Problème
La détection d’anomalies n’est généralement pas aussi simple que de vérifier si une mesure est supérieure ou inférieure à une valeur donnée, car les séries fluctuent en raison de la saisonnalité et de la tendance, créant des pics et des creux sur le long terme. Vous mettez en place un système de détection d’anomalie capable d’identifier les véritables incohérences dans vos données et de minimiser les faux positifs ?
Solution
Nos algorithmes d’apprentissage automatique sont formés pour prédire si une valeur donnée se situe en dehors des limites normales, compte tenu de toutes les caractéristiques qui déterminent ce qui doit être considéré comme « normal » pour une tranche de temps donnée.
La sortie du modèle est un déclencheur d’alerte chaque fois qu’il y a une anomalie ou un modèle atypique dans les données.
Nous construisons également des algorithmes d’apprentissage automatique pour identifier les tendances émergentes dans les hashtags des médias sociaux et pouvons les distinguer des travailleurs saisonniers. les fluctuations et les tendances inférieures qui vont Cap.
Données d'entrée
Flux (généralement la série chronologique)
Livrables
- un modèle qui prédit si un point temporel donné représente une anomalie, en produisant une probabilité prédite.
- la classification des anomalies par type (par exemple, défaillance du système, pic de demande, comportement saisonnier anormal).
- la mise en œuvre du modèle dans votre suivi existant, ou la création d’une suite de visualisation vous permettant de surveiller le système en direct.
Bénéfices
Le système de détection des anomalies mettra en œuvre les technologies avancées utilisées par Twitter, vous avertissant des problèmes potentiels jusqu’à ce qu’il soit trop tard.
