El documento describe el nuevo componente Anomaly Detector de Cognitive Services de Azure, el cual puede detectar patrones inusuales en datos de series de tiempo. Reconoce valores atípicos al aprender y aplicar automáticamente los modelos más adecuados para los datos de entrada. Los usuarios pueden construir aplicaciones para monitorear métricas clave y servicios, identificando anomalías y cambios de patrones. El API toma datos de entrada de series de tiempo y devuelve los resultados de detección, permitiendo ajustar la sensibilidad.

1. DETECCIÓN DE PATRONES INUSUALES CON
ANOMALY DETECTOR, EL NUEVO COMPONENTE
DE COGNITIVE SERVICES

2. Microsoft MVP en Tecnologías de Desarrollador e Inteligencia
Artificial
Investigador y estudiante de doctorado en la Universidad
Tomás Bata en Zlín, República Checa.
Docente en el Tecnológico Nacional de México en Celaya.

3. DETECCIÓN DE ANOMALÍAS
Es el proceso de encontrar valores atípicos, raros o eventos inesperados a partir de flujos de datos
con una dimension del tiempo (“Mi valor actual no es lo que debería ser en este momento”) con el
fin de tomar decisiones y resolver problemas generados por la anomalía.
Reconoce patrones inusuales de comportamiento en datos que no van de acuerdo a valores
esperados. Value
Time

4. ANOMALY DETECTOR
▪ Es un nuevo servicio incluido en la oferta de Azure Cognitive Services
▪ Datos de entrada: una serie de tiempo
▪ Datos de salida: una serie de tiempo con resultado de la detección
▪ Ampliamente utilizado por Microsoft

5. La API del Detector de anomalías permite monitorear y detectar anormalidades en datos de
series de tiempo con aprendizaje automático.
Se adapta identificando y aplicando automáticamente los modelos que mejor se ajustan a sus
datos, independientemente de la industria, el escenario o el volumen de datos.
Usando datos de series de tiempo, la API determina los límites para la detección de anomalías,
los valores esperados y qué puntos de datos son atípicos.

6. ¿QUÉ SE PUEDE CONSTRUIR CON ANOMALY
DETECTOR?
Ejemplo:
Para garantizar el buen estado de un
negocio, se desea realizar el seguimiento de
las métricas clave, tales como los ingresos
para comprender si algo está fuera del
patrón histórico.
Ejemplo:
El desarrollador de un servicio desea realizar un
seguimiento del estado del mismo mediante el
monitoreo de las métricas operativas y descubrir
anomalías y cambios de patrones.

7. INTRODUCCIÓN AL API
Datos de entrada

8. INTRODUCCIÓN AL API
Datos de salida

9. AJUSTANDO LA DETECCIÓN DE SENSIBILIDAD

10. SENSIBILIDAD = 1

11. SENSIBILIDAD = 2

12. SENSIBILIDAD = 3

13. SENSITIVITY = 4

14. SENSIBILIDAD = 5

15. DEMO http://github.com/icebeam7/DemoAnomalyDetector

19. RECOMENDACIONES (BEST PRACTICES)
▪ En los datos de entrada, los puntos de datos deben estar separados por el mismo
intervalo de tiempo.
▪ Máximo 10% del número esperado de puntos faltantes.
▪ Incluir por lo menos 12 puntos de datos si no existe un patrón estacional claro.
▪ O incluir al menos 4 ocurrencias de patrones si los datos tienen un patrón estacional
claro.

20. ¿QUÉ HAY DETRÁS DE ANOMALY DETECTOR?
▪ Transformadas de Fourier
▪ Extreme Studentized Deviate (ESD)
▪ Descomposición STL (descomposición
de series de tiempo en tendencias)
▪ Umbral dinámico (Dynamic
Threshold)
▪ Detector de Z-score
▪ Spectral Residual (SR)
▪ SR-CNN (SR con red neuronal de
convolución)

21. ESCENARIOS DE USO

22. CALL TO ACTION
Cognitive Services Lab In Action (Build 2018)
https://channel9.msdn.com/Events/Build/2018/THR3107
Anomaly Detector
https://azure.microsoft.com/es-es/services/cognitive-services/anomaly-detector/

24. ¡GRACIAS POR SU ATENCIÓN!
Tomás Bata University in Zlín
Tecnológico Nacional de México en Celaya
https://youtube.com/user/darkicebeam
https://slideshare.net/icebeam
@darkicebeam
icebeam7
luisantoniobeltran
luisbeltran.mx