Článek přečtěte do 4 min.

Oracle nabízí mnoho možností pro strojové učení a umělou inteligenci v rámci služeb Oracle Analytics Cloud a Oracle Cloud Infrastructure (OCI) AI Services. Jednou z těchto schopností je detekce anomálií. Detekce anomálií OCI AI poskytuje dávkovou detekci anomálií v reálném čase pro data časových řad a výsledky lze importovat do Oracle Analytics Cloud pro další analýzu.

Tento článek vysvětluje, jak můžete využít výhod Oracle Analytics Cloud (OAC) a OCI AI anomálií k odhalení statistik ze zjištěných anomálií.

Příklad sešitu Oracle Analytics k identifikaci anomálií teplotních odchylek na základě modelu detekce anomálií OCI AI.
Příklad sešitu Oracle Analytics k identifikaci anomálií teplotních odchylek na základě modelu detekce anomálií OCI AI.

Detekce anomálií v OCI:

Proces detekce anomálií v OCI se skládá ze čtyř hlavních kroků: vytvoření projektu, vytvoření datového aktiva, trénování modelu a detekce anomálií.

Vytvoření projektu:

Nejprve vytvoříte projekt, který je pracovním prostorem pro spolupráci k uspořádání prostředků vytvořených v následujících krocích.

Vytvoření datového aktiva:

Dále vytvoříte datový zdroj, což jsou data použitá k trénování modelu. Datové prostředky podporují různé typy zdrojů dat, jako je Oracle Object Storage, Oracle Autonomous Transaction Processing a InfluxDB.

Výcvik:

Dále trénujete datový model. To zahrnuje výběr datového aktiva (tréninková data) pro model, na který se má odkazovat, nastavení cílové pravděpodobnosti falešného poplachu a nastavení poměru trénovacích zlomků.

Vytvořte a trénujte model
Vytvořte a trénujte datový model.

Pravděpodobnost falešného poplachu je pravděpodobnost, že je časové razítko označeno jako anomálie v trénovacích datech. Počítá se pro každou úroveň signálu a je zprůměrován napříč všemi signály. Čím vyšší je pravděpodobnost falešného poplachu v modelu, tím je pravděpodobnější, že anomálie zjištěné v modelu budou falešnými poplachy. Uživatelé mohou určit pravděpodobnost falešného poplachu na základě svých požadavků na citlivost.

Poměr cvičné frakce specifikuje poměr celých trénovacích dat používaných algoritmem detekce anomálií OCI k naučení vzoru a trénování modelu. Zbývající data (1 minus poměr cvičné frakce) použije algoritmus k vyhodnocení výkonu modelu sestavy.

Detekce:

Po trénování datového modelu můžete pomocí nových dat detekovat anomálie jednoduchým nahráním těchto dat do modelu a spuštěním Detekce anomálií. Máte možnost vybrat Citlivost, která řídí, jak citlivý je algoritmus na označování anomálií. Čím vyšší je citlivost, tím více anomálií je označeno.

Nahrajte ukázková data a nastavte citlivost
Nahrajte ukázková data nastavte a citlivost.

Po spuštění detekce anomálií jsou výsledky okamžitě vygenerovány a zpřístupněny ke stažení ve formátu JSON a CSV. Pokud chcete na výsledky odkazovat v OAC, stáhněte si tento formát CSV.

Prohlédněte si anomálie zjištěné ve vzorových datech pomocí modelu detekce anomálií.
Prohlédněte si anomálie zjištěné ve vzorových datech pomocí modelu detekce anomálií.

Chcete-li se podrobně seznámit s detekcí anomálií, nezapomeňte se podívat na workshop Oracle LiveLabs Detekce anomálií. Kdokoli se může zaregistrovat do bezplatné zkušební verze OCI a projít si jednotlivé kroky.

Analýza výsledků detekce anomálií v cloudu Oracle Analytics:

OAC pomáhá usnadnit hlubší analýzu výsledků detekce anomálií OCI a poskytuje platformu pro vytváření vylepšených řídicích panelů pro sdílení těchto výsledků s ostatními. Pomocí OAC nahrajte a spojte ukázková data a výsledky detekce anomálií ve formátu CSV, který jste si stáhli v předchozím kroku.

Chcete-li to provést, postupujte takto:

  1. Otevřete OAC.
  2. Na domovské stránce klikněte na Vytvořit a poté na Dataset.
  3. Nahrajte ukázková data a postupujte podle pokynů.
  4. Nahrajte soubor CSV s výsledky detekce anomálií kliknutím na znaménko plus (+) vedle tlačítka Hledat na stránce Nová datová sada, kliknutím na Přidat soubor a podle pokynů.
  5. Nyní, když jsou oba soubory v datové sadě, připojte zdroje dat kliknutím pravým tlačítkem na jeden ze zdrojů dat a vyberte Připojit k.
  6. Vytvořte pravé spojení z výsledků detekce anomálií k ukázkovým datům (nebo naopak levé spojení) pro sloupce, které se objevují v obou zdrojích dat.
  7. Uložte datovou sadu.
Připojte se k vzorovým datům a detekování anomálií v cloudu Oracle Analytics.
Připojte se k vzorovým datům a detekování anomálií v cloudu Oracle Analytics.

Dále jste připraveni vytvořit vyleštěný řídicí panel pro prezentaci analýzy.

Následuj tyto kroky:

  1. Klikněte na Vytvořit sešit v OAC.
  2. Pokud ještě není přidán, přidejte datovou sadu kliknutím na ikonu plus (+) vedle tlačítka Hledat.
  3. Pomocí typů vizualizace, jako jsou dlaždice, filtry řídicích panelů, kombinované grafy, pruhové grafy a textová pole, můžete vysvětlit a zvýraznit anomálie v datech.
  4. Uložte sešit a příslušné zabezpečení, abyste mohli sdílet s ostatními.
Použijte typy vizualizace v OAC ke zvýraznění a vysvětlení anomálií pro další akci
Použijte typy vizualizace v OAC ke zvýraznění a vysvětlení anomálií pro další akci.

Výzva k akci:

Služba Oracle Cloud Infrastructure AI Anomaly Detection i Oracle Analytics Cloud jsou výkonné nástroje, které vám pomohou odhalit, sdílet a prezentovat statistické anomálie. Vyzkoušejte je.

Zdroj: Oracle