Modell trainieren und bereitstellen

Nachdem die Daten bereinigt, vorbereitet und in Object Storage verschoben wurden, können Sie das Modell trainieren und bereitstellen.

Modell erstellen und trainieren

Wenn Sie das Modell erstellen, geben Sie das Trainingsdatenasset an und legen einige Parameter fest. Das Modell wird automatisch trainiert, wenn Sie es erstellen.

Das folgende Diagramm zeigt den Prozess.

Beschreibung der Abbildung training-flow.png

So erstellen und trainieren Sie ein Modell:

1. Erstellen Sie ein Projekt. Sie erstellen ein Projekt in einem Compartment in OCI und geben dem Projekt einen Namen. Bei dem Kompartiment kann es sich um ein oder mehrere Anomalieerkennungsprojekte handeln.
2. Geben Sie das Trainingsdatenasset an, bei dem es sich um eine Datei in Object Storage handelt. Die Datei sollte sauber und zum Training bereit sein. Ist dies nicht der Fall, können Sie OCI-Services wie Data Science für die Reinigung und Vorverarbeitung verwenden. Die Datei kann im CSV-Format oder im JSON-Format vorliegen.
3. Erstellen Sie das Modell. Wenn Sie das Modell erstellen, wählen Sie das Trainingsdatenasset aus, und legen Sie die Falschalarmwahrscheinlichkeit und die Schulungsfraktionsrate fest. Das Modell wird im Rahmen des Erstellungsprozesses geschult.

Die Anomaly Detection Service-Dokumentation enthält ausführliche Anweisungen dazu. Sie können die Konsolen-UI oder die REST-API verwenden.

Hier einige Hinweise zur Einstellung der Falschalarmwahrscheinlichkeit und des Zuganteils:

Falschalarmwahrscheinlichkeit

Dies ist die Wahrscheinlichkeit, dass eine erkannte Anomalie keine Anomalie ist. Setzen Sie diesen Wert auf dieselbe Ebene wie den Prozentsatz der Anomalien, die Sie in realen Geschäftsszenarien finden. Der Wert 0.01 (1 %) eignet sich für viele Szenarios. Je niedriger der Wert, desto länger dauert es, das Modell zu trainieren. Wenn Sie außerdem die Wahrscheinlichkeit des falschen Zielalarms zu niedrig setzen, wird das Ziel möglicherweise nicht erreicht.

Trainfraktionsverhältnis

Dies ist die Datenmenge, die für die Weiterbildung verwendet wird. Beispiel: Der Wert 0.7 gibt an, dass 70 % der Daten für Schulungen verwendet werden und 30 % für das Testen und Auswerten der Performance des Modells verwendet werden.

Modell bereitstellen und testen

Nach dem Erstellen des Modells müssen Sie es bereitstellen, bevor Sie es verwenden können.

Wenn das Modell bereitgestellt wird, kann es Daten empfangen, die Sie auf Anomalien testen möchten.

Sie können das Modell über die Konsolen-UI bereitstellen oder die REST-API verwenden. Wenn Sie das Modell bereitstellen, geben Sie ihm einen Namen. Sie können auch eine Beschreibung angeben, die jedoch optional ist. Ein Modell kann über mehrere Deployments verfügen.

Der folgende Screenshot zeigt ein Beispiel für ein Modell in der Konsolen-UI. Um ein Deployment hinzuzufügen, klicken Sie auf die Schaltfläche Deployment hinzufügen.

Beschreibung der Abbildung add-deployment.png

Anomalien erkennen

Sie können Daten zur Anomalieerkennung in Batches übermitteln oder Anomalien in Streamingdaten erkennen.

Das folgende Diagramm veranschaulicht eine Batchverarbeitungsarchitektur.

Beschreibung der Abbildung Predictions-batch-flow.png

Batches werden wie folgt verarbeitet:

1. Daten werden über Oracle Data Integration aus Streaming oder anderen Datenbanken in einem Object Storage-Bucket gesammelt.
2. Object Storage ist die Landingzone für Batchdaten, die vom Anomalie-Erkennungsservice verarbeitet werden.
3. Die Datenvorverarbeitung kann in gehosteten Anwendungen, Containern oder über serverlose Funktionen erfolgen. Die verarbeiteten Daten werden an Anomaly Detection Service gesendet.
4. Anomalieerkennung führt Vorhersagen anhand des Modells durch, das während der Schulungsphase trainiert und bereitgestellt wurde.
5. Vom Anomalie-Erkennungsservice erzeugte Inferenzen werden zu sofortigen Aktionen, die über REST an Anwendungen oder Benachrichtigungsplattformen gesendet werden.
6. Inferenzergebnisse von Anomalieerkennungsservices können im Objektspeicher gespeichert werden, damit sie später in Analyse-, Logging- und Benachrichtigungsservices verwendet werden können.

Die Streaming-Architektur ist komplexer als die Batch-Architektur, wird jedoch benötigt, wenn Sie Anomalien in Echtzeit oder nahezu in Echtzeit erkennen möchten.

Das folgende Diagramm zeigt eine Streamingarchitektur.

Beschreibung der Abbildung Predictions-streaming-flow.png

1. Der Streaming-Service nimmt Daten aus verschiedenen Streaming-Datenquellen auf.
2. Die Datenvorverarbeitung erfolgt bei Bedarf über gehostete Anwendungen, Container oder über serverlose Funktionen. Die verarbeiteten Daten werden an die Anomaly Detection Service Stream-Schnittstelle gesendet. Wenn Daten bekannt sind und keine zusätzliche Verarbeitung erforderlich ist, kann der Stream eine direkte Verbindung zu Anomalieerkennung herstellen.
3. Anomalieerkennung führt Vorhersagen anhand des Modells durch, das während der Schulungsphase trainiert und bereitgestellt wurde.
4. Anomaly Detection Service sendet Inferenzen in einem Ausgabe-Stream für auszuführende Aktionen und Logging.
5. Vom Anomaly Detection Service erstellte Inferenzen werden zu sofortigen Aktionen, die über Anwendungen auf VMs oder Containern oder über serverlose Funktionen an Anwendungen oder Benachrichtigungsplattformen gesendet werden.
6. Der Outputstream von Anomaly Detection Service kann eine Pipeline für nachgelagerte Vorgänge und Analysen auffüllen.

Inferenzergebnisse von Anomalieerkennungsservices können im Objektspeicher gespeichert werden, damit sie später in Analyse-, Logging- und Benachrichtigungsservices verwendet werden können.