Scopri di più sul rilevamento delle anomalie per prevedere i guasti
I metodi stabiliti per la manutenzione degli asset sono reattivi (sostituiti in caso di errore) o prescrittivi (sostituiti in base all'uso o al tempo). Oltre ai costi effettivi di sostituzione o riparazione dell'asset, le organizzazioni devono sostenere i costi associati all'affidabilità, ai tempi di inattività e al backlog della catena di fornitura. Un servizio di rilevamento delle anomalie che fornisce un'avvertenza precoce sull'errore imminente può ridurre questi costi.
Il servizio Oracle Cloud Infrastructure Anomaly Detection ti aiuta a rilevare le anomalie nei dati della serie temporale senza la necessità di statistici o di esperti di machine learning. Fornisce algoritmi predefiniti e risolve automaticamente i problemi dei dati. Si tratta di un servizio cloud nativo accessibile tramite le API REST e può connettersi a molte origini dati. La console, l'interfaccia CLI e l'SDK OCI semplificano l'uso nelle soluzioni end-to-end.
Architettura
Questa architettura mostra la posizione del servizio di rilevamento anomalie nel flusso di lavoro.
A seconda dei requisiti, i dati vengono ingeriti mediante OCI Streaming, il servizio OCI Data Integration o entrambi. Il sistema può gestire sia i carichi di lavoro in batch che quelli in streaming.
Il workflow ha due fasi principali: formazione e rilevamento. Durante la fase di formazione, i dati vengono puliti e preparati per la formazione, quindi il modello viene formato e distribuito. Nella fase di rilevamento, Rilevamento anomalie rileva anomalie nei dati di produzione. Le anomalie vengono segnalate e le azioni vengono intraprese in base alle previsioni.
Descrizione dell'immagine Overview.png
Ecco una descrizione del processo, in termini generali:
- I dati vengono inclusi da una o più origini dati e memorizzati nello storage degli oggetti.
- Uno o più strumenti vengono utilizzati per preparare i dati per la formazione del modello durante la fase di formazione e per qualsiasi pre-elaborazione necessaria per la fase di produzione. I risultati vengono memorizzati nello storage degli oggetti (non mostrati).
- Il servizio di rilevamento anomalie crea il modello durante la fase di formazione ed esegue gli algoritmi di rilevamento delle anomalie durante la fase di produzione.
- I risultati del processo di rilevamento delle anomalie vengono inviati a una o più applicazioni che utilizzano i dati e le preparano per la presentazione agli utenti finali.
Panoramica
L'algoritmo di base del nostro servizio di rilevamento delle anomalie è un algoritmo di rilevamento delle anomalie multivariati brevettato da Oracle denominato MSET.
MSET è una tecnica di apprendimento automatico per la rilevazione di anomalie non lineare e non parametrica che calibra il comportamento previsto di un sistema basato su dati storici della normale sequenza operativa dei segnali monitorati. Incorpora il comportamento appreso di un sistema in un modello persistente che rappresenta il normale comportamento stimato. È stato originariamente sviluppato da Oracle Labs ed è stato utilizzato con successo in diversi settori per l'analisi della prognosi.
Concetti sul servizio di rilevamento anomalie
- Progetto: i progetti sono aree di lavoro collaborative per l'organizzazione di asset, modelli, distribuzioni e portali di rilevamento dei dati.
- Asset dati: un asset di dati è una rappresentazione dati astratta di un'origine dati. L'asset di dati si trova nello storage degli oggetti. Possono essere dati di formazione puliti e preparati per la fase di formazione del modello. Possono essere dati di produzione presentati al servizio di rilevamento anomalie dopo la formazione e la distribuzione di un modello.
- Modello: il modello di apprendimento automatico creato dall'asset dati di formazione.
- Distribuzione: quando la formazione del modello viene completata, viene distribuita. Ciò lo rende disponibile per l'uso nel processo di rilevamento dell'anomalia.
- Rilezione: processo di presentazione dei dati di produzione al modello distribuito per individuare anomalie nei dati di produzione.
Processo di rilevamento anomalie
Di seguito è riportato il processo di completamento di un ciclo completo di utilizzo del servizio di rilevamento delle anomalie.
- Creare un progetto. Un progetto è un luogo in cui si raccolgono e organizzano asset, modelli e distribuzioni diversi nella stessa area di lavoro.
- Creare un asset dati. Si tratta dei dati di produzione presentati al servizio di rilevamento anomalie per l'analisi.
- Train di un modello. Dopo aver specificato un asset di dati di formazione e i parametri di formazione, formare un modello di rilevamento dell'anomalia. La formazione può richiedere almeno cinque minuti a seconda delle dimensioni dell'asset di dati e della falsa probabilità di allarme che scegli.
- Distribuire un modello. Dopo aver formato un modello, distribuirlo.
- Descrizione con i nuovi dati. Inviare dati di produzione con gli stessi attributi dei dati di formazione all'endpoint di distribuzione o caricarli nell'interfaccia utente di distribuzione.
Tenere presente che un progetto può avere più asset di dati, più modelli e più distribuzioni.