En savoir plus sur la détection d'anomalies pour prévoir les défaillances
Les méthodes établies de maintenance des actifs sont réactives (remplacement en cas d'échec) ou prescriptives (remplacement basé sur l'utilisation ou le temps). Outre le coût réel du remplacement ou de la réparation des actifs, les entreprises doivent supporter les coûts liés à la fiabilité, aux temps d’arrêt et au retard de la chaîne d’approvisionnement. Un service de détection d'anomalies qui prévient rapidement les défaillances imminentes peut réduire ces coûts.
Le service de détection d'anomalies d'Oracle Cloud Infrastructure vous aide à détecter les anomalies dans les données de séries temporelles sans avoir besoin de statisticiens ni d'experts en apprentissage automatique. Elle fournit des algorithmes prédéfinis qui traitent automatiquement les problèmes de données. Il s’agit d’un service natif Cloud accessible via des API REST et peut se connecter à de nombreuses sources de données. La console OCI, l’interface de ligne de commande et le kit SDK facilitent l’utilisation dans les solutions de bout en bout.
Architecture
Cette architecture indique la place du service de détection des anomalies dans le workflow.
Selon les besoins, les données sont ingérées à l’aide d’OCI Streaming, du service OCI Data Integration ou des deux. Le système peut gérer à la fois les charges de travail en batch et en continu.
Le workflow comporte deux phases principales : la formation et la détection. Pendant la phase d'entraînement, les données sont nettoyées et préparées pour l'entraînement, puis le modèle est formé et déployé. En phase de détection, la détection d'anomalies détecte les anomalies dans les données de production. Les anomalies sont signalées et des mesures sont prises en fonction des prévisions.

Description de l'illustration présentation.png ci-après
Voici une description du processus, en termes généraux :
- Les données sont ingérées à partir de sources de données et stockées dans Object Storage.
- Un ou plusieurs outils sont utilisés pour préparer les données d'entraînement du modèle au cours de la phase d'entraînement et pour tout prétraitement pouvant être requis pour la phase de production. Les résultats sont stockés dans Object Storage (non illustré).
- Le service de détection des anomalies crée le modèle pendant la phase d'entraînement et exécute les algorithmes de détection des anomalies pendant la phase de production.
- Les résultats du processus de détection d'anomalies sont envoyés à une ou plusieurs applications qui utilisent les données et les préparent pour présentation aux utilisateurs finaux.
Présentation
L'algorithme principal de notre service de détection d'anomalies est un algorithme de détection d'anomalie de série temporelle multivariée brevetée par Oracle appelé MSET.
MSET est une technique d'apprentissage automatique de détection d'anomalies non linéaire et non paramétrique qui calibre le comportement attendu d'un système en fonction des données historiques issues de la séquence opérationnelle normale des signaux surveillés. Il intègre le comportement appris d'un système dans un modèle persistant qui représente le comportement estimé normal. Initialement développé par Oracle Labs, il a été utilisé avec succès dans plusieurs secteurs pour l’analyse du pronostic.
Concepts relatifs au service de détection d'anomalies
- Projet : Les projets sont des espaces de travail collaboratifs permettant d'organiser les ressources de données, les modèles, les déploiements et les portails de détection.
- Ressource de données : une ressource de données est une représentation abstraite de données d'une source de données. La ressource de données se trouve dans Object Storage. Il peut s'agir de données d'entraînement nettoyées et préparées pour la phase d'apprentissage du modèle. Il peut s'agir de données de production, qui sont présentées au service de détection des anomalies après formation et déploiement d'un modèle.
- Modèle : modèle d'apprentissage automatique créé à partir de la ressource de données de formation.
- Déploiement : lorsque la formation sur le modèle est terminée, elle est déployée. Il est ainsi disponible pour être utilisé dans le processus de détection d'anomalies.
- Détection : processus consistant à présenter les données de production au modèle déployé pour rechercher les anomalies dans les données de production.
Processus de détection des anomalies
A un niveau élevé, voici le processus de finalisation d'un cycle complet d'utilisation du service de détection d'anomalies.
- Créez un projet. Un projet est un endroit où vous collectez et organisez différentes ressources, modèles et déploiements dans le même espace de travail.
- Créer une ressource de données Il s'agit des données de production présentées au service de détection des anomalies à des fins d'analyse.
- Entraîner un modèle. Après avoir spécifié une ressource de données de formation et les paramètres de formation, entraînez un modèle de détection d'anomalies. La formation peut prendre cinq minutes ou plus en fonction de la taille de la ressource de données et de la probabilité de fausse alarme que vous choisissez.
- Déployer un modèle. Une fois le modèle formé, déployez-le.
- Détection avec de nouvelles données. Envoyer des données de production avec les mêmes attributs que les données de formation à l'adresse de déploiement ou les charger dans l'interface utilisateur de déploiement.
Notez qu'un projet peut avoir plusieurs ressources de données, plusieurs modèles et plusieurs déploiements.