Visualice los resultados de anomalías de Amazon Lookout for Metrics con Amazon QuickSight

Uno de los desafíos que enfrentan los equipos que utilizan Amazon Lookout para métricas es conectarlo rápida y eficientemente a la visualización de datos. Las anomalías se presentan individualmente en la consola Lookout for Metrics, cada una con su propio gráfico, lo que dificulta ver el conjunto como un todo. Se necesita una solución automatizada e integrada para un análisis más profundo.

En esta publicación, usamos un detector en vivo Lookout for Metrics construido siguiendo el Cómo Empezar sección de la Muestras de AWS, Amazon Lookout para métricas repositorio de GitHub. Una vez que el detector está activo y se generan anomalías a partir del conjunto de datos, conectamos Lookout for Metrics a Amazon QuickSight. Creamos dos conjuntos de datos: uno uniendo la tabla de dimensiones con la tabla de anomalías y otro uniendo la tabla de anomalías con los datos en vivo. Luego podemos agregar estos dos conjuntos de datos a un análisis de QuickSight, donde podemos agregar gráficos en un solo tablero.

Podemos proporcionar dos tipos de datos al detector Lookout for Metrics: continuos e históricos. los Repositorio de GitHub de ejemplos de AWS ofrece ambos, aunque nos enfocamos en los datos continuos en vivo. El detector monitorea estos datos en vivo para identificar anomalías y escribe las anomalías en Servicio de almacenamiento simple de Amazon (Amazon S3) a medida que se generan. Al final de un intervalo especificado, el detector analiza los datos. Con el tiempo, el detector aprende a identificar anomalías con mayor precisión en función de los patrones que encuentra.

Lookout for Metrics utiliza el aprendizaje automático (ML) para detectar y diagnosticar automáticamente anomalías en los datos comerciales y operativos, como una caída repentina en los ingresos por ventas o las tasas de adquisición de clientes. El servicio ahora está disponible en general a partir del 25 de marzo de 2021. Inspecciona y prepara automáticamente datos de una variedad de fuentes para detectar anomalías con mayor velocidad y precisión que los métodos tradicionales utilizados para la detección de anomalías. También puede proporcionar comentarios sobre las anomalías detectadas para ajustar los resultados y mejorar la precisión con el tiempo. Lookout for Metrics facilita el diagnóstico de anomalías detectadas al agrupar anomalías relacionadas con el mismo evento y enviar una alerta que incluye un resumen de la posible causa raíz. También clasifica las anomalías en orden de gravedad para que pueda priorizar su atención a lo que más le importa a su negocio.

QuickSight es un servicio de inteligencia empresarial (BI) nativo de la nube totalmente administrado que facilita la conexión a sus datos para crear y publicar paneles interactivos. Además, puede utilizar Amazon QuickSight para obtener respuestas instantáneas a través de consultas en lenguaje natural.

Puede acceder a paneles QuickSight altamente escalables y sin servidor desde cualquier dispositivo e integrarlos sin problemas en sus aplicaciones, portales y sitios web. La siguiente captura de pantalla es un ejemplo de lo que puede lograr al final de esta publicación.

Resumen de la solución

La solución es una combinación de servicios de AWS, principalmente Lookout for Metrics, QuickSight, AWS Lambda, Atenea amazónica, Pegamento AWSy Amazon S3.

El siguiente diagrama ilustra la arquitectura de la solución. Lookout for Metrics detecta y envía las anomalías a Lambda a través de una alerta. La función Lambda genera los resultados de anomalías como archivos CSV y los guarda en Amazon S3. Un rastreador de AWS Glue analiza los metadatos y crea tablas en Athena. QuickSight utiliza Athena para consultar los datos de Amazon S3, lo que permite crear paneles para visualizar tanto los resultados de las anomalías como los datos en vivo.

Esta solución amplía los recursos creados en el Cómo Empezar sección del repositorio de GitHub. Para cada paso, incluimos opciones para crear los recursos usando el Consola de administración de AWS o lanzando el proporcionado Formación en la nube de AWS pila. Si tiene un detector Lookout for Metrics personalizado, puede usarlo y adaptarlo de la siguiente manera cuaderno para lograr los mismos resultados.

Los pasos de implementación son los siguientes:

1. Crea el Amazon SageMaker instancia de cuaderno (ALFMTestNotebook) y cuadernos usando la pila provista en el Configuración inicial sección de la Repositorio GitHub.
2. Abra la instancia del cuaderno en la consola de SageMaker y vaya a la amazon-lookout-for-metrics-samples/getting_started carpeta.
3. Cree el depósito S3 y complete la preparación de datos usando el primero cuaderno (1.PrereqSetupData.ipynb). Abra el cuaderno con el conda_python3 núcleo, si se le solicita.

Nos saltamos el segundo cuaderno porque se centra en el backtesting de datos.

4. Si está recorriendo el ejemplo usando la consola, cree el detector en vivo Lookout for Metrics y su alerta usando la tercera cuaderno (3.GettingStartedWithLiveData.ipynb).

Si está utilizando las pilas de CloudFormation proporcionadas, no se requiere el tercer cuaderno. El detector y su alerta se crean como parte de la pila.

5. Después de crear el detector en vivo Lookout for Metrics, debe activarlo desde la consola.

Esto puede tomar hasta 2 horas para inicializar el modelo y detectar anomalías.

6. Implemente una función Lambda, utilizando Python con una capa de biblioteca de Pandas, y cree una alerta adjunta al detector en vivo para iniciarlo.
7. Utilice la combinación de Athena y AWS Glue para descubrir y preparar los datos para QuickSight.
8. Cree la fuente de datos y los conjuntos de datos de QuickSight.
9. Finalmente, cree un análisis QuickSight para la visualización, utilizando los conjuntos de datos.

Los scripts de CloudFormation normalmente se ejecutan como un conjunto de pilas anidadas en un entorno de producción. Se proporcionan individualmente en esta publicación para facilitar un tutorial paso a paso.

Requisitos previos

Para seguir este tutorial, necesita una cuenta de AWS donde se implementará la solución. Asegúrese de que todos los recursos que implemente estén en la misma región. Necesita un detector Lookout for Metrics en ejecución creado a partir de los cuadernos 1 y 3 de la Repositorio GitHub. Si no tiene un detector Lookout for Metrics en ejecución, tiene dos opciones:

• Ejecute los cuadernos 1 y 3, y continúe desde el paso 1 de esta publicación (creación de la alerta y la función Lambda)
• Ejecute el cuaderno 1 y luego use la plantilla de CloudFormation para generar el detector Lookout for Metrics

Cree el detector en vivo usando AWS CloudFormation

El L4MLiveDetector.yaml El script de CloudFormation crea el detector de anomalías Lookout for Metrics con su origen apuntando a los datos en vivo en el depósito de S3 especificado. Para crear el detector, complete los siguientes pasos:

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila página, proporcione la siguiente información:
   1. Un nombre de pila. Por ejemplo, L4MLiveDetector.
   2. El cubo S3, <Account Number>-lookoutmetrics-lab.
   3. El ARN del rol, arn:aws:iam::<Account Number>:role/L4MTestRole.
   4. Una frecuencia de detección de anomalías. Elegir PT1H (cada hora).
4. Elige Siguiente.
5. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
6. En Revisar página, deja todo como está y elige Crear pila.

Cree la alerta por SMS del detector en vivo usando AWS CloudFormation (Opcional)

Este paso es opcional. La alerta se presenta como un ejemplo, sin impacto en la creación del conjunto de datos. los L4MLiveDetectorAlert.yaml El script de CloudFormation crea la alerta del detector de anomalías de Lookout for Metrics con un destino de SMS.

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila página, actualice el número de teléfono SMS e ingrese un nombre para la pila (por ejemplo, L4MLiveDetectorAlert).
4. Elige Siguiente.
5. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
6. En Revisar página, seleccione la casilla de confirmación, deje todo lo demás como está y elija Crear pila.

Limpieza de recursos

Antes de continuar con el siguiente paso, detenga la instancia de su computadora portátil SageMaker para asegurarse de que no incurra en costos innecesarios. Ya no es necesario.

Cree la función Lambda y la alerta

En esta sección, brindamos instrucciones sobre cómo crear su función Lambda y alerta a través de la consola o AWS CloudFormation.

Crea la función y alerta con la consola

Necesitas una lambda Gestión de identidades y accesos de AWS (YO SOY) papel después de la mejores prácticas de privilegios mínimos para acceder al depósito donde desea que se guarden los resultados.

1. 1. En la consola de Lambda, cree una nueva función.
   2. Seleccione Autor desde cero.
   3. Nombre de la funcióningresa un nombre.
   4. Runtime, escoger 3.8 Python.
   5. Rol de ejecución, seleccione Use un rol existente y especifique el rol que creó.
   6. Elige Crear función.
2. 
   7. Descargar el archivo ZIP que contiene el código necesario para la función Lambda.
   8. En la consola Lambda, abra la función.
   9. En Código pestaña, elegir Subir desde, escoger .archivo zipy cargue el archivo que descargó.
   10. Elige Guardar.

Su árbol de archivos debe permanecer igual después de cargar el archivo ZIP.

11. En capas sección, elija Agregar capa.
12. Seleccione Especificar un ARN.
13. En la siguiente Repositorio GitHub, elige el CSV correspondiente a la Región en la que estás trabajando y copia el ARN de la última versión de Pandas.
14. Especificar un ARN, ingrese el ARN que copió.
15. Elige Añada.

16. Para adaptar la función a su entorno, en la parte inferior del código del archivo lambda_function.py, asegúrese de actualizar el nombre del depósito con el depósito en el que desea guardar los resultados de la anomalía y el DataSet_ARN de su detector de anomalías.
17. Elige Despliegue para activar los cambios.

Ahora necesita conectar el detector Lookout for Metrics a su función.

18. En la consola Lookout for Metrics, navegue hasta su detector y elija Agregar alerta.
19. Ingrese el nombre de la alerta y su umbral de gravedad preferido.
20. En la lista de canales, elija lambda.
21. Elija la función que creó y asegúrese de tener el rol correcto para activarla.
22. Elige Agregar alerta.

Ahora espera a que se active la alerta. El tiempo varía dependiendo de cuándo el detector encuentra una anomalía.

Cuando se detecta una anomalía, Lookout for Metrics activa la función Lambda. Recibe la información necesaria de Lookout for Metrics y comprueba si ya existe un archivo CSV guardado en Amazon S3 en la marca de tiempo correspondiente de la anomalía. Si no hay un archivo, Lambda genera el archivo y agrega los datos de anomalía. Si el archivo ya existe, Lambda lo actualiza con los datos adicionales recibidos. La función genera un archivo CSV separado para cada marca de tiempo diferente.

Cree la función y la alerta con AWS CloudFormation

Similar a las instrucciones de la consola, usted descargar el archivo ZIP que contiene el código necesario para la función Lambda. Sin embargo, en este caso, debe cargarse en el depósito de S3 para que el código de AWS CloudFormation lo cargue durante la creación de la función.

En el depósito de S3 especificado en la creación del detector Lookout for Metrics, cree una carpeta llamada lambda-code y cargue el archivo ZIP.

La función Lambda carga esto como su código durante la creación.

El L4MLambdaFunction.yaml El script de CloudFormation crea la función Lambda y los recursos de alerta y utiliza el archivo de código de función almacenado en el mismo depósito de S3.

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila página, especifique un nombre de pila (por ejemplo, L4MLambdaFunction).
4. En la siguiente Repositorio GitHub, abre el CSV correspondiente a la Región en la que estás trabajando y copia el ARN de la última versión de Pandas.
5. Ingrese el ARN como el parámetro ARN de la capa Pandas Lambda.
6. Elige Siguiente.
7. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
8. En Revisar página, seleccione la casilla de confirmación, deje todo lo demás como está y elija Crear pila.

Activar el detector

Antes de continuar con el siguiente paso, debe activar el detector desde la consola.

1. En la consola de Lookout for Metrics, elija Detectores en el panel de navegación.
2. Elija su detector recién creado.
3. Elige Activar, A continuación, elija Activar de nuevo para confirmar

La activación inicializa el detector; está terminado cuando el modelo ha completado su ciclo de aprendizaje. Esto puede tomar hasta 2 horas.

Preparar los datos para QuickSight

Antes de completar este paso, dé tiempo al detector para encontrar anomalías. La función Lambda que creó guarda los resultados de la anomalía en el depósito Lookout for Metrics en el anomalyResults directorio. Ahora podemos procesar estos datos para prepararlos para QuickSight.

Cree el rastreador de AWS Glue en la consola

Después de generar algunos archivos CSV anómalos, utilizamos un rastreador de AWS Glue para generar las tablas de metadatos.

1. En la consola de AWS Glue, elija Rastreadores en el panel de navegación.
2. Elige Agregar rastreador.

3. Introduzca un nombre para el rastreador (por ejemplo, L4MCrawler).
4. Elige Siguiente.
5. Tipo de fuente de rastreador, seleccione Almacenes de datos.
6. Repita los rastreos de los almacenes de datos de S3, seleccione Rastrear todas las carpetas.
7. Elige Siguiente.

8. En la página de configuración del almacén de datos, para Rastrear datos en, seleccione Ruta especificada en mi cuenta.
9. Incluir ruta, introduzca la ruta de su dimensionContributions archivo (s3://YourBucketName/anomalyResults/dimensionContributions).
10. Elige Siguiente.
11. Elige Sí para agregar otro almacén de datos y repita las instrucciones para metricValue_AnomalyScore(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore).
12. Repita las instrucciones nuevamente para que el detector de anomalías Lookout for Metrics analice los datos en vivo (esta es la ubicación del conjunto de datos S3 de su detector Lookout for Metrics).

Ahora debería tener tres almacenes de datos para que el rastreador los procese.

Ahora debe seleccionar el rol para permitir que el rastreador pase por las ubicaciones S3 de sus datos.

13. Para esta publicación, seleccione Crear un rol de IAM e ingrese un nombre para el rol.
14. Elige Siguiente.

15. Frecuencia, dejar como Ejecutar bajo demanda y elige Siguiente.
16. En Configurar la salida del rastreador sección, elija Agregar base de datos.

Esto crea la base de datos de Athena donde se ubican las tablas de metadatos una vez que se completa el rastreador.

17. Ingrese un nombre para su base de datos y elija Crear.
18. Elige Siguiente, A continuación, elija Acabado.

19. En Rastreadores página de la consola de AWS Glue, seleccione el rastreador que creó y elija Ejecutar rastreador.

Es posible que deba esperar unos minutos, según el tamaño de los datos. Cuando se completa, el estado del rastreador se muestra como Listo!. Para ver las tablas de metadatos, navegue a su base de datos en el Bases de datos página y elige Mesas en el panel de navegación.

En este ejemplo, la tabla de metadatos llamada en vivo representa el conjunto de datos S3 del detector en vivo de Lookout for Metrics. Como práctica recomendada, se recomienda cifre sus metadatos de AWS Glue Data Catalog.

Athena reconoce automáticamente las tablas de metadatos y QuickSight utiliza Athena para consultar los datos y visualizar los resultados.

Cree el rastreador de AWS Glue con AWS CloudFormation

El L4MGlueCrawler.yaml El script de CloudFormation crea el rastreador de AWS Glue, su rol de IAM asociado y la base de datos de salida de Athena.

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila página, ingrese un nombre para su pila (por ejemplo, L4MGlueCrawler), y elige Siguiente.
4. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
5. En Revisar página, seleccione la casilla de confirmación, deje todo lo demás como está y elija Crear pila.

Ejecute el rastreador de AWS Glue

Después de crear el rastreador, debe ejecutarlo antes de pasar al siguiente paso. Puedes ejecutarlo desde la consola o el Interfaz de línea de comandos de AWS (CLI de AWS). Para usar la consola, complete los siguientes pasos:

1. En la consola de AWS Glue, elija Rastreadores en el panel de navegación.
2. Seleccione su rastreador (L4MCrawler).
3. Elige Ejecutar rastreador.

Cuando el rastreador está completo, muestra el estado Listo!.

Crear una cuenta QuickSight

Antes de comenzar con el siguiente paso, vaya a la consola de QuickSight y cree una cuenta si aún no tiene una. Para asegurarse de tener acceso a los servicios correspondientes (cubo de Athena y S3), elija el nombre de su cuenta en la parte superior derecha, elija Administrar QuickSight, y elige Seguridad y permisos, donde podrá añadir los servicios necesarios. Al configurar su acceso a Amazon S3, asegúrese de seleccionar Permiso de escritura para Athena Workgroup.

Ahora está listo para visualizar sus datos en QuickSight.

Cree los conjuntos de datos de QuickSight en la consola

Si es la primera vez que usa Athena, debe configurar la ubicación de salida de las consultas. Para obtener instrucciones, consulte los pasos 1 a 6 en Crea una base de datos. Luego complete los siguientes pasos:

1. En la consola de QuickSight, elija Conjuntos de datos.
2. Elige Nuevo conjunto de datos.
3. Elija Athena como su fuente.
4. Introduzca un nombre para su fuente de datos.
5. Elige Crear fuente de datos.

6. Para su base de datos, especifique la que creó anteriormente con el rastreador de AWS Glue.
7. Especifique la tabla que contiene sus datos en vivo (no las anomalías).
8. Elige Editar/vista previa de datos.

Será redirigido a una interfaz similar a la siguiente captura de pantalla.

El siguiente paso es agregar y combinar los metricValue_AnomalyScore datos con los datos en vivo.

9. Elige Agregar datos.
10. Elige Añadir fuente de datos.
11. Especifique la base de datos que creó y el metricValue_AnomalyScore mesa.
12. Elige Seleccione.

Ahora necesita configurar la unión de las dos tablas.

13. Elija el vínculo entre las dos tablas.
14. Deje el tipo de unión como Unidades, agregue la marca de tiempo y cada dimensión que tenga como una cláusula de combinación y elija Aplicá.

En el siguiente ejemplo, usamos la marca de tiempo, la plataforma y el mercado como cláusulas de unión.

En el panel derecho, puede eliminar los campos que no le interesa conservar.

15. Eliminar la marca de tiempo de la metricValue_AnomalyScore tabla para no tener una columna duplicada.
16. Cambie el tipo de datos de marca de tiempo (de la tabla de datos en vivo) de cadena a fecha y especifique el formato. En nuestro caso, debe ser yyyy-MM-dd HH:mm:ss.

La siguiente captura de pantalla muestra su vista después de eliminar algunos campos y ajustar el tipo de datos.

17. Elige Guardar y visualizar.
18. Elija el icono de lápiz junto al conjunto de datos.
19. Elige Agregar conjunto de datos y elige dimensioncontributions.

Cree los conjuntos de datos de QuickSight con AWS CloudFormation

Este paso contiene tres pilas de CloudFormation.

El primer script de CloudFormation, L4MQuickSightDataSource.yaml, crea el origen de datos de QuickSight Athena.

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila página, ingrese su nombre de usuario de QuickSight, la región de la cuenta de QuickSight (especificada al crear la cuenta de QuickSight) y un nombre de pila (por ejemplo, L4MQuickSightDataSource).
4. Elige Siguiente.
5. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
6. En Revisar página, deja todo como está y elige Crear pila.

El segundo script de CloudFormation, L4MQuickSightDataSet1.yaml, crea un conjunto de datos de QuickSight que une la tabla de dimensiones con la tabla de anomalías.

1. Inicie la pila desde el siguiente enlace:

2. En Crear pila página, elige Siguiente.
3. En Especificar detalles de la pila, ingrese un nombre de pila (por ejemplo, L4MQuickSightDataSet1).
4. Elige Siguiente.
5. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
6. En Revisar página, deja todo como está y elige Crear pila.

El tercer script de CloudFormation, L4MQuickSightDataSet2.yaml, crea el conjunto de datos de QuickSight que une la tabla de anomalías con la tabla de datos en vivo.

1. Inicie la pila desde el siguiente enlace:

2. En Crear página de pilaescoger Siguiente.
3. En Especificar detalles de la pila página, introduzca un nombre de pila (por ejemplo, L4MQuickSightDataSet2).
4. Elige Siguiente.
5. En Configurar opciones de pila página, deja todo como está y elige Siguiente.
6. En Revisar página, deja todo como está y elige Crear pila.

Cree el análisis QuickSight para la creación de tableros

Este paso solo se puede completar en la consola. Una vez que haya creado sus conjuntos de datos de QuickSight, complete los siguientes pasos:

1. En la consola de QuickSight, elija ECONOMÉTRICOS en el panel de navegación.
2. Elige Nuevo analisis.
3. Elija el primer conjunto de datos, L4MQuickSightDataSetWithLiveData.

4. Elige Crear análisis.

El análisis QuickSight se crea inicialmente con solo el primer conjunto de datos.

5. Para agregar el segundo conjunto de datos, elija el icono de lápiz junto a Conjunto de datos y elige Agregar conjunto de datos.
6. Elija el segundo conjunto de datos y elija Seleccione.

A continuación, puede utilizar cualquier conjunto de datos para crear gráficos seleccionándolo en la Conjunto de datos Menú desplegable.

Métricas del conjunto de datos

Ha creado correctamente un análisis QuickSight a partir de los resultados de inferencia de Lookout for Metrics y los datos en vivo. Dos conjuntos de datos están en QuickSight para su uso: L4M_Visualization_dataset_with_liveData y L4M_Visualization_dataset_with_dimensionContribution.

El L4M_Visualization_dataset_with_liveData El conjunto de datos incluye las siguientes métricas:

• fecha y hora – La fecha y hora de los datos en vivo pasados ​​a Lookout for Metrics
• vistas – El valor de la métrica de vistas.
• ingresos – El valor de la métrica de ingresos
• plataforma, mercado, RevenueAnomalyMetricValue, vistasAnomalyMetricValue, RevenueGroupScore y vistasGroupScore – Estas métricas son parte de ambos conjuntos de datos

El L4M_Visualization_dataset_with_dimensionContribution El conjunto de datos incluye las siguientes métricas:

• fecha y hora – La fecha y hora en que se detectó la anomalía
• nombremétrico – Las métricas que estás monitoreando
• nombre de dimensión – La dimensión dentro de la métrica
• valor de dimensión – El valor de la dimensión
• valorContribución – El porcentaje de cuánto dimensionValue está afectando la anomalía cuando se detecta

La siguiente captura de pantalla muestra estas cinco métricas en el tablero de anomalías del detector Lookout for Metrics.

Las siguientes métricas forman parte de ambos conjuntos de datos:

• plataforma – La plataforma donde ocurrió la anomalía.
• mercado – El mercado donde ocurrió la anomalía.
• RevenueAnomalyMetricValue y vistasAnomalyMetricValue – Los valores correspondientes de la métrica cuando se detectó la anomalía (en esta situación, las métricas son ingresos o visualizaciones)
• RevenueGroupScore y vistasGroupScore – Las puntuaciones de gravedad para cada métrica de la anomalía detectada

Para comprender mejor estas últimas métricas, puede revisar los archivos CSV creados por la función Lambda en su depósito S3 donde guardó anomalyResults/metricValue_AnomalyScore.

Próximos pasos

El siguiente paso es crear los tableros para los datos que desea ver. Esta publicación no incluye una explicación sobre la creación de gráficos QuickSight. Si es nuevo en QuickSight, consulte Primeros pasos con el análisis de datos en Amazon QuickSight para una introducción. Las siguientes capturas de pantalla muestran ejemplos de paneles básicos. Para obtener más información, consulte el Talleres QuickSight.

Conclusión

Las anomalías se presentan individualmente en la consola Lookout for Metrics, cada una con su propio gráfico, lo que dificulta la visualización del conjunto como un todo. Se necesita una solución automatizada e integrada para un análisis más profundo. En esta publicación, usamos un detector Lookout for Metrics para generar anomalías y conectamos los datos a QuickSight para crear visualizaciones. Esta solución nos permite realizar un análisis más profundo de las anomalías y tenerlas todas en un solo lugar/tablero.

Como siguiente paso, esta solución también podría expandirse agregando un conjunto de datos adicional y combinando anomalías de múltiples detectores. También podría adaptar la función Lambda. La función Lambda contiene el código que genera los conjuntos de datos y los nombres de variables que usamos para los paneles de QuickSight. Puede adaptar este código a su caso de uso particular cambiando los conjuntos de datos o los nombres de las variables que tengan más sentido para usted.

Si tiene algún comentario o pregunta, por favor déjelos en los comentarios.

---

Acerca de los autores

Benoît de Patoul es un arquitecto de soluciones especializado en IA/ML en AWS. Ayuda a los clientes brindándoles orientación y asistencia técnica para crear soluciones relacionadas con AI/ML cuando usan AWS.

Pablo Troiano es arquitecto sénior de soluciones en AWS, con sede en Atlanta, GA. Ayuda a los clientes brindándoles orientación sobre estrategias y soluciones tecnológicas en AWS. Le apasiona todo lo relacionado con AI/ML y la automatización de soluciones.