OCI Anomaly Detection ist ein KI-Service, der Echtzeit- und Batch-Anomalieerkennung für univariate und multivariate Zeitreihendaten bietet. Über eine einfache Benutzeroberfläche können Organisationen Modelle erstellen und trainieren, um Anomalien zu erkennen und ungewöhnliches Verhalten, Trendänderungen, Ausreißer und mehr zu identifizieren.
Die OCI Anomaly Detection-Algorithmen werden durch mehr als 150 Patente gestützt und erkennen Anomalien früher und mit weniger Fehlalarmen. Diese Algorithmen arbeiten zusammen, um eine höhere Empfindlichkeit und bessere Falschalarmvermeidung zu gewährleisten als andere Ansätze des maschinellen Lernens (ML), wie neuronale Netze und unterstützende Vektormaschinen.
Blog: Die faszinierende (nukleare) Geschichte hinter dem neuen Anomalieerkennungsservice von Oracle
Die OCI-Anomalieerkennung bietet mehrere Datenverarbeitungstechniken, die Fehler und Unzulänglichkeiten in realen Eingabedaten, wie z. B. von Sensoren mit niedriger Auflösung, verursachen. Es identifiziert und korrigiert automatisch Probleme mit der Datenqualität und führt weniger falsche Alarme, bessere Abläufe und genauere Ergebnisse.
Mit APIs können Entwickler Rohdaten hochladen, das Anomalieerkennungsmodell mit ihren eigenen geschäftsspezifischen Daten trainieren und Anomalien aus dem gespeicherten Modell erkennen. Dadurch können hochgenaue, benutzerdefinierte Anomalieerkennungsmodelle für alle zugänglich gemacht werden, auch ohne Data Science-Erfahrung.
Der einfache Zugriff auf Open-Source-Technik erweitert die Nutzung der Modelle der OCI-Anomalieerkennung. Rufen Sie Zeitreihendaten aus InfluxDB oder Streamingdaten aus Apache Flink ab. Verwenden Sie Open-Source-Bibliotheken wie Plotly, Bokeh und Altair für Visualisierungen und zur Automatisierung.
Zu den Ausgaben der OCI-Anomalieerkennung gehören identifizierte Anomalien, ML-Modellbasierte geschätzte Werte und Anomaliebewertungen. Entwickler verwenden diese Ergebnisse, um den Schweregrad identifizierter Anomalien zu bewerten und Geschäftsworkflows zu automatisieren, um diese sofort zu beheben.
OCI-Anomalieerkennung ist ein mehrmandantenfähiger Service über öffentliche REST-APIs. Entwickler können einen skalierbaren Anomalieerkennungsservice einfach ohne internen Data Science- und ML-Support bereitstellen, der alle die kostengünstigste Plattform für Datennetworking, Speicher und Egress bietet.
Die OCI-Anomalieerkennung skaliert automatisch auf Schulungs- und Erkennungsanforderungen in allen Datenquellen und Lasten. Entwickler können sich nun darauf konzentrieren, Anwendungen und Lösungen zu erstellen, um ihre Geschäftsziele zu erreichen, ohne sich um die Infrastruktur zu kümmern.
Mit OCI-Anomalieerkennung können IT-Teams die Servicelevel, Ursachenanalyse, IoT-Deployments, Bedrohungsreduzierung und Überwachung der Datenbanktransaktionen verbessern.
Von der Betrugserkennung für Banken bis zur Trichterkonvertierung für Marketingteams ermöglicht die OCI-Anomalieerkennung Unternehmen, Probleme und Chancen zu erkennen, um die Innovation und Effizienz ihrer Geschäftsprozesse zu verbessern.
Die OCI-Anomalieerkennung verbessert KI- und ML-Prozesse, einschließlich Apps-Überwachung, Datenbereinigung und Datenschulung. Verwenden Sie die Anomalieerkennung, um unerwartete Änderungen der Modellgenauigkeit zu erkennen, die Datenintegrität zu verbessern und die Modell- und Anwendungsleistung zu optimieren.
Betrugsmuster ändern sich im Laufe der Zeit, und herkömmliche Deep-Learning-Methoden erkennen seltene Ereignisse in sehr großen Datenquellen nicht immer. Spezielle Algorithmen können betrügerische Transaktionen erkennen, die sofort Betrüger in Echtzeit aufnehmen, mit weniger falschen Alarmen als andere ML-Ansätze.
Versorgungsunternehmen müssen die Energieerzeugung und -verbrauch in Echtzeit überwachen, um dynamisch auf die Nachfrage zu reagieren und den Energieverbrauch zu optimieren. Innovative ML-Ansätze analysieren Daten zu Energieerzeugung, Wetter und Kontrollsystemen, um sowohl für Energieerzeuger als auch für Verbraucher ein optimales Erlebnis zu bieten
Anomalieerkennung von Betriebsmetriken in Echtzeit, wie Ausbeute, Auslastung und Durchsatz, kann unerwünschte Änderungen der Produktion erkennen und automatisierte Workflows für sofortige Maßnahmen generieren.
Untergliederungen bei Geräten führen zu Produktivitätsverlusten und sogar Risiken für Mitarbeiter. Schnelle Erkennung und Ursachenanalyse für Teile und Maschinen sorgen für einen reibungslosen Betrieb von Systemen.
Viji Krishnamurthy, Senior Director Product Management, Oracle
OCI-Anomalieerkennung ist ein robuster, skalierbarer und benutzerfreundlicher AI-Service, der multivariate Zeitreihendaten in großen Mengen überwacht und Sie darüber informiert, wenn etwas Ihre Aufmerksamkeit erfordert. Authentifizierte Benutzer können über die REST-API, die Befehlszeilenschnittstelle, das Entwicklungskit oder die Oracle Cloud Infrastructure-Konsole auf OCI Anomaly Detection Service zugreifen.
Erstellen Sie ein ML-Modell in einem OCI-Workshop. Erkennen Sie Produktionsanomalien in nur wenigen geführten Schritten.
Chatten Sie live mit Vertrieb oder Support.