Multivariate time series Anomaly Detection (preview)

  • Artikel
  • 2 minuten om te lezen

De nieuwe API's voor anomaliedetectie met meerdere afwijkingen stellen ontwikkelaars verder in staat door eenvoudig geavanceerde AI te integreren voor het detecteren van afwijkingen uit groepen met metrische gegevens, zonder dat machine learning kennis of gelabelde gegevens nodig hebben. Afhankelijkheden en onderlinge correlaties tussen maximaal 300 verschillende signalen worden nu automatisch geteld als belangrijke factoren. Deze nieuwe mogelijkheid helpt u om uw complexe systemen, zoals softwaretoepassingen, servers, fabrieksmachines, ruimtevaartuig of zelfs uw bedrijf, proactief te beschermen tegen storingen.

Meerdere tijdreekslijndiagrammen voor variabelen van: rotatie, optisch filter, druk, met afwijkingen gemarkeerd in oranje

Imagine 20 sensoren van een automatische motor die 20 verschillende signalen genereren, zoals rotatie, brandstofdruk, lager, enzovoort. De metingen van deze signalen afzonderlijk vertellen u mogelijk niet veel over problemen op systeemniveau, maar samen kunnen ze de status van de engine vertegenwoordigen. Wanneer de interactie van deze signalen buiten het gebruikelijke bereik afwijkt, kan de functie voor anomaliedetectie met meerdere afwijkingen de afwijking als een doorgegeweede expert detecteren. De onderliggende AI-modellen worden getraind en aangepast met behulp van uw gegevens, zodat ze inzicht hebben in de unieke behoeften van uw bedrijf. Met de nieuwe API's in Anomaly Detector kunnen ontwikkelaars nu eenvoudig de anomaliedetectiemogelijkheden voor meerdere tijdreeksen integreren in oplossingen voor voorspeld onderhoud, AIOps-bewakingsoplossingen voor complexe bedrijfssoftware of business intelligence-hulpprogramma's.

Wanneer gebruikt u multivariate versus univariate?

Als het uw doel is om afwijkingen te detecteren buiten een normaal patroon voor elke afzonderlijke tijdreeks, uitsluitend op basis van hun eigen historische gegevens, gebruikt u univariate anomaliedetectie-API's. U wilt bijvoorbeeld afwijkingen in de dagelijkse omzet detecteren op basis van de omzetgegevens zelf, of u wilt een CPU-piek detecteren op basis van CPU-gegevens.

Als u afwijkingen op systeemniveau wilt detecteren uit een groep tijdreeksgegevens, gebruikt u api's voor anomaliedetectie met meerdere afwijkingen. Met name wanneer een afzonderlijke tijdreeks u niet veel vertelt en u alle signalen (een groep tijdreeksen) holistisch moet bekijken om een probleem op systeemniveau te bepalen. U hebt bijvoorbeeld een dure fysieke asset, zoals vliegtuigen, apparatuur op een olieplatform of een satelliet. Elk van deze assets heeft tientallen of honderden verschillende typen sensoren. U moet al deze tijdreekssignalen van deze sensoren bekijken om te bepalen of er sprake is van een probleem op systeemniveau.

Notebook

Als u wilt weten hoe u de Anomaly Detector-API (multivariate) aanroept, probeert u dit Notebook. Dit Jupyter Notebook laat zien hoe u een API-aanvraag verzendt en het resultaat visualiseert.

Als u de Notebook wilt uitvoeren, moet u een geldige api Anomaly Detector-abonnementssleutel en een API-eindpunt krijgen. Voeg in het notebook uw geldige Anomaly Detector API-abonnementssleutel toe aan de variabele subscription_key en wijzig de variabele in uw endpoint eindpunt.

Ondersteuning voor regio

De preview van Anomaly Detector multivariate is momenteel beschikbaar in 10 Azure-regio's: Azië - zuidoost, Australië - oost, Canada - centraal, Europa - noord, Europa - west, VS - oost, VS - oost 2, VS - zuid-centraal, VS - west 2 en VK - zuid.

Algoritmen

Zie de volgende technische documenten voor informatie over de gebruikte algoritmen:

Lid worden van de Anomaly Detector-community

Volgende stappen