Wat is Anomaly Detector?
Belangrijk
Vanaf 20 september 2023 kunt u geen nieuwe Anomaly Detector-resources maken. De Anomaly Detector-service wordt op 1 oktober 2026 buiten gebruik gesteld.
Notitie
Vanaf juli 2023 omvatten Azure AI-services alle eerder bekende cognitive services en Azure-app lied AI Services. Er zijn geen wijzigingen in prijzen. De namen Cognitive Services en Azure-app lied AI blijven worden gebruikt in Azure-facturering, kostenanalyse, prijslijst en prijs-API's. Er zijn geen belangrijke wijzigingen in API's (Application Programming Interfaces) of SDK's.
Anomaly Detector is een AI-service met een set API's, waarmee u afwijkingen in uw tijdreeksgegevens kunt bewaken en detecteren met weinig kennis van machine learning (ML), batchvalidatie of realtime deductie.
Deze documentatie bevat de volgende typen artikelen:
- Quickstarts zijn stapsgewijze instructies waarmee u aanroepen naar de service kunt maken en korte tijd resultaten kunt krijgen.
- Interactieve demo kan u helpen begrijpen hoe Anomaly Detector werkt met eenvoudige bewerkingen.
- Instructiegidsen bevatten instructies voor het gebruik van de service op specifiekere of aangepaste manieren.
- Zelfstudies zijn langere handleidingen die u laten zien hoe u deze service kunt gebruiken als onderdeel in bredere bedrijfsoplossingen.
- Codevoorbeelden laten zien hoe u Anomaly Detector gebruikt.
- Conceptuele artikelen bieden uitgebreide uitleg over de functionaliteit en functies van de service.
Mogelijkheden van Anomaly Detector
Met Anomaly Detector kunt u afwijkingen in één variabele detecteren met behulp van Univariate Anomaly Detector of afwijkingen in meerdere variabelen detecteren met Multivariate Anomaly Detector.
| Functie | Omschrijving |
|---|---|
| Anomaliedetectie univariate | Detecteer afwijkingen in één variabele, zoals omzet, kosten, enzovoort. Het model is automatisch geselecteerd op basis van uw gegevenspatroon. |
| Multivariate Anomaliedetectie | Detecteer afwijkingen in meerdere variabelen met correlaties, die meestal worden verzameld van apparatuur of ander complex systeem. Het gebruikte onderliggende model is een Graph Attention Network. |
Anomaliedetectie univariate
Met de Univariate Anomaly Detector-API kunt u afwijkingen in uw tijdreeksgegevens bewaken en detecteren zonder dat u machine learning hoeft te kennen. De algoritmen worden aangepast door automatisch de best passende modellen te identificeren en toe te passen op uw gegevens, ongeacht de branche, het scenario of het gegevensvolume. Met behulp van uw tijdreeksgegevens worden de grenzen voor anomaliedetectie en verwachte waarden vastgesteld, alsmede welke gegevenspunten anomalieën zijn.
Het gebruik van Anomaly Detector vereist geen eerdere ervaring in machine learning en met de REST API kunt u de service eenvoudig integreren in uw toepassingen en processen.
Met de Univariate Anomaly Detector kunt u automatisch afwijkingen in uw tijdreeksgegevens detecteren, of wanneer deze zich in realtime voordoen.
| Functie | Omschrijving |
|---|---|
| Streamingdetectie | Anomalieën in uw streaminggegevens detecteren door de nieuwste punten te vergelijken met eerder gedetecteerde gegevenspunten. Met deze bewerking wordt een model gegenereerd met de gegevenspunten die u verzendt, en wordt bepaald of het doelpunt een anomalie is. Door de API aan te roepen bij elk nieuw gegevenspunt dat u genereert, kunt u uw gegevens bewaken terwijl ze worden gemaakt. |
| Batchdetectie | Uw tijdreeks gebruiken om eventuele anomalieën in uw gegevens op te sporen. Met deze bewerking wordt een model gegenereerd op basis van uw volledige tijdreeksgegevens, waarbij elk punt wordt geanalyseerd met hetzelfde model. |
| Detectie van wijzigingspunten | Uw tijdreeks om eventuele wijzigingspunten in uw gegevens te detecteren. Met deze bewerking wordt een model gegenereerd op basis van uw volledige tijdreeksgegevens, waarbij elk punt wordt geanalyseerd met hetzelfde model. |
Multivariate Anomaliedetectie
De Multivariate Anomaly Detection-API's maken ontwikkelaars verder in staat om geavanceerde AI te integreren voor het detecteren van afwijkingen uit groepen met metrische gegevens, zonder dat er kennis of gelabelde gegevens van machine learning nodig zijn. Afhankelijkheden en intercorrelatie tussen maximaal 300 verschillende signalen worden nu automatisch meegeteld als belangrijke factoren. Deze nieuwe mogelijkheid helpt u bij het proactief beveiligen van uw complexe systemen, zoals softwaretoepassingen, servers, fabrieksmachines, ruimtevaartuig of zelfs uw bedrijf, tegen storingen.
Stel dat 20 sensoren van een automotor 20 verschillende signalen genereren, zoals rotatie, brandstofdruk, lager, enz. De metingen van deze signalen afzonderlijk vertellen u mogelijk niet veel over problemen op systeemniveau, maar samen kunnen ze de status van de motor vertegenwoordigen. Wanneer de interactie van deze signalen buiten het gebruikelijke bereik afwijkt, kan de multivariate anomaliedetectiefunctie de anomalie als een doorgewinterde expert voelen. De onderliggende AI-modellen worden getraind en aangepast met behulp van uw gegevens, zodat deze inzicht heeft in de unieke behoeften van uw bedrijf. Met de nieuwe API's in Anomaly Detector kunnen ontwikkelaars nu eenvoudig de multivariate mogelijkheden voor anomaliedetectie integreren in voorspellende onderhoudsoplossingen, AIOps-bewakingsoplossingen voor complexe bedrijfssoftware of hulpprogramma's voor business intelligence.
Lid worden van de Anomaly Detector-community
Neem deel aan de anomaly Detector-adviseursgroep in Microsoft Teams voor betere ondersteuning en eventuele updates.
Algoritmen
Blogs en documenten:
- Inleiding tot Azure AI Anomaly Detector-API
- Overzicht van HET SR-CNN-algoritme in Azure AI Anomaly Detector
- Inleiding tot multivariate anomaliedetectie
- Anomaliedetectie van multivariate tijdreeksen via Graph Attention Network
- Time-Series Anomaly Detection Service bij Microsoft (geaccepteerd door KDD 2019)
Video's: