型的工具和服务。Hugging Face Hub 允许开发人员试用其他开发人员上传的模型、访问数据集，并为其他人创建 API 端点以编程方式使用他们的模型。
异常检测演示
异常检测 演示采用模拟数据，该数据以生产环境中工厂车间设备创建的输出为模型。然后收集和分析这些数据以检测异常。以下是架构的概要图：
工业物联网应用程序架构
现在，让我们逐步了解演示的工作原理。应用程序的第一部分是模拟脚本，该脚本生成旨在表示工厂车间机器 传感器 输出的数据。每个数据点都包含有关发送信息的机器的元数据以及特定数据有效负载，包括温度、功率和振动等字段。
此数据通过托管的 HiveMQ 代理使用 MQTT 协议在网络上传输。Telegraf 是 HiveMQ 的另一种替代方案，尤其是在您需要支持 MQTT 以外的协议的情况下。
MQTT 代理将数据发送到 Quix，Quix 运行多个 Python 脚本作为数据管道的一部分。数据首先写入 InfluxDB，然后从另一个脚本查询，以使托管在 Hugging Face 上的机器学习模型分析数据中的异常。
数据格式和管道
来自机器学习模型的结果作为附加字段添加到每个数据点，然后作为新指标写入 InfluxDB。演示应用程序的最后一步是使用 Grafana 创建 仪表板。此动态仪表板显示原始数据，并通过以不同颜色显示异常数据来突出显示任何异常。
Grafana 仪表板显示原始数据和突出显示的异常数据
主要要点
使用 AI 提高物联网的运营效率
本次网络研讨会的主要要点是，您可以利用现有的现成工具来提高业务效率，而无需专家来实施它们。
确保您收集的数据用于长期使用，即使您尚未准备好使用高级 AI 解决方案。一种方法是使用 MQTT 和 HiveMQ 作为集成所有系统的“管道”。然后可以使用 InfluxDB 有效地存储这些数据。
AI 将继续进一步集成到工业物联网用例中
随着 LLM 和其他 AI 模型的不断改进，可能会出现大量潜在的扩展用例。一个建议的用例是允许工人使用自然语言“与”工厂“对话”，以查询数据库并获得问题的答案。这就像拥有一个定制的 ChatGPT，它可以从收集的数据中了解工厂中发生的一切。另一个潜在的用例是使用 AI 动态创建仪表板和用户界面。
观看网络研讨会
在此处查看完整的网络研讨会 here。如果您想自己运行演示，请查看 Github 存储库 中的代码。
