WIO LTEでIoTとクラウド（３）

10月4日
昨日のAWS Solution Day2018でAmazon SageMakerで強化学習が出来そうな事が
わかったので10日にアマゾンの大阪オフィスで詳細を確認するアポイントを取った。

異常検知の方法は2つ
①異常のデータをいくつかのパターンを取ってそれを教師付き学習させる。
②正常データをモデルにして異常データを判別する強化学習。

今回はどんな異常が出るか分からないので強化学習で今回はSageMakerの1つのアルゴリズムである異常検知（Random Cut Forest)を試してみる。

トランスの温度異常を取りながら通常状態を学習する為、室生発電所のトランスの温度のデータを取る必要が出てきた。昨日の講演で、”データを収集し貯めるシステムを確実に作る。”事が重要との話があったので、整理する。
①データを取る条件を合わせる。センサーの種類、温度を測る場所と位置と距離
②日時、パネル種類や枚数、パワコンモデルと台数、天気、気温、日射、発電電力。
予測データを使うか？

データをテキストか温度グラフ等への変換したデータか？
両方を比較する為にどちらが良いか試す。
昨日の公園でもデータの扱い何月何日の購入データか前回の購入から何日かで同じ日の購入のデータの取り扱いが違う。

AIは万能ではないので良質なデータが不可欠。その為のデータ変換を検討する。
取得するデータは多過ぎると解析の負担になるしシステムが複雑になる。ダイキン研究員の講演の様にテストして精査する必要もありそう。

全自動が望ましいが半自動（現地で収集するデータと他で取得出来るデータも考える）
日射、裏面温度や気温はまとめて1つのパラメータにする等の工夫が必要。