Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Importante
Traduções que não sejam em inglês são fornecidas apenas por conveniência. Consulte a EN-US versão deste documento para obter a versão vinculativa.
O que é uma Nota de Transparência?
Um sistema de IA inclui não apenas a tecnologia, mas também as pessoas que a usarão, as pessoas que serão afetadas por ela e o ambiente em que ela é implantada. Criar um sistema adequado ao fim a que se destina requer uma compreensão de como a tecnologia funciona, suas capacidades e limitações, e como alcançar o melhor desempenho.
A Microsoft fornece Notas de Transparência para ajudá-lo a entender como nossa tecnologia de IA funciona. Isso inclui as escolhas que os proprietários do sistema podem fazer que influenciam o desempenho e o comportamento do sistema, e a importância de pensar em todo o sistema, incluindo a tecnologia, as pessoas e o meio ambiente. Você pode usar as Notas de Transparência ao desenvolver ou implantar seu próprio sistema ou compartilhá-las com as pessoas que usarão ou serão afetadas pelo seu sistema.
As Notas de Transparência fazem parte de um esforço mais amplo da Microsoft para colocar nossos princípios de IA em prática. Para saber mais, consulte os Princípios de IA da Microsoft.
Observação
Embora as informações neste artigo se refiram apenas ao Detetor de Anomalias, a maioria dos conceitos descritos se aplica ao Detetor de Anomalias e ao Azure AI Metrics Advisor. O Metrics Advisor foi desenvolvido com base na tecnologia central do Detetor de Anomalias.
Introdução ao Detetor de Anomalias
Aqui estão alguns termos-chave para ajudá-lo a começar a usar o Detetor de Anomalias.
| Período | Definição |
|---|---|
| Séries cronológicas | Uma série temporal é uma série de pontos de dados indexados (ou listados ou grafados) em ordem cronológica. Mais comumente, uma série temporal é uma sequência tomada em pontos sucessivos e igualmente espaçados no tempo. É uma sequência de dados de tempo discreto e geralmente contém timestamps, dimensões (opcional) e medidas. |
| Dimensão | Uma dimensão é um ou mais valores categóricos. A combinação desses valores identifica uma série temporal univariada específica, por exemplo: país, idioma, locatário e assim por diante. |
| Medida | Uma medida é um termo fundamental ou específico da unidade e um valor quantificável da métrica. |
| Granularidade | Os dados de entrada das séries cronológicas têm de estar em pontos no tempo igualmente espaçados. Isso significa que os dados precisam ser pré-agregados a uma granularidade específica, como por ano, mês, semana, dia, hora, minuto ou segundo. |
| Sensibilidade | Um parâmetro do sistema indicado por um valor numérico que ajusta a tolerância da deteção de anomalias. A redução da sensibilidade aumenta o intervalo identificado como normal, o que leva a menos anomalias detetadas. |
| MaxAnomalyRatio | A razão máxima de anomalias a serem detetadas a partir de uma série temporal. Por exemplo, se for definido como 0,25, para uma série temporal com 100 pontos, o máximo de pontos de anomalia seria 25. |
O Detetor de Anomalias é um serviço de IA que permite monitorar e detetar anormalidades em seus dados de séries temporais com aprendizado de máquina. A API do Detetor de Anomalias adapta-se identificando e aplicando automaticamente os modelos mais adequados aos seus dados, independentemente do setor, cenário ou volume de dados. Usando seus dados de séries temporais, a API determina limites para deteção de anomalias, valores esperados e anormalidades em dados de séries temporais usando aprendizado de máquina.
O básico do Detetor de Anomalias
O uso do Detetor de Anomalias não requer nenhuma experiência prévia em aprendizado de máquina. A API RESTful permite que você integre facilmente o serviço em seus aplicativos e processos. A API do Detetor de Anomalias pode ser implantada usando a nuvem ou a borda inteligente com contêineres.
A API RESTful do Detector de Anomalias usa dados de séries temporais como entrada, cujas partes principais são timestamps e os valores numéricos das métricas a serem analisadas. A saída da API contém o status anômalo de cada ponto de dados.
O Detetor de Anomalias v1.0 suporta três operações diferentes:
- A operação /last deteta anomalias para os pontos de dados mais recentes em cenários de monitoramento de dados de streaming.
- A operação /entire deteta anomalias através de todos os seus dados de séries temporais. Um único modelo estatístico é criado e aplicado a cada ponto da série temporal.
- A operação /changepoint localiza pontos de alteração de tendência de todos os dados de séries temporais em um lote.
Além das anomalias observadas, essas chamadas também retornam outras informações sobre os dados, incluindo valores esperados, limites de anomalias e posições. Leia mais para obter as melhores práticas sobre qual operação escolher.
Exemplos de casos de uso
O Detetor de Anomalias pode ser usado em vários cenários em uma variedade de indústrias. Eis alguns exemplos:
- Monitoramento de métricas de negócios: acompanhe o desempenho das métricas de negócios em tempo real para identificar mudanças substantivas ou repentinas. Um exemplo é um padrão numérico inesperado com usuários ativos diários de um site, estoque ou receita.
- Monitoramento de métricas de operações de TI: analise e monitore dados de telemetria, como contadores de desempenho de operações de TI, para detetar anomalias que possam afetar a integridade e o desempenho de um sistema de TI. Os exemplos incluem o uso da CPU de VMs, a taxa de transferência de bancos de dados ou até mesmo o número de entradas e inscrições de um site.
- Monitoramento de dados de IoT de sensores e manutenção preditiva: Os dados de sensores lidos de sensores IoT que são implantados em chão de fábrica, linhas de produção, plataformas de petróleo e oleodutos, ou até mesmo carros e drones podem ser analisados e monitorados com o Detetor de Anomalias. As anomalias detetadas a partir dos dados podem indicar um estado anómalo da máquina. O aplicativo que você cria pode informar os revisores humanos, permitindo que eles tomem possíveis ações de manutenção antes que um problema maior surja.
Considerações ao escolher um caso de utilização
- Em casos de uso com potencial para impactar a segurança física de seres humanos, inclua a revisão humana dos resultados antes de qualquer decisão sobre operações. Exemplos de tais casos de uso incluem o monitoramento e a deteção de um estado anômalo no desempenho de máquinas no chão de fábrica ou nas linhas de produção.
- Não use o Detetor de Anomalias para decisões que possam ter impactos adversos graves: Exemplos de tais casos de uso incluem cenários de cuidados de saúde, como monitoramento de batimentos cardíacos ou níveis de glicose no sangue. As decisões baseadas em resultados incorretos podem ter graves impactos negativos. Além disso, é aconselhável incluir a revisão humana de decisões que têm o potencial de impactos graves nos indivíduos.
- Não use o Detetor de Anomalias no monitoramento do espaço de trabalho em indivíduos. Como o Detetor de Anomalias não tem capacidades de avaliação qualitativa, não é adequado para monitorar ou avaliar a atividade humana, como no local de trabalho. Não recomendamos que seja usado dessa forma. Além disso, a monitorização do local de trabalho pode não ser legal na sua jurisdição.
- Considerações legais e regulatórias: As organizações precisam avaliar possíveis obrigações legais e regulatórias específicas ao usar quaisquer serviços e soluções de IA, que podem não ser apropriados para uso em todos os setores ou cenários. Além disso, os serviços ou soluções de IA não são projetados e não podem ser usados de maneiras proibidas nos termos de serviço aplicáveis e nos códigos de conduta relevantes.