می‌توانید ناهنجاری‌ها را در داده‌های سری زمانی خود با استفاده از اعتبار سنجی دسته‌ای یا استنتاج بلادرنگ با کمک مجموعه‌ای از AIS API به نام آشکارساز ناهنجاری، نظارت و شناسایی کنید، حتی اگر تجربه یادگیری ماشینی (ML) کم یا اصلاً نداشته باشید.
• QuickStart راهنماهای گام به گامی هستند که به شما امکان می دهند با سرویس تماس بگیرید و به سرعت به نتایج برسید.
• یک نسخه نمایشی تعاملی می‌تواند درک نحوه عملکرد آشکارساز ناهنجاری را برای شما آسان‌تر کند.
• راهنماهای نحوه ارائه راهنمایی در مورد نحوه استفاده از خدمات به روش های دقیق تر یا منحصر به فرد.
• راهنماهای طولانی تر به نام آموزش نحوه استفاده از این سرویس را به عنوان بخشی از راه حل های تجاری بزرگتر توضیح می دهند.
• استفاده از آشکارساز ناهنجاری از طریق نمونه کد نشان داده شده است.
• مقالات مفهومی شامل توضیحات کاملی از عملکرد و ویژگی های سرویس است.
توانایی تشخیص ناهنجاری ها.
می‌توانید از آشکارساز ناهنجاری برای تشخیص ناهنجاری‌ها در یک متغیر با استفاده از آشکارساز ناهنجاری تک متغیره یا یافتن ناهنجاری‌ها در بسیاری از متغیرها با استفاده از آشکارساز آنومالی چند متغیره استفاده کنید.
تشخیص ناهنجاری های تک متغیره
به دنبال ناهنجاری ها در یک متغیر، مانند هزینه یا درآمد باشید. مدل به طور خودکار بر اساس الگوی موجود در داده های شما انتخاب شد.
تشخیص ناهنجاری های چند متغیره
برای یافتن ناهنجاری‌ها در بسیاری از متغیرها، از همبستگی‌ها، که معمولاً از تجهیزات یا سیستم‌های پیچیده دیگر جمع‌آوری می‌شوند، استفاده کنید. یک شبکه توجه به نام گراف به عنوان مدل زیربنایی عمل می کند.
تشخیص ناهنجاری های تک متغیره
بدون تجربه قبلی یادگیری ماشین، می توانید از API تشخیص ناهنجاری تک متغیره برای ردیابی و شناسایی ناهنجاری ها در داده های سری زمانی خود استفاده کنید. الگوریتم‌ها با یافتن خودکار بهترین مدل‌ها و استفاده از آنها با داده‌های شما، صرف‌نظر از صنعت، موقعیت یا مقدار داده، سازگار می‌شوند. با استفاده از داده های سری زمانی شما، API مرزهای بالا و پایین را برای تشخیص ناهنجاری، مقادیر مورد انتظار، و اینکه کدام نقاط داده غیرعادی هستند، تعیین می کند.
شناسایی جریان
برای شناسایی ناهنجاری‌ها در داده‌های جریان خود، از نقاط داده‌ای که قبلاً مشاهده شده‌اید استفاده کنید تا مشخص کنید که آیا آخرین نقطه داده شما نامنظم است یا خیر. این عملیات مدلی را ایجاد می کند که با استفاده از نقاط داده ای که ارائه می کنید، تعیین می کند که آیا نقطه هدف یک ناهنجاری است یا خیر. با فراخوانی API هر بار که یک نقطه داده جدید اضافه می شود، می توانید بر ایجاد داده های خود نظارت کنید.
تشخیص دسته
با استفاده از سری زمانی خود به دنبال هر گونه ناهنجاری احتمالی در داده های خود باشید. این فرآیند مدلی را ایجاد می کند که هر نقطه را با استفاده از مدل یکسان در کل سری زمانی داده های شما تجزیه و تحلیل می کند.
تشخیص نقاط تغییر
از سری زمانی خود برای شناسایی نقاط تغییر روند که در داده های شما وجود دارد استفاده کنید. این عملیات یک مدل را با استفاده از کل داده های سری زمانی تولید می کند که هر نقطه با همان مدل تحلیل می شود.
تشخیص ناهنجاری های چند متغیره
با ساده‌سازی ترکیب هوش مصنوعی پیشرفته برای شناسایی ناهنجاری‌ها از مجموعه‌های اندازه‌گیری بدون نیاز به داده‌های برچسب‌گذاری شده یا دانش یادگیری ماشین، APIهای تشخیص ناهنجاری چند متغیره توسعه‌دهندگان را بیشتر توانمند می‌سازند. وابستگی ها و تعاملات تا 300 سیگنال متمایز اکنون به طور خودکار به عنوان عناصر مهم شمرده می شوند. با این ظرفیت منحصر به فرد، می توانید از مشکلات سیستم های پیچیده مانند برنامه های نرم افزاری، سرورها، ابزارهای تولید، فضاپیماها یا حتی کسب و کار خود جلوگیری کنید.
با شناسایی زودهنگام مسائل، ممکن است قابلیت اطمینان شرکت خود را افزایش دهید.
برنامه‌های شما ممکن است به راحتی ویژگی‌های تشخیص ناهنجاری سری زمانی را برای کمک به کاربران در یافتن سریع مشکلات ترکیب کنند. داده‌های سری زمانی از انواع مختلف توسط آشکارساز ناهنجاری جذب می‌شوند، که سپس دقیق‌ترین تکنیک تشخیص ناهنجاری را برای داده‌های شما انتخاب می‌کند. از هر دو API تک متغیره و چند متغیره برای یافتن نوک ها، شیب ها، انحرافات الگوی چرخه ای و تغییر روند استفاده کنید. سرویس را برای یافتن ناهنجاری‌هایی با هر شدتی تطبیق دهید. بسته به جایی که به آن نیاز دارید، سرویس تشخیص ناهنجاری را در فضای ابری یا در لبه هوشمند نصب کنید.
• برای به حداکثر رساندن دقت برای موقعیت شما، یک موتور استنتاج قوی اطلاعات سری زمانی شما را تجزیه و تحلیل می کند و به طور خودکار بهترین الگوریتم تشخیص ناهنجاری را انتخاب می کند.
• استفاده از تشخیص خودکار به‌جای داده‌های آموزشی برچسب‌گذاری‌شده به شما امکان می‌دهد در زمان صرفه‌جویی کنید و به محض بروز مشکلات روی حل آنها تمرکز کنید.
• شما می توانید حساسیت به ناهنجاری های احتمالی را بر اساس مشخصات ریسک شرکت خود با استفاده از پارامترهای قابل تنظیم تنظیم کنید.
ویژگی های آشکارساز ناهنجاری لاجوردی
سرعت بخشیدن به فرآیند بینش
با راه اندازی ساده از طریق رابط Azure و فناوری های تشخیص ناهنجاری در زمان واقعی، می توانید حل مشکل را تسریع کنید. تنها چیزی که لازم است سه خط کد است.
ناهنجاری ها را در بسیاری از متغیرها پیدا کنید.
قبل از اینکه آنها بر سازمان شما تأثیر بگذارند، از تشخیص ناهنجاری چند متغیره برای ارزیابی چندین سیگنال و همبستگی بین آنها استفاده کنید.
تقریباً در هر شرایطی مسائل را پیدا کنید.
یک رویکرد واحد نمی تواند تمام اشکال متعددی را که داده های سری زمانی می توانند داشته باشند، مدیریت کند. پس از تجزیه و تحلیل مجموعه داده های سری زمانی شما، آشکارساز ناهنجاری به طور خودکار بهترین الگوریتم و تکنیک های تشخیص ناهنجاری را از گالری مدل انتخاب می کند. از این سرویس برای اطمینان از دقت بالا هنگام رسیدگی به تقلب، نظارت بر ترافیک دستگاه های اینترنت اشیا و تطبیق با شرایط متغیر بازار استفاده کنید.
آزمایشگاه عملی برای ایجاد نمونه خدمات آشکارساز ناهنجاری Azure
اکنون می خواهیم یک نمونه سرویس آشکارساز ناهنجاری لاجوردی ایجاد کنیم.
مرحله شماره 1 سرویس Azure AI Anomaly Detector را انتخاب کنید
مرحله شماره 2 تنظیمات پایه را انتخاب کنید
تنظیمات اولیه را برای یک برنامه اضافه کنید و سپس نمونه سرویس Azure data lake gen 2 را ایجاد کنید.
Azure Data Lake Gen 2
مرحله شماره 3 گزینه Security را انتخاب کنید
گزینه های امنیتی را برای فضای کاری خود پیکربندی کنید.
احراز هویت
روش احراز هویت را برای دسترسی به منابع فضای کاری مانند استخرهای SQL انتخاب کنید. روش احراز هویت را می توان بعداً تغییر داد.
اعتبار سرور را ایجاد کنید
مرحله شماره 4 گزینه Networking را انتخاب کنید
مرحله شماره 5 گزینه های Azure Tags را انتخاب کنید
برچسب‌ها جفت‌هایی نام/مقدار هستند که به شما امکان می‌دهند منابع را دسته‌بندی کنید و با اعمال یک برچسب روی چندین منبع و گروه منابع، صورت‌حساب تلفیقی را مشاهده کنید.
مرحله شماره 6 مرور و ایجاد کنید
اکنون بررسی را بزنید و یک دکمه برای ایجاد یک نمونه برای سرویس آشکارساز ناهنجاری Azure ایجاد کنید.
استقرار اولیه سرویس
اکنون می بینید که استقرار اولیه ما آغاز شده است
استقرار در حال پیشرفت است
استقرار سرویس در حال انجام است.
سرویس مستقر و آماده استفاده است
