Was ist die Anomalieerkennung?
Wichtig
Ab dem 20. September 2023 können Sie keine neuen Ressourcen für die Anomalieerkennung mehr erstellen. Der Anomalieerkennungsdienst wird am 1. Oktober 2026 eingestellt.
Die Anomalieerkennung ist ein KI-Dienst mit einer Reihe von APIs, mit dem Sie Anomalien in Ihren Zeitreihendaten mit wenig Kenntnissen in maschinellem Lernen (ML) überwachen und erkennen können, entweder per Batchüberprüfung oder Echtzeitrückschluss.
Diese Dokumentation enthält die folgenden Arten von Artikeln:
- Schnellstarts sind Schritt-für-Schritt-Anleitungen, mit denen Sie Aufrufe an den Dienst senden können und in kurzer Zeit Ergebnisse erhalten.
- Mit der interaktiven Demo können Sie verstehen, wie die Anomalieerkennung bei einfachen Vorgängen funktioniert.
- Schrittanleitungen enthalten Anweisungen zur spezifischeren oder individuelleren Verwendung des Diensts.
- Tutorials sind ausführlichere Leitfäden, in denen die Verwendung dieses Diensts als Komponente in umfassenderen Unternehmenslösungen veranschaulicht wird.
- Codebeispiele veranschaulichen die Verwendung der Anomalieerkennung.
- Die konzeptionellen Artikel bieten ausführliche Erläuterungen der Funktionen und Features eines Diensts.
Funktionen der Anomalieerkennung
Mit der Anomalieerkennung können Sie entweder Anomalien in einer Variablen mithilfe von Univariater Anomalieerkennung erkennen oder Anomalien in mehreren Variablen mit der multivariaten Anomalieerkennung erkennen.
| Funktion | BESCHREIBUNG |
|---|---|
| Univariate Anomalieerkennung | Erkennen von Anomalien in einer Variablen, z. B. Einnahmen, Kosten usw. Das Modell wurde automatisch basierend auf Ihrem Datenmuster ausgewählt. |
| Multivariate Anomalieerkennung | Erkennen Sie Anomalien in mehreren Variablen mit Korrelationen, die normalerweise von Geräten oder einem anderen komplexen System gesammelt werden. Das zugrunde liegende Modell ist ein Graph Attention Network (GAT). |
Univariate Anomalieerkennung
Die API für die univariate Anomalieerkennung bietet Ihnen die Möglichkeit, Anomalien in Ihren Zeitreihendaten ohne Kenntnisse in maschinellem Lernen zu überwachen und zu erkennen. Die Algorithmen passen sich an, indem die am besten passenden Modelle für Ihre Daten automatisch identifiziert und angewendet werden, unabhängig von der Branche, dem Szenario oder der Datenmenge. Mithilfe der Zeitreihendaten bestimmt die API die Grenzen für die Anomalieerkennung, die erwarteten Werte und, welche Datenpunkte Anomalien sind.
Für die Verwendung der Anomalieerkennung sind keine Erfahrungen im Bereich des maschinellen Lernens erforderlich. Dank der REST-API können Sie den Dienst einfach in Ihre Anwendungen und Prozesse integrieren.
Mit der univariaten Anomalieerkennung können Sie Anomalien in allen Zeitreihendaten, oder auch während sie in Echtzeit auftreten, automatisch erkennen.
| Funktion | BESCHREIBUNG |
|---|---|
| Streamingerkennung | Anomalien werden in Ihren Streamingdaten erkannt, indem anhand vorheriger Datenpunkte ermittelt wird, ob der letzte Punkt eine Anomalie ist. Bei diesem Vorgang wird anhand der von Ihnen gesendeten Datenpunkte ein Modell generiert und bestimmt, ob der Zielpunkt eine Anomalie ist. Durch Aufrufen der API mit jedem neu generierten Datenpunkt können Sie Daten während der Erstellung überwachen. |
| Batcherkennung | Die Zeitreihe wird verwendet, um alle Anomalien zu erkennen, die in den gesamten Daten potenziell vorhanden sind. Bei diesem Vorgang wird anhand der gesamten Zeitreihendaten ein Modell generiert, bei dem jeder Punkt mit demselben Modell analysiert wird. |
| Erkennung von Änderungspunkten | Nutzen Sie Ihre Zeitreihe, um Trendänderungspunkte in Ihren Daten zu erkennen. Bei diesem Vorgang wird anhand der gesamten Zeitreihendaten ein Modell generiert, bei dem jeder Punkt mit demselben Modell analysiert wird. |
Multivariate Anomalieerkennung
Die APIs für die multivariate Anomalieerkennung erweitern die Möglichkeiten von Entwickler*innen durch die einfache Integration fortschrittlicher KI zur Erkennung von Anomalien in Gruppen von Metriken. Dazu sind weder Kenntnisse in maschinellem Lernen noch gekennzeichnete Daten erforderlich. Abhängigkeiten und gegenseitige Wechselwirkungen zwischen bis zu 300 verschiedenen Signalen werden jetzt automatisch als Schlüsselfaktoren gewertet. Diese neue Funktion hilft Ihnen, Ihre komplexen Systeme wie Softwareanwendungen, Server, Fertigungssysteme, Raumfahrzeuge oder schlicht Ihr Unternehmen proaktiv vor Ausfällen zu schützen.
Stellen Sie sich 20 Sensoren eines Automotors vor, die 20 verschiedene Signale wie beispielsweise Rotation, Kraftstoffdruck oder Lager generieren. Die Messwerte dieser Signale geben Ihnen einzeln möglicherweise nicht allzu viel Auskunft über Probleme auf Systemebene, aber zusammen können sie den Zustand des Motors abbilden. Wenn die Interaktion dieser Signale außerhalb des üblichen Bereichs abweicht, kann das Feature zur multivariaten Anomalieerkennung die Anomalie wie ein erfahrener Experte erkennen. Die zugrunde liegenden KI-Modelle werden mit Ihren Daten trainiert und angepasst, sodass sie die besonderen Anforderungen Ihres Unternehmens verstehen. Mit den neuen APIs in der Anomalieerkennung können Entwickler jetzt problemlos die Funktionen zur Anomalieerkennung in multivariaten Zeitreihen in Predictive Maintenance-Lösungen, AIOps-Überwachungslösungen für komplexe Unternehmenssoftware oder Business Intelligence-Tools integrieren.
Beitreten zur Anomalieerkennungs-Community
Nehmen Sie an der Gruppe Anomalieerkennungsberater in Microsoft Teams teil, um bessere Unterstützung und alle Updates zu erhalten!
Algorithmen
Blogs und Papers:
- Einführung in die Azure KI Anomalie Detektor-API
- Übersicht über den SR-CNN-Algorithmus in Azure KI Anomalie Detektor
- Einführung in die Erkennung von multivariaten Anomalien
- Multivariate Zeitreihen-Anomalieerkennung über ein Graph-Aufmerksamkeitsnetzwerk
- Dienst zur Anomalieerkennung in Zeitreihen bei Microsoft (akzeptiert von KDD 2019)
Videos: