Obtener más información sobre la detección de anomalías para predecir fallos
Los métodos establecidos para el mantenimiento de activos son reactivos (sustituir en caso de fallo) o prescriptivos (sustituir en función del uso o el tiempo). Además del costo real de la sustitución o reparación del activo, las organizaciones deben asumir los costos asociados a la fiabilidad, el tiempo de inactividad y los atrasos en la cadena de suministro. Un servicio de detección de anomalías que proporciona una alerta rápida de un fallo inminente puede reducir estos costos.
El servicio de detección de anomalías de Oracle Cloud Infrastructure ayuda a detectar anomalías en los datos de series temporales sin necesidad de estadísticas ni expertos en aprendizaje automático. Proporciona algoritmos predefinidos y aborda automáticamente los problemas de datos. Se trata de un servicio en la nube al que se puede acceder a través de las API de REST y se puede conectar a muchos orígenes de datos. La consola, la CLI y el SDK de OCI facilitan su uso en soluciones integrales.
Arquitectura
En esta arquitectura se muestra dónde encaja el servicio de detección de anomalías en el flujo de trabajo.
En función de los requisitos, los datos se ingieren mediante el servicio OCI Streaming, OCI Data Integration o ambos. El sistema puede manejar cargas de trabajo por lotes y de transmisión.
El flujo de trabajo consta de dos fases principales: formación y detección. Durante la fase de formación, los datos se limpian y se preparan para la formación y, a continuación, se entrena y despliega el modelo. En la fase de detección, la detección de anomalías detecta anomalías en los datos de producción. Se notifican las anomalías y se realizan acciones según las predicciones.
Descripción de la ilustración Overview.png
A continuación se ofrece una descripción del proceso, en términos generales:
- Los datos se ingieren de uno o más orígenes de datos y se almacenan en Object Storage.
- Se utilizan una o más herramientas para preparar los datos para la formación del modelo durante la fase de formación y para cualquier procesamiento previo que pueda ser necesario para la fase de producción. Los resultados se almacenan en Object Storage (no se muestra).
- El servicio de detección de anomalías crea el modelo durante la fase de formación y ejecuta los algoritmos de detección de anomalías durante la fase de producción.
- Los resultados del proceso de detección de anomalías se envían a una o más aplicaciones que consumen los datos y los preparan para su presentación a los usuarios finales.
Visión general
El algoritmo principal de nuestro servicio de detección de anomalías es un algoritmo de detección de anomalías con series temporales múltiples patentado por Oracle denominado MSET.
La MSET es una técnica de aprendizaje automático de detección de anomalías no lineal y no paramétrica que calibra el comportamiento esperado de un sistema basado en datos históricos de la secuencia operativa normal de señales monitorizadas. Incorpora el comportamiento aprendido de un sistema en un modelo persistente que representa el comportamiento normal estimado. Originalmente, los laboratorios de Oracle los han desarrollado y se ha utilizado con éxito en varios sectores para el análisis del pronóstico.
Conceptos del servicio de detección de anomalías
- Proyecto: los proyectos son espacios de trabajo colaborativos para organizar activos de datos, modelos, despliegues y portales de detección.
- Activo de datos: un activo de datos es una representación de datos abstracta de un origen de datos. El activo de datos se encuentra en Object Storage. Puede tratarse de datos de formación que se limpian y se preparan para la fase de entrenamiento del modelo. Pueden ser datos de producción, que se presentan al servicio de detección de anomalías después de entrenar e implementar un modelo.
- Modelo: modelo de aprendizaje automático que se crea a partir del activo de datos de formación.
- Despliegue: cuando finaliza el entrenamiento del modelo, se despliega. Esto hace que esté disponible para su uso en el proceso de detección de anomalías.
- Detección: proceso de presentación de datos de producción en el modelo desplegado para encontrar anomalías en los datos de producción.
Proceso de detección de anomalía
En un nivel superior, este es el proceso de completar un ciclo completo de uso del servicio de detección de anomalías.
- Cree un proyecto. Un proyecto es un lugar donde se recopilan y organizan los diferentes activos, modelos y despliegues en el mismo espacio de trabajo.
- Cree un activo de datos. Estos son los datos de producción que se presentan al servicio de detección de anomalías para su análisis.
- Entrenar un modelo. Después de especificar un activo de datos de formación y los parámetros de formación, forme un modelo de detección de anomalías. La formación puede tardar cinco minutos o más en función del tamaño del activo de datos y de la falsa probabilidad de alarma que elija.
- Desplegar un modelo. Después de entrenar un modelo, despliéguelo.
- Detección con datos nuevos. Envíe datos de producción con los mismos atributos que los datos de formación al punto final de despliegue o cárguelos en la interfaz de usuario de despliegue.
Tenga en cuenta que un proyecto puede tener varios activos de datos, varios modelos y varios despliegues.