Saiba mais sobre como detectar anomalias para prever a falha
Os métodos estabelecidos para manutenção de ativos são reativos (substituir em caso de falha) ou prescritivos (substituir com base no uso ou no tempo). Além do custo real de substituição ou reparo do ativo, as organizações devem ter os custos associados à confiabilidade, tempo de inatividade e backlog da cadeia de suprimento. Um serviço de detecção de anomalias que fornece aviso prévio de falha iminente pode reduzir esses custos.
O serviço Oracle Cloud Infrastructure Anomaly Detection ajuda a detectar anomalias em dados de séries temporais sem a necessidade de estatísticos ou especialistas em aprendizado de máquina. Ele fornece algoritmos pré-criados e resolve problemas de dados automaticamente. É um serviço nativo da nuvem acessível em APIs REST e pode se conectar a muitas fontes de dados. A Console, a CLI e o SDK do OCI facilitam o uso em soluções completas.
Arquitetura
Esta arquitetura mostra onde o serviço de Detecção de Anomalia se encaixa no fluxo de trabalho.
Dependendo dos requisitos, os dados são ingeridos usando o OCI Streaming, o serviço OCI Data Integration ou ambos. O sistema pode lidar com cargas de trabalho de lote e de fluxo.
O fluxo de trabalho tem duas fases principais: treinamento e detecção. Durante a fase de treinamento, os dados são limpos e preparados para treinamento e, em seguida, o modelo é treinado e implantado. Na fase de detecção, a Detecção de Anomalia detecta anomalias em dados de produção. As anomalias são relatadas e as ações são tomadas com base nas previsões.
Descrição da ilustração visão geral.png
Veja a seguir uma descrição do processo, em termos gerais:
- Os dados são ingeridos de uma ou mais origens de dados e armazenados no Object Storage.
- Uma ou mais ferramentas são usadas para preparar os dados para o treinamento do modelo durante a fase de treinamento e para qualquer pré-processamento que possa ser necessário para a fase de produção. Os resultados são armazenados no Object Storage (não mostrado).
- O serviço de detecção de anomalias cria o modelo durante a fase de treinamento e executa os algoritmos de detecção de anomalias durante a fase de produção.
- Os resultados do processo de detecção de anomalias são enviados para um ou mais aplicativos que consomem os dados e os preparam para apresentação aos usuários finais.
Visão Geral
O algoritmo principal do nosso serviço Anomaly Detection é um algoritmo de detecção de anomalias de série de tempo multivariado da Oracle chamado MSET.
A MSET é uma técnica não linear de detecção de anomalias não paramétrica de aprendizagem de máquina que calibra o comportamento esperado de um sistema com base em dados históricos da sequência operacional normal de sinais monitorados. Ele incorpora o comportamento aprendido de um sistema em um modelo persistente que representa o comportamento estimado normal. Foi originalmente desenvolvido pela Oracle Labs e tem sido utilizado com sucesso em vários setores para análise do prognóstico.
Conceitos do Serviço de Detecção de Anomalia
- Projeto: Os projetos são espaços de trabalho colaborativos para organizar ativos de dados, modelos, implantações e portais de detecção.
- Ativo de Dados: Um ativo de dados é uma representação de dados abstrata de uma origem de dados. O ativo de dados está localizado no Object Storage. Podem ser dados de treinamento limpos e preparados para a fase de treinamento do modelo. Pode ser dados de produção, que são apresentados ao Serviço de Detecção de Anomalia após um modelo ser treinado e implantado.
- Modelo: O modelo de aprendizado de máquina que é criado com base no ativo de dados de treinamento.
- Implantação: quando o treinamento do modelo é concluído, ele é implantado. Isso o torna disponível para uso no processo de detecção de anomalias.
- Detecção: Este é o processo de apresentar dados de produção para o modelo implantado para encontrar anomalias nos dados de produção.
Processo de Detecção de Anomalia
Em um nível alto, este é o processo de concluir um ciclo completo de usar o serviço de detecção de anomalias.
- Crie um projeto. Um projeto é um local no qual você coleta e organiza diferentes ativos, modelos e implantações no mesmo espaço de trabalho.
- Criar um ativo de dados. Trata-se dos dados de produção apresentados ao Serviço de Detecção de Anomalia para análise.
- Treinar um modelo. Após especificar um ativo de dados de treinamento e os parâmetros de treinamento, treine um modelo de detecção de anomalias. O treinamento pode levar cinco minutos ou mais, dependendo do tamanho do ativo de dados e da probabilidade falsa de alarme que você escolher.
- Implantar um modelo. Depois que um modelo for treinado, implante-o.
- Detecção com novos dados. Envie dados de produção com os mesmos atributos dos dados de treinamento para o ponto final de implantação ou faça upload deles para a IU de implantação.
Observe que um projeto pode ter vários ativos de dados, vários modelos e várias implantações.