Vad är Avvikelseidentifiering?

Viktigt!

Från och med den 20 september 2023 kan du inte skapa nya Avvikelseidentifiering resurser. Tjänsten Avvikelseidentifiering dras tillbaka den 1 oktober 2026.

Kommentar

Från och med juli 2023 omfattar Azure AI-tjänster alla vad som tidigare kallades Cognitive Services och Azure Applied AI Services. Det finns inga ändringar i prissättningen. Namnen Cognitive Services och Azure Applied AI fortsätter att användas i Azure-fakturering, kostnadsanalys, prislista och pris-API:er. Det finns inga icke-bakåtkompatibla ändringar i programprogrammeringsgränssnitt (API:er) eller SDK:er.

Avvikelseidentifiering är en AI-tjänst med en uppsättning API:er som gör att du kan övervaka och identifiera avvikelser i dina tidsseriedata med lite kunskap om maskininlärning (ML), antingen batchvalidering eller realtidsinferens.

Den här dokumentationen innehåller följande typer av artiklar:

  • Snabbstarter är stegvisa instruktioner som gör att du kan göra anrop till tjänsten och få resultat på kort tid.
  • Interaktiv demo kan hjälpa dig att förstå hur Avvikelseidentifiering fungerar med enkla åtgärder.
  • Instruktionsguider innehåller instruktioner för hur du använder tjänsten på mer specifika eller anpassade sätt.
  • Självstudier är längre guider som visar hur du använder den här tjänsten som en komponent i bredare affärslösningar.
  • Kodexempel visar hur du använder Avvikelseidentifiering.
  • Konceptuella artiklar ger djupgående förklaringar av tjänstens funktioner och funktioner.

Avvikelseidentifiering funktioner

Med Avvikelseidentifiering kan du antingen identifiera avvikelser i en variabel med Univariate Avvikelseidentifiering eller identifiera avvikelser i flera variabler med Multivariate Avvikelseidentifiering.

Funktion Description
Univariate Anomaly Detection Identifiera avvikelser i en variabel, till exempel intäkter, kostnader osv. Modellen valdes automatiskt baserat på ditt datamönster.
Multivariatavvikelseidentifiering Identifiera avvikelser i flera variabler med korrelationer, som vanligtvis samlas in från utrustning eller andra komplexa system. Den underliggande modellen som används är ett Graph Attention Network.

Univariate Anomaly Detection

Med Univariate Avvikelseidentifiering-API:et kan du övervaka och identifiera avvikelser i dina tidsseriedata utan att behöva känna till maskininlärning. Algoritmerna anpassas genom att automatiskt identifiera och tillämpa de bäst passande modellerna på dina data, oavsett bransch, scenario eller datavolym. Med hjälp av dina tidsseriedata fastställer API:et gränser för avvikelseidentifiering, förväntade värden och vilka datapunkter som är avvikelser.

Line graph of detect pattern changes in service requests.

Användning av Avvikelseidentifiering kräver ingen tidigare erfarenhet av maskininlärning, och MED REST API kan du enkelt integrera tjänsten i dina program och processer.

Med Univariate-Avvikelseidentifiering kan du automatiskt identifiera avvikelser i tidsseriedata, eller när de inträffar i realtid.

Funktion Description
Identifiering av direktuppspelning Identifiera avvikelser i dina strömmande data med hjälp av tidigare sedda datapunkter för att avgöra om den senaste är en avvikelse. Den här åtgärden genererar en modell med hjälp av de datapunkter du skickar och avgör om målpunkten är en avvikelse. Genom att anropa API:et med varje ny datapunkt som du genererar kan du övervaka dina data när de skapas.
Batchidentifiering Använd din tidsserie för att identifiera eventuella avvikelser som kan finnas i dina data. Den här åtgärden genererar en modell med hjälp av hela tidsseriedata, där varje punkt analyseras med samma modell.
Identifiering av ändringspunkter Använd din tidsserie för att identifiera eventuella trendändringspunkter som finns i dina data. Den här åtgärden genererar en modell med hjälp av hela tidsseriedata, där varje punkt analyseras med samma modell.

Multivariatavvikelseidentifiering

API:erna för multivariatavvikelseidentifiering gör det möjligt för utvecklare ytterligare genom att enkelt integrera avancerad AI för att identifiera avvikelser från grupper av mått, utan att behöva maskininlärningskunskaper eller märkta data. Beroenden och korrelationer mellan upp till 300 olika signaler räknas nu automatiskt som nyckelfaktorer. Den här nya funktionen hjälper dig att proaktivt skydda dina komplexa system, till exempel program, servrar, fabriksdatorer, rymdfarkoster eller till och med ditt företag, från fel.

Line graph for multiple variables including: rotation, optical filter, pressure, bearing with anomalies highlighted in orange.

Föreställ dig 20 sensorer från en automotor som genererar 20 olika signaler som rotation, bränsletryck, lager osv. Avläsningarna av dessa signaler individuellt kanske inte berättar mycket om problem på systemnivå, men tillsammans kan de representera motorns hälsa. När interaktionen mellan dessa signaler avviker utanför det vanliga intervallet kan funktionen multivariatavvikelseidentifiering känna av avvikelsen som en erfaren expert. De underliggande AI-modellerna tränas och anpassas med hjälp av dina data så att de förstår företagets unika behov. Med de nya API:erna i Avvikelseidentifiering kan utvecklare nu enkelt integrera funktionerna för avvikelseidentifiering i flera tidsserier i lösningar för förutsägande underhåll, AIOps-övervakningslösningar för komplex företagsprogramvara eller business intelligence-verktyg.

Delta i communityn för avvikelseidentifiering

Gå med i gruppen Avvikelseidentifiering Advisors i Microsoft Teams för bättre support och eventuella uppdateringar!

Algoritmer

Nästa steg