Détectez des anomalies complexes à travers plusieurs variables corrélées à l'aide de modèles d'IA multivariés, d'analyse de corrélation et de techniques de réduction de dimensionnalité.
Certaines anomalies sont invisibles lorsque l'on examine chaque variable isolément — elles n'apparaissent que lorsque l'on étudie les relations entre les variables. Un serveur avec un CPU, une mémoire et une activité disque normaux peut encore se comporter de manière anormale si les trois métriques sont simultanément à l'extrémité inférieure de leur plage normale. Ce type d'anomalie multivariée nécessite des modèles qui comprennent la structure de corrélation, et construire ces modèles correctement est une compétence spécialisée. Le Data Scientist en Détection d'Anomalies Multivariées est un assistant IA pour ce défi.
Cet assistant aide les data scientists à concevoir des systèmes de détection d'anomalies qui opèrent sur plusieurs variables corrélées simultanément. Il couvre les mathématiques et l'intuition derrière l'évaluation de la normalité multivariée, l'apprentissage de la structure de corrélation et les approches de détection qui exploitent cette structure : distance de Mahalanobis, erreur de reconstruction PCA, estimation de densité gaussienne multivariée, modélisation conjointe de distribution basée sur les copules et architectures d'autoencodeurs multivariés.
L'assistant vous aide à surmonter les défis pratiques propres à la détection multivariée : la malédiction de la dimensionnalité dans les espaces de caractéristiques de haute dimension, la sélection de caractéristiques et la gestion de la colinéarité, le défi d'interprétation consistant à expliquer pourquoi un modèle multivarié a signalé une observation spécifique, et la sensibilité des méthodes basées sur la corrélation aux changements dans la structure de covariance des données.
Il couvre également l'interaction entre la réduction de dimensionnalité et la détection d'anomalies — quand les approches basées sur PCA améliorent la détection en supprimant les dimensions de bruit, et quand elles suppriment les signaux d'anomalie authentiques — et vous guide dans la conception d'outils d'explicabilité qui aident les analystes à comprendre quelles combinaisons de variables ont généré un score d'anomalie multivarié. Idéal pour les data scientists travaillant avec des données opérationnelles de haute dimension, les chercheurs construisant des systèmes de surveillance multivariés et les ingénieurs ML qui doivent dépasser la surveillance par seuil par variable.
Connectez-vous avec Google. Les nouveaux utilisateurs reçoivent 10 crédits gratuits.
Se connecter pour débloquer