これまで、DataRobot の Automated Time Series は教師あり機械学習ワークフローをベースにしており、トレーニング対象のターゲット特徴量を指定することで、将来の事象を予測することができます。しかし、ターゲットを知らずに時系列データから情報を推論したい場合もあります。たとえば、機械のセンサー不良を検出したい場合や、スマートホームデバイスで異常に高いネットワークアクティビティを検出したい場合があるでしょう。異常な事象を検知するためには、異常はどこでも発生し得ることを理解した上で、データセットを全体的に見る必要があります。
8. Automated Time Series の標準機能と同様に、最小値または最大値のアンサンブルモデルを作成することも可能です。異常検知において、最大値のアンサンブルモデルでは、発生し得るすべての異常を検知することができます。これらアンサンブルモデルは、偽陽性に対する許容度が高い場合には特に有用です。
モデルに満足しているのであれば、このように簡単な数ステップで、新たな異常をリアルタイムで検知するためのモデルをデプロイする準備が整います。こうした準備は、標準の Automated Time Series でよく知られた通常の方法で行うことができます。
今すぐ異常検知を始めましょう
DataRobot では、Automated Time Series 向けの異常検知をご提供できることを誇りに思います。この新機能をぜひお試しください。ご興味をお持ちいただけましたら、直接お問い合わせも可能です。
DataRobot Automated Time Series をすでにお使いの場合は、お持ちのライセンスで異常検知をご利用いただけます。また、DataRobotコミュニティでは、異常検知について詳しくご紹介し、初めて異常検知モデルを構築する際に役立つビデオをご覧いただけます。異常検知は一般提供機能です。ぜひお試しください!
リリース6.1
エンタープライズAIの最先端
リリース6.1ではエンタープライズ AI のビジネス面にフォーカスし、ユースケースの価値を追跡する機能を導入
DataRobotでソフトウェアエンジニアとしてAutomated Time Seriesを担当。ウスター・ポリテクニック・インスティテュートでコンピューターサイエンスの学位を取得後、2020年2月にDataRobot入社。プロダクトチームやマーケティングチームとの共同作業や、お客様のフィードバックから学ぶことを楽しんでいる。