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
在本期由InfluxDB和HiveMQ举办的网络研讨会中，我们重点介绍了如何使用AI和数据库生态系统中的新工具为您的业务创造价值，快速部署AI模型以执行异常检测等任务。
网络研讨会从MQTT和时间序列数据在工业物联网环境中的价值概述开始。您将了解演示应用程序如何使用HiveMQ和InfluxDB收集机器的传感器数据，并使用用于监控异常的机器学习模型分析这些数据。
演示应用程序架构
网络研讨会中使用的工具
InfluxDB
InfluxDB专为时间序列数据处理任务而设计。InfluxDB 3.0具有45倍的写入吞吐量和针对最近数据的更快查询。InfluxDB 3.0支持无限基数，并且在对高基数数据进行查询时速度提高了100倍。InfluxDB 3.0以Apache Parquet格式持久化数据，这可以节省90%以上的存储成本。有关更多性能基准，请查看这篇基准测试论文。Parquet是Apache开源数据生态系统的一部分，这使得InfluxDB能够连接到统计分析、人工智能（AI）和机器学习（ML）等最佳工具。 
InfluxDB 3.0架构
HiveMQ
HiveMQ提供了一个平台，帮助开发MQTT应用程序。HiveMQ团队最近推出了HiveMQ Edge，这是一个为边缘部署设计的嵌入式轻量级MQTT代理，非常适合物联网用例。HiveMQ有一系列MQTT产品，包括HiveMQ管理和自管理选项。
Quix
Quix是一个旨在简化流应用程序开发的平台。它提供了一个强大而灵活的环境来处理实时数据，使开发者能够更高效地构建、部署和管理事件驱动应用程序。Quix在处理大量流数据的情况下特别有用，例如在物联网、金融服务或实时分析中。 
Quix仪表板显示事件日志
Hugging Face
Hugging Face是一个提供构建和部署机器学习模型工具和服务的平台。Hugging Face Hub允许开发者尝试其他开发者上传的模型，访问数据集，并为他人创建API端点以程序化使用他们的模型。
异常检测演示
异常检测演示接收模拟数据，这些数据基于生产环境中工厂车间设备的输出创建。然后收集并分析这些数据以检测异常。以下是该架构的高级图示： 
工业物联网应用架构
现在让我们一步一步地了解演示的工作原理。应用程序的第一部分是生成数据的模拟脚本，这些数据旨在表示工厂车间机器传感器的输出。每个数据点都包含发送信息的机器的元数据和特定数据负载，包括温度、功率和振动等字段。
这些数据通过网络使用MQTT协议通过托管HiveMQ代理进行传输。 Telegraf是HiveMQ的另一种替代方案，特别是在需要支持除MQTT之外的协议的情况下。
MQTT代理将数据发送到Quix，Quix运行多个Python脚本作为数据处理流程的一部分。数据首先写入InfluxDB，然后由另一个脚本查询，以便在Hugging Face上托管的人工智能模型分析数据中的异常。
数据格式和流程
机器学习模型的结果被添加为每个数据点的附加字段，然后作为新的度量写入InfluxDB。演示应用程序的最后一步是使用Grafana创建仪表板。这个动态仪表板显示了原始数据，并通过以不同的颜色显示异常数据来突出显示任何异常。
显示原始数据和突出显示异常数据的Grafana仪表板
主要收获
使用人工智能提高物联网的运营效率
本次网络研讨会的主要收获是，您可以利用现有的现成工具来提高业务效率，而无需专家来实现。
确保您正在收集数据以供长期使用，即使您目前还没有准备好使用高级人工智能解决方案。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。
人工智能将继续进一步集成到工业物联网用例中
随着LLM和其他人工智能模型的持续改进，有许多潜在的扩展用例变得可行。一个建议的用例是允许工作人员使用自然语言“与”工厂“交谈”，查询数据库并得到他们问题的答案。这将类似于拥有一个了解工厂发生一切情况的定制ChatGPT。另一个潜在的用例是使用人工智能动态创建仪表板和用户界面。
观看网络研讨会
在这里查看完整的网络研讨会。如果您想自己运行演示，请查看Github仓库中的代码。
