Vad är avvikelseidentifiering?
Viktigt!
Från och med den 20 september 2023 kommer du inte att kunna skapa nya avvikelseidentifieringsresurser. Tjänsten Avvikelseidentifiering dras tillbaka den 1 oktober 2026.
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.
Funktioner för avvikelseidentifiering
Med avvikelseidentifiering kan du antingen identifiera avvikelser i en variabel med hjälp av Univariate Anomaly Detector eller identifiera avvikelser i flera variabler med Multivariate Anomaly Detector.
| Funktion | beskrivning |
|---|---|
| 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 API:et för univariate-avvikelseidentifiering 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.
Användning av avvikelseidentifiering kräver ingen tidigare erfarenhet av maskininlärning, och MED REST-API:et kan du enkelt integrera tjänsten i dina program och processer.
Med Univariate Anomaly Detector kan du automatiskt identifiera avvikelser i tidsseriedata, eller när de inträffar i realtid.
| Funktion | beskrivning |
|---|---|
| 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.
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 Advisors för avvikelseidentifiering i Microsoft Teams för bättre support och eventuella uppdateringar!
Algoritmer
Bloggar och papper:
- Introduktion till API för avvikelseidentifiering i Azure AI
- Översikt över SR-CNN-algoritmen i Azure AI Anomaly Detector
- Introduktion till multivariatavvikelseidentifiering
- Multivariate time series Anomaly Detection via Graph Attention Network
- Time Series Anomaly Detection Service på Microsoft (accepteras av KDD 2019)
Videor: