SlideShare una empresa de Scribd logo
1 de 35
Agenda
Agenda
• Detección de Anomalías: Una introducción
• Azure Cognitive Services
• ¿Qué es el Servicio de Anomaly Detector?
• Demo
• Apuntes finales
• Q & A
Detección de Anomalías
Una introducción
Detección de Anomalías
• La detección de anomalías es el
proceso de encontrar valores
atípicos, elementos inesperados o
eventos raros en una serie de
tiempo.
• Reconoce e identifica patrones de
comportamiento de datos inusuales,
los cuales no son consistentes con
los valores esperados.
Value
Time
La detección de anomalías asume que:
• Las anomalías ocurren muy raramente en los datos.
• Existe una diferencia significativa entre las características de las
anomalías y los datos normales.
En resumen, la detección de anomalías identifica puntos de datos que
no encajan bien con el resto de los datos.
La importancia de la Detección de Anomalías
Los datos anómalos se
pueden conectar a problemas
como:
• fraude bancario
• problemas médicos
• defectos estructurales
• equipos que funcionan mal
• y mucho más
Es importante determinar qué puntos
de datos pueden considerarse valores
atípicos, ya que la identificación de
estos eventos es relevante para los
propietarios de datos (empresas).
Azure Cognitive Services
Servicios Cognitivos
¿Qué es el Servicio de Anomaly
Detection?
Anomaly Detector
• Un servicio de IA que te ayuda a prever los problemas antes de que
ocurran.
• Al ingerir datos de series temporales, selecciona el modelo de detección
que mejor se adapte a los datos para garantizar una alta precisión.
• Determina los límites, los valores esperados y qué puntos de datos son
anomalías.
Prueba el servicio: https://aka.ms/adDemo (requiere una llave)
• Anomaly Detector proporciona una API RESTful y SDK para varias
tecnologías y lenguajes.
• Se puede implementar con contenedores Docker para análisis de
datos on-premises.
Anomaly Detector API
• Actualmente, la API ofrece tres
funcionalidades:
• Encuentra anomalías para
toda la serie
• Detecta el estatus de
anomalía del último punto en
la serie de tiempo.
• Encuentra el punto de
inflexión de la serie completa.
API reference: https://westus2.dev.cognitive.microsoft.com/docs/services/AnomalyDetector/operations/post-timeseries-entire-detect
Datos de Entrada
Encuentra anomalías en la serie completa
Esta operación genera un modelo utilizando una serie completa, cada
punto se detecta con el mismo modelo. Los puntos antes y después de
un cierto punto se utilizan para determinar si se trata de una anomalía.
Toda la detección puede dar al usuario un estado general de la serie
temporal.
Request URL
https://{endpoint}/anomalydetector/v1.0/timeseries/entire/detect
Contenido de la Respuesta 
Detecta el estatus de anomalía del último
punto en la serie de tiempo
Esta operación genera un modelo utilizando puntos anteriores al último.
Es decir, solo se utilizan puntos históricos para determinar si el punto
objetivo es una anomalía o no. La última detección de puntos coincide con
el escenario de monitoreo en tiempo real de las métricas comerciales.
Request URL
https://{endpoint}/anomalydetector/v1.0/timeseries/last/detect
Contenido de la Respuesta 
Encuentra el punto de inflexión de la serie
completa
Esta operación genera un modelo utilizando una serie completa, cada
punto se detecta con el mismo modelo. Con este método, se utilizan
puntos antes y después de un determinado punto para determinar si se
trata de un punto de cambio de tendencia. Toda la detección puede
detectar todos los puntos de cambio de tendencia de la serie temporal.
Request URL
https://{endpoint}/anomalydetector/v1.0/timeseries/changepoint/detect
Contenido de la Respuesta 
Sensibilidad (Sensitivity)
El valor de sensibilidad de la API tiene un efecto directo en los límites
creados para la detección de anomalías.
Sensitivity = 1 (99%)
Sensitivity = 3 (97%)
Sensitivity = 5 (95%)
Creando un recurso de Anomaly Detector en
Azure
Obtén la llave y el endpoint
Demo
Apuntes finales
Precio https://azure.microsoft.com/es-mx/pricing/details/cognitive-services/anomaly-detector/
Recomendaciones
• Los puntos de datos deben estar separados por el mismo intervalo.
• No contar con menos del 10% del número esperado de puntos en
tus datos no debería afectar negativamente el proceso de detección
de anomalías.
• Incluye al menos 12 puntos de datos si tus datos no tienen un patrón
estacional claro (máximo 8640 puntos).
• O incluye al menos 4 patrones de ocurrencias si sus datos tienen un
patrón estacional claro.
Detalles técnicos
La innovación de Microsoft proporciona un framework genérico para
conectar diferentes conjuntos de algoritmos y así manejar un amplio
espectro de diferentes series temporales.
Se han utilizado los siguientes algoritmos:
• Fourier Transformation
• STL Decomposition
• Dynamic Threshold
• Extreme Studentized Deviate (ESD)
• Z-score detector
• SR-CNN
https://techcommunity.microsoft.com/t5/ai-customer-engineering-team/introducing-azure-anomaly-detector-api/ba-p/490162
Escenarios de uso
Para aprender más
Cognitive Services Lab In Action (Build 2018)
https://channel9.msdn.com/Events/Build/2018/THR3107
Anomaly Detector
https://azure.microsoft.com/en-us/services/cognitive-services/anomaly-
detector/
AI Show – Anomaly Detector videos
https://channel9.msdn.com/Tags/anomaly-detector
Para aprender más
Introduction to Anomaly Detector
https://docs.microsoft.com/en-us/learn/modules/intro-to-anomaly-
detector/
Identify abnormal time-series data with Anomaly Detector
https://docs.microsoft.com/en-us/learn/modules/identify-abnormal-
time-series-data-anomaly-detector/
Para aprender más
Build an Enterprise-ready Anomaly Detection Solution
https://info.microsoft.com/ww-ondemand-rapidly-build-an-anomaly-
detection-solution.html
Install and run Anomaly Detector containers
https://docs.microsoft.com/en-us/azure/cognitive-services/anomaly-
detector/anomaly-detector-container-howto
Q & A
¡Gracias por tu atención!
Luis Beltrán
Tomás Bata University in Zlín
Tecnológico Nacional de México en Celaya
About Me:
https://about.me/luis-beltran

Más contenido relacionado

Similar a Azure Talks Bolivia - Aumente la confiabilidad de su negocio con Azure Anomaly Detection Service.pptx

Ra semana 14 2
Ra semana 14 2Ra semana 14 2
Ra semana 14 2victdiazm
 
Framework .NET 3.5 09 Depuración, monitorización y pruebas
Framework .NET 3.5 09 Depuración, monitorización y pruebasFramework .NET 3.5 09 Depuración, monitorización y pruebas
Framework .NET 3.5 09 Depuración, monitorización y pruebasAntonio Palomares Sender
 
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionales
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionalesPruebas extra-funcionales, más observabilidad durante tus pruebas funcionales
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionalesFederico Toledo
 
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...Abstracta
 
Gestiondeauditoriasdeseguridad
GestiondeauditoriasdeseguridadGestiondeauditoriasdeseguridad
Gestiondeauditoriasdeseguridadoscar lopez
 
03 gestión de pruebas de software diseño de casos de pruebas
03 gestión de pruebas de software   diseño de casos de pruebas03 gestión de pruebas de software   diseño de casos de pruebas
03 gestión de pruebas de software diseño de casos de pruebasAntonio Quiña
 
Tecnica de Prueba de Software
Tecnica de Prueba de SoftwareTecnica de Prueba de Software
Tecnica de Prueba de Softwarejose_torres123
 
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...Luis Fernando Aguas Bucheli
 
Presentac..
Presentac..Presentac..
Presentac..Leyda
 
Io t _analitica_maximizando_el_poder_de_sus_datos
Io t _analitica_maximizando_el_poder_de_sus_datosIo t _analitica_maximizando_el_poder_de_sus_datos
Io t _analitica_maximizando_el_poder_de_sus_datosDaniel Esteban Hernandez
 
Unidad iv tema 4 detección de fallas (2) - cad
Unidad iv   tema 4 detección de fallas (2) - cadUnidad iv   tema 4 detección de fallas (2) - cad
Unidad iv tema 4 detección de fallas (2) - cadUDO Monagas
 

Similar a Azure Talks Bolivia - Aumente la confiabilidad de su negocio con Azure Anomaly Detection Service.pptx (20)

Ra semana 14 2
Ra semana 14 2Ra semana 14 2
Ra semana 14 2
 
Pruebas de software
Pruebas de softwarePruebas de software
Pruebas de software
 
Software Correctness
Software CorrectnessSoftware Correctness
Software Correctness
 
Practicas técnicas
Practicas técnicasPracticas técnicas
Practicas técnicas
 
Framework .NET 3.5 09 Depuración, monitorización y pruebas
Framework .NET 3.5 09 Depuración, monitorización y pruebasFramework .NET 3.5 09 Depuración, monitorización y pruebas
Framework .NET 3.5 09 Depuración, monitorización y pruebas
 
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionales
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionalesPruebas extra-funcionales, más observabilidad durante tus pruebas funcionales
Pruebas extra-funcionales, más observabilidad durante tus pruebas funcionales
 
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...
Abstracta-CDA - TESTING: Automatización y Performance - Herramientas para opt...
 
Gestiondeauditoriasdeseguridad
GestiondeauditoriasdeseguridadGestiondeauditoriasdeseguridad
Gestiondeauditoriasdeseguridad
 
03 gestión de pruebas de software diseño de casos de pruebas
03 gestión de pruebas de software   diseño de casos de pruebas03 gestión de pruebas de software   diseño de casos de pruebas
03 gestión de pruebas de software diseño de casos de pruebas
 
Tecnica de Prueba de Software
Tecnica de Prueba de SoftwareTecnica de Prueba de Software
Tecnica de Prueba de Software
 
Application insight
Application insightApplication insight
Application insight
 
Caja negra
Caja negraCaja negra
Caja negra
 
15_pruebaSW.ppt
15_pruebaSW.ppt15_pruebaSW.ppt
15_pruebaSW.ppt
 
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...
16-Unidad 4: Introducción a las Arquitecturas Web 4.3 NCAPAS 4.4 PRUEBAS UNIT...
 
Diseño caso de pruebas
Diseño caso de pruebasDiseño caso de pruebas
Diseño caso de pruebas
 
Diseño caso de pruebas
Diseño caso de pruebasDiseño caso de pruebas
Diseño caso de pruebas
 
Presentac..
Presentac..Presentac..
Presentac..
 
Io t _analitica_maximizando_el_poder_de_sus_datos
Io t _analitica_maximizando_el_poder_de_sus_datosIo t _analitica_maximizando_el_poder_de_sus_datos
Io t _analitica_maximizando_el_poder_de_sus_datos
 
Unidad iv tema 4 detección de fallas (2) - cad
Unidad iv   tema 4 detección de fallas (2) - cadUnidad iv   tema 4 detección de fallas (2) - cad
Unidad iv tema 4 detección de fallas (2) - cad
 
prueba de aplicaciones convencionales
prueba de aplicaciones convencionalesprueba de aplicaciones convencionales
prueba de aplicaciones convencionales
 

Más de Luis Beltran

AI for Accessibility.pptx
AI for Accessibility.pptxAI for Accessibility.pptx
AI for Accessibility.pptxLuis Beltran
 
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptx
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptxNET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptx
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptxLuis Beltran
 
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptxLuis Beltran
 
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...Luis Beltran
 
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfCEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfLuis Beltran
 
Computo en la Nube con Azure - AI Gaming Panama.pptx
Computo en la Nube con Azure - AI Gaming Panama.pptxComputo en la Nube con Azure - AI Gaming Panama.pptx
Computo en la Nube con Azure - AI Gaming Panama.pptxLuis Beltran
 
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptxLuis Beltran
 
ACW - Azure Speaker Recognition Biometria de Voz.pptx
ACW - Azure Speaker Recognition Biometria de Voz.pptxACW - Azure Speaker Recognition Biometria de Voz.pptx
ACW - Azure Speaker Recognition Biometria de Voz.pptxLuis Beltran
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxLuis Beltran
 
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptx
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptxLatino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptx
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptxLuis Beltran
 
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptx
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptxNOVA - Enriquecimiento de IA con Azure Cognitive Search.pptx
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptxLuis Beltran
 
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...Luis Beltran
 
ATG Puebla - El cementerio de Microsoft.pptx
ATG Puebla - El cementerio de Microsoft.pptxATG Puebla - El cementerio de Microsoft.pptx
ATG Puebla - El cementerio de Microsoft.pptxLuis Beltran
 
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...Luis Beltran
 
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...Luis Beltran
 
Real NET Docs Show - Serverless Machine Learning v3.pptx
Real NET Docs Show - Serverless Machine Learning v3.pptxReal NET Docs Show - Serverless Machine Learning v3.pptx
Real NET Docs Show - Serverless Machine Learning v3.pptxLuis Beltran
 
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptx
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptxSesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptx
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptxLuis Beltran
 
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...Luis Beltran
 
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptx
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptxLatam Space Week - Clasificación de rocas espaciales por medio de IA.pptx
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptxLuis Beltran
 
GAIBT Pune - Future of AI.pptx
GAIBT Pune - Future of AI.pptxGAIBT Pune - Future of AI.pptx
GAIBT Pune - Future of AI.pptxLuis Beltran
 

Más de Luis Beltran (20)

AI for Accessibility.pptx
AI for Accessibility.pptxAI for Accessibility.pptx
AI for Accessibility.pptx
 
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptx
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptxNET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptx
NET Conf Bhubaneswar - Migrating your Xamarin.Forms app to .NET MAUI.pptx
 
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx
03 GlobalAIBootcamp2020Lisboa-Rock, Paper, Scissors.pptx
 
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...
BI LATAM Summit 2022 - Creación de soluciones de automatización serverless-...
 
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdfCEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
CEIAAIT - Fundamentos y Aplicaciones de Deep Learning.pdf
 
Computo en la Nube con Azure - AI Gaming Panama.pptx
Computo en la Nube con Azure - AI Gaming Panama.pptxComputo en la Nube con Azure - AI Gaming Panama.pptx
Computo en la Nube con Azure - AI Gaming Panama.pptx
 
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx
5StarsConf - Serverless Machine Learning con Azure Functions y ML.NET .pptx
 
ACW - Azure Speaker Recognition Biometria de Voz.pptx
ACW - Azure Speaker Recognition Biometria de Voz.pptxACW - Azure Speaker Recognition Biometria de Voz.pptx
ACW - Azure Speaker Recognition Biometria de Voz.pptx
 
UNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptxUNICABA - Azure Machine Learning.pptx
UNICABA - Azure Machine Learning.pptx
 
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptx
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptxLatino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptx
Latino NET - Integrando WhatsApp en nuestras apps .NET con Twilio.pptx
 
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptx
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptxNOVA - Enriquecimiento de IA con Azure Cognitive Search.pptx
NOVA - Enriquecimiento de IA con Azure Cognitive Search.pptx
 
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...
Netcoreconf 2021 Realidad mixta en apps móviles con Azure Spatial Anchors y ...
 
ATG Puebla - El cementerio de Microsoft.pptx
ATG Puebla - El cementerio de Microsoft.pptxATG Puebla - El cementerio de Microsoft.pptx
ATG Puebla - El cementerio de Microsoft.pptx
 
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...
Data-Saturday-10-Sofia-2021 Azure Video Indexer- Advanced data extraction fro...
 
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...
Azure Community Conference - Image Recognition in WhatsApp chatbot with Azure...
 
Real NET Docs Show - Serverless Machine Learning v3.pptx
Real NET Docs Show - Serverless Machine Learning v3.pptxReal NET Docs Show - Serverless Machine Learning v3.pptx
Real NET Docs Show - Serverless Machine Learning v3.pptx
 
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptx
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptxSesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptx
Sesion 5 - Eficiencia del Rendimiento - Well Architected Backstage Tour.pptx
 
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...
XamarinExpertDay - Creating PDF files in mobile apps with PdfSharpCore and Mi...
 
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptx
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptxLatam Space Week - Clasificación de rocas espaciales por medio de IA.pptx
Latam Space Week - Clasificación de rocas espaciales por medio de IA.pptx
 
GAIBT Pune - Future of AI.pptx
GAIBT Pune - Future of AI.pptxGAIBT Pune - Future of AI.pptx
GAIBT Pune - Future of AI.pptx
 

Último

Guia Basica para bachillerato de Circuitos Basicos
Guia Basica para bachillerato de Circuitos BasicosGuia Basica para bachillerato de Circuitos Basicos
Guia Basica para bachillerato de Circuitos BasicosJhonJairoRodriguezCe
 
How to use Redis with MuleSoft. A quick start presentation.
How to use Redis with MuleSoft. A quick start presentation.How to use Redis with MuleSoft. A quick start presentation.
How to use Redis with MuleSoft. A quick start presentation.FlorenciaCattelani
 
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...JohnRamos830530
 
Innovaciones tecnologicas en el siglo 21
Innovaciones tecnologicas en el siglo 21Innovaciones tecnologicas en el siglo 21
Innovaciones tecnologicas en el siglo 21mariacbr99
 
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptx
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptxEVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptx
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptxJorgeParada26
 
Generaciones de las Computadoras..pdf...
Generaciones de las Computadoras..pdf...Generaciones de las Computadoras..pdf...
Generaciones de las Computadoras..pdf...solanocortezluisalfr
 
presentación del desensamble y ensamble del equipo de computo en base a las n...
presentación del desensamble y ensamble del equipo de computo en base a las n...presentación del desensamble y ensamble del equipo de computo en base a las n...
presentación del desensamble y ensamble del equipo de computo en base a las n...axelv9257
 
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptx
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptxinfor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptx
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptxgustavovasquezv56
 
investigación de los Avances tecnológicos del siglo XXI
investigación de los Avances tecnológicos del siglo XXIinvestigación de los Avances tecnológicos del siglo XXI
investigación de los Avances tecnológicos del siglo XXIhmpuellon
 
Avances tecnológicos del siglo XXI y ejemplos de estos
Avances tecnológicos del siglo XXI y ejemplos de estosAvances tecnológicos del siglo XXI y ejemplos de estos
Avances tecnológicos del siglo XXI y ejemplos de estossgonzalezp1
 
Avances tecnológicos del siglo XXI 10-07 eyvana
Avances tecnológicos del siglo XXI 10-07 eyvanaAvances tecnológicos del siglo XXI 10-07 eyvana
Avances tecnológicos del siglo XXI 10-07 eyvanamcerpam
 
redes informaticas en una oficina administrativa
redes informaticas en una oficina administrativaredes informaticas en una oficina administrativa
redes informaticas en una oficina administrativanicho110
 
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdf
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdfpresentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdf
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdfaxelv9257
 
Buenos_Aires_Meetup_Redis_20240430_.pptx
Buenos_Aires_Meetup_Redis_20240430_.pptxBuenos_Aires_Meetup_Redis_20240430_.pptx
Buenos_Aires_Meetup_Redis_20240430_.pptxFederico Castellari
 

Último (14)

Guia Basica para bachillerato de Circuitos Basicos
Guia Basica para bachillerato de Circuitos BasicosGuia Basica para bachillerato de Circuitos Basicos
Guia Basica para bachillerato de Circuitos Basicos
 
How to use Redis with MuleSoft. A quick start presentation.
How to use Redis with MuleSoft. A quick start presentation.How to use Redis with MuleSoft. A quick start presentation.
How to use Redis with MuleSoft. A quick start presentation.
 
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...
Resistencia extrema al cobre por un consorcio bacteriano conformado por Sulfo...
 
Innovaciones tecnologicas en el siglo 21
Innovaciones tecnologicas en el siglo 21Innovaciones tecnologicas en el siglo 21
Innovaciones tecnologicas en el siglo 21
 
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptx
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptxEVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptx
EVOLUCION DE LA TECNOLOGIA Y SUS ASPECTOSpptx
 
Generaciones de las Computadoras..pdf...
Generaciones de las Computadoras..pdf...Generaciones de las Computadoras..pdf...
Generaciones de las Computadoras..pdf...
 
presentación del desensamble y ensamble del equipo de computo en base a las n...
presentación del desensamble y ensamble del equipo de computo en base a las n...presentación del desensamble y ensamble del equipo de computo en base a las n...
presentación del desensamble y ensamble del equipo de computo en base a las n...
 
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptx
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptxinfor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptx
infor expo AVANCES TECNOLOGICOS DEL SIGLO 21.pptx
 
investigación de los Avances tecnológicos del siglo XXI
investigación de los Avances tecnológicos del siglo XXIinvestigación de los Avances tecnológicos del siglo XXI
investigación de los Avances tecnológicos del siglo XXI
 
Avances tecnológicos del siglo XXI y ejemplos de estos
Avances tecnológicos del siglo XXI y ejemplos de estosAvances tecnológicos del siglo XXI y ejemplos de estos
Avances tecnológicos del siglo XXI y ejemplos de estos
 
Avances tecnológicos del siglo XXI 10-07 eyvana
Avances tecnológicos del siglo XXI 10-07 eyvanaAvances tecnológicos del siglo XXI 10-07 eyvana
Avances tecnológicos del siglo XXI 10-07 eyvana
 
redes informaticas en una oficina administrativa
redes informaticas en una oficina administrativaredes informaticas en una oficina administrativa
redes informaticas en una oficina administrativa
 
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdf
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdfpresentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdf
presentacion_desamblado_de_una_computadora_base_a_las_normas_de_seguridad.pdf
 
Buenos_Aires_Meetup_Redis_20240430_.pptx
Buenos_Aires_Meetup_Redis_20240430_.pptxBuenos_Aires_Meetup_Redis_20240430_.pptx
Buenos_Aires_Meetup_Redis_20240430_.pptx
 

Azure Talks Bolivia - Aumente la confiabilidad de su negocio con Azure Anomaly Detection Service.pptx

  • 1.
  • 3. Agenda • Detección de Anomalías: Una introducción • Azure Cognitive Services • ¿Qué es el Servicio de Anomaly Detector? • Demo • Apuntes finales • Q & A
  • 5.
  • 6. Detección de Anomalías • La detección de anomalías es el proceso de encontrar valores atípicos, elementos inesperados o eventos raros en una serie de tiempo. • Reconoce e identifica patrones de comportamiento de datos inusuales, los cuales no son consistentes con los valores esperados. Value Time
  • 7. La detección de anomalías asume que: • Las anomalías ocurren muy raramente en los datos. • Existe una diferencia significativa entre las características de las anomalías y los datos normales. En resumen, la detección de anomalías identifica puntos de datos que no encajan bien con el resto de los datos.
  • 8. La importancia de la Detección de Anomalías Los datos anómalos se pueden conectar a problemas como: • fraude bancario • problemas médicos • defectos estructurales • equipos que funcionan mal • y mucho más Es importante determinar qué puntos de datos pueden considerarse valores atípicos, ya que la identificación de estos eventos es relevante para los propietarios de datos (empresas).
  • 11. ¿Qué es el Servicio de Anomaly Detection?
  • 12. Anomaly Detector • Un servicio de IA que te ayuda a prever los problemas antes de que ocurran. • Al ingerir datos de series temporales, selecciona el modelo de detección que mejor se adapte a los datos para garantizar una alta precisión. • Determina los límites, los valores esperados y qué puntos de datos son anomalías. Prueba el servicio: https://aka.ms/adDemo (requiere una llave)
  • 13. • Anomaly Detector proporciona una API RESTful y SDK para varias tecnologías y lenguajes. • Se puede implementar con contenedores Docker para análisis de datos on-premises.
  • 14. Anomaly Detector API • Actualmente, la API ofrece tres funcionalidades: • Encuentra anomalías para toda la serie • Detecta el estatus de anomalía del último punto en la serie de tiempo. • Encuentra el punto de inflexión de la serie completa. API reference: https://westus2.dev.cognitive.microsoft.com/docs/services/AnomalyDetector/operations/post-timeseries-entire-detect
  • 16. Encuentra anomalías en la serie completa Esta operación genera un modelo utilizando una serie completa, cada punto se detecta con el mismo modelo. Los puntos antes y después de un cierto punto se utilizan para determinar si se trata de una anomalía. Toda la detección puede dar al usuario un estado general de la serie temporal. Request URL https://{endpoint}/anomalydetector/v1.0/timeseries/entire/detect Contenido de la Respuesta 
  • 17. Detecta el estatus de anomalía del último punto en la serie de tiempo Esta operación genera un modelo utilizando puntos anteriores al último. Es decir, solo se utilizan puntos históricos para determinar si el punto objetivo es una anomalía o no. La última detección de puntos coincide con el escenario de monitoreo en tiempo real de las métricas comerciales. Request URL https://{endpoint}/anomalydetector/v1.0/timeseries/last/detect Contenido de la Respuesta 
  • 18. Encuentra el punto de inflexión de la serie completa Esta operación genera un modelo utilizando una serie completa, cada punto se detecta con el mismo modelo. Con este método, se utilizan puntos antes y después de un determinado punto para determinar si se trata de un punto de cambio de tendencia. Toda la detección puede detectar todos los puntos de cambio de tendencia de la serie temporal. Request URL https://{endpoint}/anomalydetector/v1.0/timeseries/changepoint/detect Contenido de la Respuesta 
  • 19. Sensibilidad (Sensitivity) El valor de sensibilidad de la API tiene un efecto directo en los límites creados para la detección de anomalías.
  • 23. Creando un recurso de Anomaly Detector en Azure
  • 24. Obtén la llave y el endpoint
  • 25. Demo
  • 28. Recomendaciones • Los puntos de datos deben estar separados por el mismo intervalo. • No contar con menos del 10% del número esperado de puntos en tus datos no debería afectar negativamente el proceso de detección de anomalías. • Incluye al menos 12 puntos de datos si tus datos no tienen un patrón estacional claro (máximo 8640 puntos). • O incluye al menos 4 patrones de ocurrencias si sus datos tienen un patrón estacional claro.
  • 29. Detalles técnicos La innovación de Microsoft proporciona un framework genérico para conectar diferentes conjuntos de algoritmos y así manejar un amplio espectro de diferentes series temporales. Se han utilizado los siguientes algoritmos: • Fourier Transformation • STL Decomposition • Dynamic Threshold • Extreme Studentized Deviate (ESD) • Z-score detector • SR-CNN https://techcommunity.microsoft.com/t5/ai-customer-engineering-team/introducing-azure-anomaly-detector-api/ba-p/490162
  • 31. Para aprender más Cognitive Services Lab In Action (Build 2018) https://channel9.msdn.com/Events/Build/2018/THR3107 Anomaly Detector https://azure.microsoft.com/en-us/services/cognitive-services/anomaly- detector/ AI Show – Anomaly Detector videos https://channel9.msdn.com/Tags/anomaly-detector
  • 32. Para aprender más Introduction to Anomaly Detector https://docs.microsoft.com/en-us/learn/modules/intro-to-anomaly- detector/ Identify abnormal time-series data with Anomaly Detector https://docs.microsoft.com/en-us/learn/modules/identify-abnormal- time-series-data-anomaly-detector/
  • 33. Para aprender más Build an Enterprise-ready Anomaly Detection Solution https://info.microsoft.com/ww-ondemand-rapidly-build-an-anomaly- detection-solution.html Install and run Anomaly Detector containers https://docs.microsoft.com/en-us/azure/cognitive-services/anomaly- detector/anomaly-detector-container-howto
  • 34. Q & A
  • 35. ¡Gracias por tu atención! Luis Beltrán Tomás Bata University in Zlín Tecnológico Nacional de México en Celaya About Me: https://about.me/luis-beltran

Notas del editor

  1. Hola a todos, gracias a todos por asistir a mi sesión para el Microsoft User Group Bolivia. Es un placer para mí estar aquí y hablar sobre un servicio cognitivo interesante en la cartera de IA de Microsoft que ofrece una funcionalidad que vale la pena considerar y puede ser útil en nuestros negocios. Antes de comenzar, permítanme presentarme, soy un MVP mexicano de Microsoft que actualmente vive en la República Checa, soy investigador de la Universidad Tomas Bata en Zlin. Me enfoco en redes neuronales profundas, reconocimiento facial y algoritmos de detección de emociones. Desarrollar aplicaciones móviles e integrar servicios en la nube es una actividad que realmente disfruto. Del mismo modo, me apasiona compartir conocimientos con la comunidad.
  2. Así que comencemos con nuestro tema. Aquí, discutamos brevemente la agenda
  3. Comenzaré con una introducción a la detección de anomalías, ¿qué es? ¿Por qué es importante considerarlo? Pero también, ¿dónde encaja en el campo del ML? Luego, nos dirigiremos a los servicios cognitivos, de los que estoy bastante seguro de que has oído hablar. El tercer punto nos lleva al tema principal de nuestra charla, por lo que exploraremos a fondo el servicio de detector de anomalías. Te mostraré una demostración donde se utiliza este servicio para el análisis de datos Concluiremos nuestra sesión con algunas reflexiones finales que considero relevantes con respecto al tema. Si tiene alguna pregunta, no dude en agregarla en el chat, intentaré responderlas a todas al final de la presentación.
  4. Hablemos de la detección de anomalías
  5. En primer lugar, ML es un campo de estudio que mezcla la ciencia de datos con la estadística para permitir a las computadoras la capacidad de "aprender" sin ser programadas explícitamente. Esto permite a los usuarios ampliar la experiencia y mejorar los resultados con una intervención humana mínima. ML crea resultados mediante modelos de regresión, detección de anomalías, agrupación en clústeres y clasificación. ¿Qué preguntas de negocios estás tratando de resolver? Esa es la clave para determinar el tipo de algoritmo/método que vas a aplicar.
  6. Definición: La detección de anomalías es el proceso de encontrar valores atípicos, inesperados o raros elementos / eventos de series temporales. Una serie temporal es una secuencia de puntos de datos numéricos en orden sucesivo. La detección de anomalías identifica los puntos de datos en los datos que no encajan bien con el resto de los datos. ¿AD no es solo clasificación? La respuesta es sí si se cumplen las tres condiciones siguientes. * Ha etiquetado los datos de entrenamiento * Las clases anómalas y normales están equilibradas (digamos al menos 1:5) * Los datos no están autocorrelacionados. ( Ese punto de datos no depende de puntos de datos anteriores. Esto a menudo se rompe en los datos de series temporales). Sin embargo, a menudo es muy difícil encontrar datos de entrenamiento, e incluso cuando puede encontrarlos, la mayoría de las anomalías son eventos de 1: 1000 a 1: 10 ^ 6 donde las clases no están equilibradas. Además, la mayoría de los datos, como los datos de los casos de uso de IoT, estarían autocorrelacionados.
  7. En otras palabras, la detección de valores atípicos es la identificación de observaciones raras que levantan sospechas al diferir significativamente de la mayoría de los datos.
  8. Reducción de falsos positivos ¿Alguna vez ha usado su tarjeta de crédito en una nueva tienda o ubicación solo para que la rechace? ¿Alguna vez se ha bloqueado una venta porque cobraste una cantidad más alta de lo habitual? Las tarjetas de crédito de los consumidores se rechazan sorprendentemente a menudo en transacciones legítimas. Una causa es que las tecnologías de detección de fraude utilizadas por el banco de un consumidor han marcado incorrectamente la venta como sospechosa. Otro aspecto es que los falsos positivos son una preocupación importante a la hora de considerar decisiones. Por lo tanto, las compensaciones de precisión (dado que el modelo predijo una anomalía, qué tan probable es que sea cierta) y el recuerdo (cuántas anomalías detectará el modelo) son diferentes de los casos de uso de clasificación normales.
  9. Así que ahora podrías pensar. ¿Necesito ser un experto en ML, python, redes neuronales y otras técnicas para analizar enormes conjuntos de datos con el fin de encontrar anomalías con una alta exactitud, precisión y confianza? ¿Es esta una tarea solo al alcance de los científicos de datos? Gracias a los servicios cognitivos en la nube que ofrece Microsoft Azure, no necesita ser un experto o científico de datos para inyectar inteligencia artificial en sus aplicaciones.
  10. Estas son las API, SDK y servicios disponibles que tienen como objetivo ayudar a los desarrolladores a crear aplicaciones inteligentes sin el uso de "inteligencia artificial directa" y sin la necesidad de habilidades y conocimientos de ciencia de datos. Azure Cognitive Services permite a los desarrolladores agregar fácilmente características cognitivas a sus aplicaciones.   Azure Cognitive Services permite que las aplicaciones vean, escuchen, hablen, comprendan e incluso comiencen a razonar. La oferta de Azure Cognitive Services se puede dividir en cuatro pilares principales: visión, voz, lenguaje y decisión.
  11. Un servicio de IA que le ayuda a prever los problemas antes de que ocurran. Al ingerir datos de series temporales, selecciona el modelo de detección que mejor se adapte a los datos para garantizar una alta precisión. Se adapta identificando y aplicando automáticamente los modelos que mejor se adaptan a sus datos, independientemente de la industria, el entorno o el volumen de datos. Determina los límites, los valores esperados y qué puntos de datos son anomalías
  12. Anomaly Detector proporciona una API, lo que significa que se puede integrar fácilmente en aplicaciones y procesos. No se requieren conocimientos previos en ML, pero por supuesto ayuda
  13. El servicio de detección de anomalías admite varias funcionalidades: uno es para detectar toda la serie con el modelo entrenado por la serie temporal otro es detectar el último punto con el modelo entrenado por puntos antes. También se proporciona detección de puntos de cambio, que es otro escenario común en el análisis de series temporales y la supervisión de servicios.
  14. Ya se ha mencionado que la API acepta datos de series temporales. Como puede ver, el formato es json, y puede reconocer que los valores incluyen una marca de tiempo que especifica cuándo ocurrió este valor, puede ser un precio, una tasa, una variación, cualquier valor numérico. Otra información importante es la granularidad, que especifica la frecuencia de cada punto de la serie temporal, por ejemplo, el primer elemento ocurrió en marzo, mientras que el segundo en abril, según lo especificado por la granularidad mensual. La sensibilidad es un caso especial, lo discutiremos más adelante
  15. Como se ha dicho, la API ofrece tres funcionalidades; el primero se trata de analizar toda la serie temporal y encontrar todas las anomalías que están presentes en el lote. Se construye un modelo y cada punto de datos se evalúa con respecto al modelo para determinar si se trata de un valor normal o un evento raro. En realidad, el valor anterior y el siguiente también se tienen en cuenta cuando se realiza este análisis. El punto de conexión (endpoint) es entire/detect y puede ver el resultado: el análisis devuelve una colección de valores esperados, máginas superiores e inferiores que determinan los límites de valor, más sobre eso en un segundo. Para saber si el punto es una anomalía, comprobarás la colección de isonomalia y podrás determinar si es positiva o negativa. Una anomalía positiva significa que el valor real es mayor que el esperado. Una anomalía negativa significa que el valor real es menor que el esperado. 
  16. Con este servicio, los clientes empresariales pueden descubrir incidentes y establecer un flujo lógico para el análisis de causa raíz. El endpoint es last/detect Similar al anterior, pero en lugar de matrices, solo se devuelve un punto como resultado
  17. Cambiar los objetivos de detección de puntos para descubrir cambios de tendencia en las series temporales. El extremo es changepoint/detect y el resultado recupera la matriz de puntuaciones de confianza para cada cálculo que determina si el punto de datos es un punto de cambio de tendencia o no.
  18. Se esperan puntos de datos faltantes.
  19. Los sistemas de detección de anomalías de última generación a menudo utilizan un enfoque de talla única, lo que significa que aplican un algoritmo específico en todos los tipos de series temporales. La experiencia de aprendizaje de Microsoft es que cada algoritmo puede manejar mejor tipos específicos de series temporales.
  20. AD tiene una amplia gama de aplicaciones, como detección de fraude, vigilancia, diagnóstico, limpieza de datos y mantenimiento predictivo.