ما هو Anomaly Detector؟
هام
اعتبارا من 20 سبتمبر 2023، لن تتمكن من إنشاء موارد Anomaly Detector جديدة. يتم إيقاف خدمة Anomaly Detector في 1 أكتوبر 2026.
إشعار
اعتبارا من يوليو 2023، تشمل خدمات Azure الذكاء الاصطناعي جميع ما كان يعرف سابقا باسم Cognitive Services وAzure Applied الذكاء الاصطناعي Services. لا توجد تغييرات على الأسعار. يستمر استخدام الأسماء Cognitive Services وAzure Applied الذكاء الاصطناعي في فوترة Azure وتحليل التكلفة وقائمة الأسعار وواجهات برمجة التطبيقات للسعر. لا توجد تغييرات فاصلة على واجهات برمجة التطبيقات (APIs) أو SDKs.
Anomaly Detector هي خدمة الذكاء الاصطناعي مع مجموعة من واجهات برمجة التطبيقات، والتي تمكنك من مراقبة واكتشاف الحالات الشاذة في بيانات السلسلة الزمنية الخاصة بك مع القليل من معرفة التعلم الآلي (ML)، إما التحقق من صحة الدفعة أو الاستدلال في الوقت الحقيقي.
تحتوي هذه المستندات على أنواع المقالات التالية:
- تمثل خطوات التشغيل السريع إرشادات خطوة بخطوة تسمح لك بإجراء استدعاءات للخدمة والحصول على النتائج في فترة زمنية قصيرة.
- يمكن أن يساعدك العرض التوضيحي التفاعلي في فهم كيفية عمل Anomaly Detector مع العمليات السهلة.
- تحتوي الأدلة الإرشادية على إرشادات استخدام الخدمة بطرق محددة ومخصصة.
- تُعد البرامج التعليمية بمثابة أدلة أطول توضح لك كيفية استخدام الخدمة كمكون في حلول الأعمال الأوسع نطاقًا.
- توضح نماذج التعليمات البرمجية كيفية استخدام Anomaly Detector.
- توفر المقالات المفاهيمية تفسيرات متعمقة لوظائف الخدمة وميزاتها.
قدرات Anomaly Detector
باستخدام Anomaly Detector، يمكنك إما اكتشاف الحالات الشاذة في متغير واحد باستخدام Univariate Anomaly Detector، أو الكشف عن الحالات الشاذة في متغيرات متعددة باستخدام Multivariate Anomaly Detector.
الميزة | الوصف |
---|---|
الكشف عن الحالات الشاذة أحادي المتغيرات | Detect anomalies في متغير واحد، مثل الإيرادات والتكلفة وما إلى ذلك. تم تحديد النموذج تلقائيًا استنادًا إلى نمط البيانات الخاص بك. |
الكشف عن الحالات الشاذة متعددة المتغيرات | كشف الشذوذ في متغيرات متعددة مع الارتباطات، والتي يتم جمعها عادة من المعدات أو أي نظام معقد آخر. النموذج الأساسي المستخدم هو شبكة انتباه Graph. |
الكشف عن الحالات الشاذة أحادي المتغيرات
تمكنك واجهة برمجة تطبيقات Univariate Anomaly Detector من مراقبة التشوهات واكتشافها في بيانات السلاسل الزمنية دون الحاجة إلى معرفة التعلم الآلي. تتكيف الخوارزميات من خلال تحديد وتطبيق أفضل النماذج المناسبة لبياناتك تلقائيا، بغض النظر عن الصناعة أو السيناريو أو حجم البيانات. يحدد API باستخدام بيانات السلسلة الزمنية الخاصة بك حدود اكتشاف الانحرافات والقيم المتوقعة ونقاط البيانات التي تعتبر حالات خارجة عن المألوف.
لا يتطلب استخدام جهاز الكشف عن القيم الخارجة عن المألوف أي خبرة سابقة في التعلم الآلي، كما تمكنك واجهة برمجة التطبيقات REST من دمج الخدمة بسهولة في التطبيقات والعمليات الخاصة بك.
باستخدام Univariate Anomaly Detector، يمكنك اكتشاف الحالات الخارجة عن المألوف تلقائيًا عبر بيانات السلاسل الزمنية الخاصة بك، أو كما تحدث في الوقت الفعلي.
الميزة | الوصف |
---|---|
كشف التدفق | اكتشف الحالات الشاذة في بياناتك المتدفقة باستخدام نقاط البيانات التي سبقت رؤيتها لتحديد ما إذا كانت أحدث بياناتك تمثل حالة شاذة. تنشئ هذه العملية نموذجًا باستخدام نقاط البيانات التي ترسلها، وتحدد ما إذا كانت النقطة المستهدفة تمثل حالة غير مألوفة. من خلال استدعاء واجهة برمجة التطبيقات مع كل نقطة بيانات جديدة تنشئها، يمكنك مراقبة بياناتك أثناء إنشائها. |
الكشف عن الحزم | استخدام السلسلة الزمنية للكشف عن أي حالات شاذة قد تكون موجودة في البيانات. تنشئ هذه العملية نموذجًا باستخدام بيانات السلاسل الزمنية بأكملها، مع تحليل كل نقطة بنفس النموذج. |
اكتشاف نقاط التغيير | استخدم سلسلتك الزمنية لاكتشاف أي نقاط تغيير اتجاه موجودة في بياناتك. تنشئ هذه العملية نموذجًا باستخدام بيانات السلاسل الزمنية بأكملها، مع تحليل كل نقطة بنفس النموذج. |
الكشف عن الحالات الشاذة متعددة المتغيرات
تمكن واجهات برمجة التطبيقات متعددة المتغيرات للكشف عن الحالات الشاذة المطورين من خلال دمج الذكاء الاصطناعي المتقدمة بسهولة للكشف عن الحالات الشاذة من مجموعات المقاييس، دون الحاجة إلى معرفة التعلم الآلي أو البيانات المسماة. يتم الآن احتساب التبعيات والعلاقات المتبادلة بين ما يصل إلى 300 إشارة مختلفة تلقائياً كعوامل رئيسية. تساعدك هذه الإمكانية الجديدة على حماية الأنظمة المعقدة بشكل استباقي مثل تطبيقات البرامج أو الخوادم أو آلات المصانع أو المركبات الفضائية أو حتى عملك، من الفشل.
تخيل 20 مستشعراً من محرك تلقائي يولد 20 إشارة مختلفة مثل الدوران، وضغط الوقود، والمحمل، وما إلى ذلك. قد لا تخبرك قراءات هذه الإشارات بشكل فردي بالكثير عن مشكلات مستوى النظام، ولكنها معاً يمكن أن تمثل صحة المحرك. عندما ينحرف تفاعل هذه الإشارات عن النطاق المعتاد، يمكن لميزة اكتشاف الحالات غير العادية متعدد المتغيرات أن تشعر بالحالات غير العادية مثل خبير متمرس. يتم تدريب نماذج الذكاء الاصطناعي الرئيسية وتخصيصها باستخدام بياناتك بحيث تفهم الاحتياجات الفريدة لعملك. مع واجهات برمجة التطبيقات الجديدة في Anomaly Detector، يمكن للمطورين الآن دمج إمكانيات الكشف عن حالات غير عادية في التسلسل الزمني متعددة المتغيرات بسهولة في حلول الصيانة التنبؤية أو حلول مراقبة AIOps لبرامج المؤسسات المعقدة أو أدوات ذكاء الأعمال.
انضم إلى مجتمع Anomaly Detector
انضم إلى مجموعة Anomaly Detector Advisors على Microsoft Teams للحصول على دعم أفضل وأي تحديثات!
الخوارزميات
المدونات والأوراق:
- تقديم واجهة برمجة تطبيقات Azure الذكاء الاصطناعي Anomaly Detector
- نظرة عامة على خوارزمية SR-CNN في Azure الذكاء الاصطناعي Anomaly Detector
- تقديم الكشف عن الحالات الشاذة متعددة المتغيرات
- سلسلة زمنية متعددة المتغيرات الكشف عن الحالات الشاذة عبر شبكة انتباه الرسم البياني
- Time-Series Anomaly Detection Service في Microsoft (مقبولة من قبل KDD 2019)
أشرطة فيديو: