Anomalien in kleinen Datasets erkennen

Erkennen Sie Anomalien in kleinen Datasets in Anomaly Detection.

Der Anomaly Detection-Service bietet eine granulare Kontrolle darüber, wie Sie die Vorhersage des Modells verbessern können. Eine Änderung des Empfindlichkeitswertes kann die Anzahl der Anomalien in der Antwort basierend auf der Modellkonfidenz erhöhen oder verringern. Der Anomaliescore für eine detektierte Anomalie setzt voraus, dass die Modellkonfidenz einer Anomalie wahrhaft positiv ist. Je höher die Punktzahl, desto größer sind die Chancen, dass es ein wahres Positives ist.

    1. Öffnen Sie das Navigationsmenü, und klicken Sie auf Analysen und KI. Klicken Sie unter KI-Services auf Anomaly Detection.
    2. Klicken Sie im linken Navigationsmenü auf Projekte.
    3. Wählen Sie das Compartment mit dem Projekt mit den Modellen aus, die Sie anzeigen möchten.
    4. Klicken Sie auf den Namen des Projekts.

      Die Seite mit den Projektdetails wird geöffnet.

    5. Klicken Sie unter Details auf Modelle.

      Die Modelle im Projekt werden in der Tabelle Anomalieerkennungsmodelle angezeigt.

    6. Klicken Sie auf den Namen des Modells, das das Dataset enthält.
    7. Klicken Sie auf der Seite mit den Modelldetails auf Anomalien erkennen.
    8. Suchen Sie die CSV- oder JSON-Datei mit dem Dataset, oder verschieben Sie sie per Drag-and-Drop im Feld Anomalien erkennen.
    9. Klicken Sie auf Ermitteln.

      Die Anomalien werden in einer Liste mit Spalten dargestellt, die visualisiert werden können.

    10. Wählen Sie ein Spaltenlabel aus, um die erkannten Anomalien anzuzeigen.

      Sie können jede Visualisierung anzeigen, indem Sie ein anderes Spaltenlabel aus der Liste auswählen.

    11. Wenn Sie die generierte JSON-Datei mit den Anomalien anzeigen oder verwenden möchten, klicken Sie auf JSON herunterladen.

    Die geschätzten und tatsächlichen Werte jeder identifizierten Anomalie werden in einem Diagramm wiedergegeben. Die Abweichungen geben Ihnen Aufschluss über den Schweregrad der Anomalie.

    Wenn bei verschiedenen Signalen zu einem bestimmten Zeitstempel mehrere Anomalien aufgetreten sind, werden die Anomalytikwerte angegeben, die diese Signale für die identifizierte Anomalie einstufen. Ein Diagramm dieser Anomalien im jeweiligen Zeitraum wird angezeigt, sodass Sie leicht erkennen können, ob bestimmte Signale einen hohen Score im Zeitverlauf aufweisen.

  • Wir empfehlen diesen Ansatz, wenn Sie Anomalien erkennen und Ergebnisse aus trainierten Anomalieerkennungsmodellen abrufen möchten.

    1. Laden Sie die OCI-CLI oder das SDK herunter, und konfigurieren Sie sie bzw. es, wie in der vorhandenen OCI-Dokumentation beschrieben.
    2. Verwenden Sie ein trainiertes Modell, indem Sie eine HTTP POST-Anforderung erstellen und die Anforderung an den Endpunkt senden, der im vorherigen Schritt empfangen wurde.
    3. Parsen Sie die HTTP-Antwort, um die Ergebnisse für die Verwendung in Anwendungen abzurufen.

    Beispiele für API-Aufrufe

    Verwenden Sie die folgenden Anomaly Detection-Befehle und erforderlichen Parameter, um Ergebnisse zu ermitteln und abzurufen:

    1. Rufen Sie das Modell ab:

      https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models/{ModelId}
       Method: GET
       Body:
    2. Synchron mit Daten erkennen:

      https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/actions/detectAnomalies
       Method: POST
       Body: 
      {
          "modelId": "ocid1.aimodel.oc1.phx.amaaaaaaor7l3jialglh5vnt2w3nj6zly4dpcjfex6lktujo24t5aklmn2ta",
          "requestType": "INLINE",
          "signalNames":["sensor1", "sensor2", "sensor3", "sensor4", "sensor5", "sensor6", "sensor7", "sensor8", "sensor9", "sensor10", "sensor11"],
          "data":[
              {"timestamp":"2023-01-17T20:44:46Z","values": [1,-9.6193,0.3208,0.6199,-0.4936,5.0697,-0.5063,0.4253,0.4864,-0.0798,0.0446]},
              {"timestamp":"2023-01-17T20:45:46Z","values": [1,9.4101,-0.3522,0.0942,-0.0564,null,0.0263,-0.3787,-0.8164,-0.6446,0.5502]},
              {"timestamp":"2023-01-17T20:46:46Z","values": [1,5.3969,-0.472,0.75,0.3282,6.5583,0.0238,-0.2817,-0.3909,0.8025,0.5054]},
              {"timestamp":"2023-01-17T20:47:46Z","values": [1,0.2148,-0.516,-0.0296,0.2276,5.7661,0.5468,0.534,0.2702,-0.4179,0.0011]}
          ]
      }
  • Wir empfehlen diesen Ansatz, wenn Sie Anomalien erkennen und Ergebnisse aus trainierten Anomalieerkennungsmodellen abrufen möchten.

    1. Laden Sie die OCI-CLI oder das SDK herunter, und konfigurieren Sie sie bzw. es, wie in der vorhandenen OCI-Dokumentation beschrieben.
    2. Verwenden Sie ein trainiertes Modell, indem Sie eine HTTP POST-Anforderung erstellen und die Anforderung an den Endpunkt senden, der im vorherigen Schritt empfangen wurde.
    3. Parsen Sie die HTTP-Antwort, um die Ergebnisse für die Verwendung in Anwendungen abzurufen.

    Beispiele für API-Aufrufe

    Mit dem Vorgang DetectAnomalies können Sie Ergebnisse ermitteln und abrufen.

    1. Rufen Sie das Modell ab:

      https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models/{ModelId}
       Method: GET
       Body:
    2. Synchron mit Daten erkennen:

      https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/actions/detectAnomalies
       Method: POST
       Body: 
      {
          "modelId": "ocid1.aimodel.oc1.phx.amaaaaaaor7l3jialglh5vnt2w3nj6zly4dpcjfex6lktujo24t5aklmn2ta",
          "requestType": "INLINE",
          "signalNames":["sensor1", "sensor2", "sensor3", "sensor4", "sensor5", "sensor6", "sensor7", "sensor8", "sensor9", "sensor10", "sensor11"],
          "data":[
              {"timestamp":"2023-01-17T20:44:46Z","values": [1,-9.6193,0.3208,0.6199,-0.4936,5.0697,-0.5063,0.4253,0.4864,-0.0798,0.0446]},
              {"timestamp":"2023-01-17T20:45:46Z","values": [1,9.4101,-0.3522,0.0942,-0.0564,null,0.0263,-0.3787,-0.8164,-0.6446,0.5502]},
              {"timestamp":"2023-01-17T20:46:46Z","values": [1,5.3969,-0.472,0.75,0.3282,6.5583,0.0238,-0.2817,-0.3909,0.8025,0.5054]},
              {"timestamp":"2023-01-17T20:47:46Z","values": [1,0.2148,-0.516,-0.0296,0.2276,5.7661,0.5468,0.534,0.2702,-0.4179,0.0011]}
          ]
      }