Documentation Oracle Cloud Infrastructure

Créer un modèle

Créez puis entraînez un modèle dans Détection des anomalies.

  • Vous pouvez créer le modèle dans un projet existant ou en créer un.

    1. Ouvrez le menu de navigation et cliquez sur Analytics et IA. Sous Services d'IA, cliquez sur Détection des anomalies.
    2. Dans le menu de navigation de gauche, cliquez sur Projets.
    3. Sélectionnez le compartiment contenant le projet à utiliser ou le compartiment dans lequel créer un projet.
    4. Effectuez l'une des opérations suivantes :
      1. Pour utiliser un projet existant, cliquez sur son nom.
      2. Pour créer un projet, cliquez sur Créer un projet.
    5. Sur la page de détails du projet, cliquez sur Créer et entraîner le modèle.
    6. Sélectionnez une ressource de données existante, le cas échéant ou cliquez sur Créer une ressource de données.
    7. Cliquez sur Suivant.
    8. Sur la page Entraîner le modèle, sélectionnez le compartiment dans lequel créer le modèle, puis entrez un nom et une description facultatifs pour le modèle. Si vous ne fournissez pas de nom, un nom est automatiquement généré.
    9. Pour Target false alarm probabilité(FAP), indiquez une valeur comprise entre 0 et 0,05.

      La probabilité de fausse alarme indique les performances du modèle. Plus elle est faible, plus le modèle est performant.

    10. Pour Traction ratio de formation, indiquez une valeur comprise entre 0,5 et 0,8.

      Le ratio de fractions d'entraînement correspond au ratio fractionné entre les données d'entraînement et les données de validation.

    11. (Facultatif) Pour Conseil d'algorithme, indiquez l'un des conseils pour connaître le type d'algorithme utilisé par le modèle.
    12. Effectuez l'une des opérations suivantes :
      1. Pour définir la taille de fenêtre, cliquez sur Taille de fenêtre automatique, puis indiquez une valeur comprise entre 1 et 100.
      2. Laissez le service définir la taille de fenêtre, cliquez sur Taille de fenêtre automatique.
    13. (Facultatif) Cliquez sur Afficher les options avancées pour affecter des balises à la ressource. Les balises vous aident à rechercher et à suivre facilement les ressources en sélectionnant un espace de noms de balise, puis en saisissant la clé et la valeur.

      Pour ajouter plusieurs balises, cliquez sur Ajouter une balise.

      La rubrique consacrée à Tagging décrit les différentes balises que vous pouvez utiliser pour organiser et rechercher des ressources, notamment les balises de suivi des coûts.

    14. Cliquez sur Suivant.
    15. Vérifiez les données d'entraînement et les informations de modèle. Utilisez Précédent pour apporter des modifications, puis revenez au panneau Vérifier.
    16. Cliquez sur Créer et entraîner.
      L'entraînement d'un modèle peut prendre un certain temps. La page est actualisée automatiquement toutes les 20 secondes.
    1. Téléchargez et configurez l'interface de ligne de commande ou le kit SDK OCI comme décrit dans la documentation OCI existante.
    2. En tant qu'utilisateur authentifié, téléchargez un fichier .csv ou .json avec des données d'entraînement vers Object Storage dans une location.
    3. Utilisez l'interface de ligne de commande ou le kit SDK pour créer la demande de travail d'entraînement, avec le chemin d'accès à la banque d'objets.
    4. En tant qu'utilisateur authentifié, effectuez la demande de travail HTTP pour l'entraînement.
    5. Vérifiez le statut de la demande d'entraînement en interrogeant régulièrement la demande de travail.

      Une fois la demande d'entraînement terminée, la réponse contient l'adresse de détection du modèle.

    6. Pour utiliser ce modèle entraîné, créez une demande HTTP POST et envoyez la demande à l'adresse reçue à l'étape précédente.
    7. Analysez la réponse HTTP pour obtenir les résultats à utiliser dans les applications.

    Exemples d'appel d'API

    Vous pouvez utiliser les appels d'API du service Anomaly Detection suivants pour vous aider à créer et entraîner des modèles.

    1. Créez un projet d'IA :

      Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/projects
 Method: POST
 Body:
     {
             "displayName":"Test Anomaly Detection",
             "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrr…..jpbdfmcjmzdufz6sy52pra",
             "description" : "PROJECT FOR ANOMALY DETECTION"
     }

    2. Créez une ressource de données, qui suppose que les données se trouvent déjà dans OCI Object Storage :

      Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/dataAssets
    Method: POST
    Body:
        {
       "displayName" : "sample dataAsset",
       "compartmentId" : "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrbl…..pbdfmcjmzdufz6sy52pra",
       "projectId" : "ocid1.aiproject.oc1.iad.amaaaaaaor7l3jiauulbiu5dtqga….eksq3ophqwxsiyuf4q",
       "description" : "oracle object storage data asset",
       "dataSourceDetails" :
          {
             "dataSourceType" : "ORACLE_OBJECT_STORAGE",
             "bucketName" : "mset_service_model_storage",
             "namespace" : "namespace_bucket",
             "objectName" : "ValidTrainingData.json"
          }
        }

    3. Entraînez le modèle :

      • Exemple de modèle univarié

        Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models
 Method: POSTBody:{
    "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrb…..rcmjpbdfmcjmzdufz6sy52pra",
    "displayName": "ashburn_data_center",
    "description": "Ashburn Data center model",
    "projectId": "ocid1.aianomalydetectionproject.oc1.phx.amaaaaaaukxuveqahqmhksgwsdf5w7unr75nrk4cevclqitd6nkroltlr34q",
    "modelTrainingDetails":
    {
        "targetFap": 0.05,
        "trainingFraction": 0.7,
        "algorithmHint": "UNIVARIATE_OCSVM",
        "dataAssetIds":
        [
            "ocid1.aianomalydetectiondataasset.oc1.phx.amaaaaaaukxuveqaun27l3qyrcdz5bofrezezf6sivlhk6kxhnj6dnkzqyea"
        ]
    }
}

      • Exemple de modèle multivarié

        Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models
 Method: POST
 Body:{
    "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrb…..rcmjpbdfmcjmzdufz6sy52pra",
    "displayName": "ashburn_data_center",
    "description": "Ashburn Data center model",
    "projectId": "ocid1.aianomalydetectionproject.oc1.phx.amaaaaaaukxuveqahqmhksgwsdf5w7unr75nrk4cevclqitd6nkroltlr34q",
    "modelTrainingDetails":
    {
        "targetFap": 0.05,
        "trainingFraction": 0.7,
        "algorithmHint": "MULTIVARIATE_MSET",
        "dataAssetIds":
        [
            "ocid1.aianomalydetectiondataasset.oc1.phx.amaaaaaaukxuveqaun27l3qyrcdz5bofrezezf6sivlhk6kxhnj6dnkzqyea"
        ]
    }

  • Nous recommandons cette approche pour créer et entraîner des modèles de détection d'anomalies dans les applications existantes à implémenter en production.

    1. Téléchargez et configurez l'interface de ligne de commande ou le kit SDK OCI comme décrit dans la documentation OCI existante.
    2. En tant qu'utilisateur authentifié, téléchargez un fichier .csv ou .json avec des données d'entraînement vers Object Storage dans une location.
    3. Utilisez l'interface de ligne de commande ou le kit SDK pour créer la demande de travail d'entraînement, avec le chemin d'accès à la banque d'objets.
    4. En tant qu'utilisateur authentifié, effectuez la demande de travail HTTP pour l'entraînement.
    5. Vérifiez le statut de la demande d'entraînement en interrogeant régulièrement la demande de travail.

      Une fois la demande d'entraînement terminée, la réponse contient l'adresse de détection du modèle.

    6. Pour utiliser ce modèle entraîné, créez une demande HTTP POST et envoyez la demande à l'adresse reçue à l'étape précédente.
    7. Analysez la réponse HTTP pour obtenir les résultats à utiliser dans les applications.

    Exemples d'appel d'API

    Vous pouvez utiliser les appels d'API du service Anomaly Detection suivants pour vous aider à créer et entraîner des modèles.

    1. Créez un projet d'IA :

      Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/projects
 Method: POST
 Body:
     {
             "displayName":"Test Anomaly Detection",
             "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrr…..jpbdfmcjmzdufz6sy52pra",
             "description" : "PROJECT FOR ANOMALY DETECTION"
     }

    2. Créez une ressource de données, qui suppose que les données se trouvent déjà dans OCI Object Storage :

      Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/dataAssets
    Method: POST
    Body:
        {
       "displayName" : "sample dataAsset",
       "compartmentId" : "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrbl…..pbdfmcjmzdufz6sy52pra",
       "projectId" : "ocid1.aiproject.oc1.iad.amaaaaaaor7l3jiauulbiu5dtqga….eksq3ophqwxsiyuf4q",
       "description" : "oracle object storage data asset",
       "dataSourceDetails" :
          {
             "dataSourceType" : "ORACLE_OBJECT_STORAGE",
             "bucketName" : "mset_service_model_storage",
             "namespace" : "namespace_bucket",
             "objectName" : "ValidTrainingData.json"
          }
        }

    3. Entraînez le modèle :

      • Exemple de modèle univarié

        Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models
 Method: POSTBody:{
    "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrb…..rcmjpbdfmcjmzdufz6sy52pra",
    "displayName": "ashburn_data_center",
    "description": "Ashburn Data center model",
    "projectId": "ocid1.aianomalydetectionproject.oc1.phx.amaaaaaaukxuveqahqmhksgwsdf5w7unr75nrk4cevclqitd6nkroltlr34q",
    "modelTrainingDetails":
    {
        "targetFap": 0.05,
        "trainingFraction": 0.7,
        "algorithmHint": "UNIVARIATE_OCSVM",
        "dataAssetIds":
        [
            "ocid1.aianomalydetectiondataasset.oc1.phx.amaaaaaaukxuveqaun27l3qyrcdz5bofrezezf6sivlhk6kxhnj6dnkzqyea"
        ]
    }
}

      • Exemple de modèle multivarié

        Endpoint: https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models
 Method: POST
 Body:{
    "compartmentId": "ocid1.compartment.oc1..aaaaaaaaaqf4b7xq6kxrrb…..rcmjpbdfmcjmzdufz6sy52pra",
    "displayName": "ashburn_data_center",
    "description": "Ashburn Data center model",
    "projectId": "ocid1.aianomalydetectionproject.oc1.phx.amaaaaaaukxuveqahqmhksgwsdf5w7unr75nrk4cevclqitd6nkroltlr34q",
    "modelTrainingDetails":
    {
        "targetFap": 0.05,
        "trainingFraction": 0.7,
        "algorithmHint": "MULTIVARIATE_MSET",
        "dataAssetIds":
        [
            "ocid1.aianomalydetectiondataasset.oc1.phx.amaaaaaaukxuveqaun27l3qyrcdz5bofrezezf6sivlhk6kxhnj6dnkzqyea"
        ]
    }