Descripción general de la detección de anomalías

La detección de anomalías es una técnica de extracción de datos que puedes usar para identificar desviaciones de datos en un conjunto de datos determinado. Por ejemplo, si la tasa de devoluciones de un producto determinado aumenta significativamente con respecto al modelo de referencia de ese producto, podría indicar un defecto en el producto o un posible fraude. Puedes usar la detección de anomalías para detectar los incidentes críticos, como problemas técnicos, o las oportunidades, como cambios en el comportamiento de los consumidores.

Puede ser difícil determinar qué se cuenta como datos anómalos. Si no sabes con certeza qué cuenta como datos anómalos o no tienes datos etiquetados para entrenar un modelo, puedes usar el aprendizaje automático no supervisado para realizar la detección de anomalías. Usa la función AI.DETECT_ANOMALIES o la función ML.DETECT_ANOMALIES con uno de los siguientes modelos para detectar anomalías en los datos de entrenamiento o en los datos de entrega nuevos:

Tipo de datos Tipos de modelos Función Qué hace la función
Series temporales TimesFM AI.DETECT_ANOMALIES Detecta las anomalías en las series temporales.
ARIMA_PLUS ML.DETECT_ANOMALIES Detecta las anomalías en las series temporales.
ARIMA_PLUS_XREG ML.DETECT_ANOMALIES Detecta las anomalías en las series temporales con regresores externos.
Variables aleatorias independientes e idénticamente distribuidas (IID) k-means ML.DETECT_ANOMALIES Detecta anomalías según la distancia más corta entre las distancias normalizadas de los datos de entrada a cada centroide del clúster. Para obtener una definición de distancias normalizadas, consulta El resultado del modelo k-means para la función ML.DETECT_ANOMALIES.
Codificador automático Detecta anomalías según la pérdida de reconstrucción en términos de error cuadrático medio. Para obtener más información, consulta ML.RECONSTRUCTION_LOSS. La función ML.RECONSTRUCTION_LOSS puede recuperar todos los tipos de pérdidas de reconstrucción.
PCA Detecta anomalías según la pérdida de reconstrucción en términos de error cuadrático medio.

Si ya tienes datos etiquetados que identifican anomalías, puedes realizar la detección de anomalías con la función ML.PREDICT y uno de los siguientes modelos de aprendizaje automático supervisado:

Si usas la configuración predeterminada en las instrucciones CREATE MODEL y las funciones de inferencia, puedes crear y usar un modelo de detección de anomalías incluso sin tener muchos conocimientos de AA. Sin embargo, tener conocimientos básicos sobre el desarrollo de AA te ayuda a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de AA: