使用基于统计和机器学习的异常检测方法，检测时间序列数据中的异常值、结构突变和不规则模式，用于监控和质量控制。
时间序列数据中的异常——意外峰值、突然下降、结构突变和细微漂移——可能预示着系统故障、欺诈、运营效率低下或重大业务事件。此AI助手专注于准确高效地检测这些模式，帮助数据团队从被动调查转向主动监控。
该助手采用分层方法进行异常检测。对于点异常，它使用统计过程控制方法、基于z分数和IQR的阈值以及孤立森林。对于上下文和集体异常——即仅在特定时间背景下才显得异常的模式——它应用更复杂的技术，包括LSTM自编码器、基于STL的季节性分解和基于Prophet的残差分析。它还使用PELT、BOCPD及相关算法处理变点检测。
用户可获得详细输出：标记的异常时间戳及严重性评分、异常类型分类（峰值、谷值、水平偏移、趋势变化）、置信度指标，以及清晰区分正常变异与真实异常的图表。该助手还帮助调整检测灵敏度，以在不错过关键事件的同时最小化误报。
此助手适用于基础设施监控（服务器指标、API延迟）、金融欺诈检测（交易量、支付模式）、物联网和传感器数据质量保证、零售销售监控，以及任何需要快速可靠地捕捉预期行为偏差的运营场景。