Amazon QuickSight を使用して、Amazon Lookout for Metrics の異常結果を視覚化する

を使用しているチームが直面する課題の XNUMX つ メトリックスのAmazonルックアウト データの視覚化に迅速かつ効率的に接続しています。 異常は、Lookout for Metrics コンソールに個別に表示され、それぞれに独自のグラフが表示されるため、セット全体を表示することは困難です。 より深い分析には、自動化された統合ソリューションが必要です。

この投稿では、次に構築された Lookout for Metrics ライブ検出器を使用します。 スタートガイド のセクション AWS サンプル、メトリクスの Amazon Lookout GitHub リポジトリ。 検出器がアクティブになり、データセットから異常が生成された後、Lookout for Metrics を アマゾンクイックサイト. XNUMX つのデータセットを作成します。XNUMX つはディメンション テーブルを異常テーブルと結合し、もう XNUMX つは異常テーブルをライブ データと結合します。 次に、これら XNUMX つのデータセットを QuickSight 分析に追加して、XNUMX つのダッシュボードにグラフを追加できます。

Lookout for Metrics 検出器には、連続データと履歴データの XNUMX 種類のデータを提供できます。 の AWSサンプルGitHubリポジトリ 継続的なライブデータに焦点を当てていますが、両方を提供します。 検出器は、このライブ データを監視して異常を識別し、異常を Amazon シンプル ストレージ サービス (Amazon S3) 生成されます。 指定された間隔の終わりに、検出器はデータを分析します。 時間が経つにつれて、検出器は検出したパターンに基づいて異常をより正確に識別する方法を学習します。

Lookout for Metrics は、機械学習 (ML) を使用して、売上高や顧客獲得率の急激な落ち込みなど、ビジネス データと運用データの異常を自動的に検出して診断します。 このサービスは、25 年 2021 月 XNUMX 日の時点で一般提供されています。さまざまなソースからのデータを自動的に検査して準備し、異常検出に使用される従来の方法よりも高速かつ正確に異常を検出します。 検出された異常に関するフィードバックを提供して、結果を調整し、時間の経過とともに精度を向上させることもできます。 Lookout for Metrics を使用すると、同じイベントに関連する異常をグループ化し、潜在的な根本原因の概要を含むアラートを送信することで、検出された異常を簡単に診断できます。 また、異常を重大度順にランク付けするため、ビジネスにとって最も重要なことに注意を向けることができます。

QuickSight は、完全に管理されたクラウドネイティブのビジネス インテリジェンス (BI) サービスであり、データに簡単に接続してインタラクティブなダッシュボードを作成および公開できます。 さらに、使用できます アマゾンクイックサイト 自然言語のクエリを通じて即座に回答を得ることができます。

サーバーレスでスケーラビリティの高い QuickSight ダッシュボードに任意のデバイスからアクセスし、それらをアプリケーション、ポータル、および Web サイトにシームレスに埋め込むことができます。 次のスクリーンショットは、この投稿の終わりまでに達成できることの例です。

ソリューションの概要

このソリューションは、主に Lookout for Metrics、QuickSight、 AWSラムダ, アマゾンアテナ, AWSグルー、および Amazon S3。

次の図は、ソリューション アーキテクチャを示しています。 Lookout for Metrics は異常を検出し、アラートを介して Lambda に送信します。 Lambda 関数は異常結果を CSV ファイルとして生成し、Amazon S3 に保存します。 AWS Glue クローラーがメタデータを分析し、Athena にテーブルを作成します。 QuickSight は Athena を使用して Amazon S3 データをクエリし、ダッシュボードを構築して異常結果とライブ データの両方を視覚化できるようにします。

このソリューションは、 スタートガイド GitHub リポジトリのセクション。 各ステップには、リソースを作成するためのオプションが含まれています。 AWSマネジメントコンソール または提供された AWS CloudFormation スタック。 カスタマイズされた Lookout for Metrics 検出器がある場合は、それを使用して次のように適応させることができます。 ノート 同じ結果を達成するために。

実装手順は次のとおりです。

1. 作ります アマゾンセージメーカー ノートブック インスタンス (ALFMTestNotebook) と、で提供されるスタックを使用するノートブック 初期設定 のセクション GitHubレポ.
2. SageMaker コンソールでノートブックインスタンスを開き、 amazon-lookout-for-metrics-samples/getting_started フォルダにコピーします。
3. S3 バケットを作成し、最初のバケットを使用してデータの準備を完了します ノート (1.PrereqSetupData.ipynb）。 でノートブックを開きます conda_python3 プロンプトが表示されたら、カーネル。

XNUMX番目をスキップします ノート データのバックテストに重点を置いているためです。

4. コンソールを使用して例を見ていく場合は、Lookout for Metrics ライブ検出器とそのアラートを XNUMX 番目の ノート (3.GettingStartedWithLiveData.ipynb).

提供されている CloudFormation スタックを使用している場合、XNUMX 番目のノートブックは必要ありません。 検出器とそのアラートは、スタックの一部として作成されます。

5. Lookout for Metrics ライブ検出器を作成したら、コンソールからアクティブ化する必要があります。

これには、モデルの初期化と異常の検出に最大 2 時間かかる場合があります。

6. Python と Pandas ライブラリ レイヤーを使用して Lambda 関数をデプロイし、ライブ検出器にアタッチされたアラートを作成してそれを起動します。
7. Athena と AWS Glue の組み合わせを使用して、QuickSight 用のデータを検出して準備します。
8. QuickSight データ ソースとデータセットを作成します。
9. 最後に、データセットを使用して、可視化のための QuickSight 分析を作成します。

CloudFormation スクリプトは通常、本番環境でネストされたスタックのセットとして実行されます。 ステップバイステップのウォークスルーを容易にするために、この投稿では個別に提供されています。

前提条件

このウォークスルーを実行するには、ソリューションがデプロイされる AWS アカウントが必要です。 デプロイするすべてのリソースが同じリージョンにあることを確認してください。 のノートブック 1 と 3 から構築された実行中の Lookout for Metrics 検出器が必要です。 GitHubレポ. 実行中の Lookout for Metrics 検出器がない場合は、次の XNUMX つのオプションがあります。

• ノートブック 1 と 3 を実行し、この投稿のステップ 1 (Lambda 関数とアラートの作成) から続行します。
• ノートブック 1 を実行し、CloudFormation テンプレートを使用して Lookout for Metrics 検出器を生成します。

AWS CloudFormation を使用してライブ検出器を作成する

　 L4MLiveDetector.yaml CloudFormation スクリプトは、指定された S3 バケット内のライブ データを指すソースを使用して、Lookout for Metrics 異常検出器を作成します。 検出器を作成するには、次の手順を実行します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、次の情報を提供します。
   1. スタック名。 例えば、 L4MLiveDetector.
   2. S3バケット、 <Account Number>-lookoutmetrics-lab.
   3. ロールARN、 arn:aws:iam::<Account Number>:role/L4MTestRole.
   4. 異常検出頻度。 選ぶ PT1H （毎時）。
4. 選択する Next.
5. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
6. ソフトウェア設定ページで、下図のように レビュー ページ、すべてをそのままにして選択します スタックを作成.

AWS CloudFormation を使用してライブ検出 SMS アラートを作成する (オプション)

この手順はオプションです。 アラートは例として提示されており、データセットの作成には影響しません。 の L4MLiveDetectorAlert.yaml CloudFormation スクリプトは、SMS ターゲットを使用して Lookout for Metrics 異常検出アラートを作成します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、SMS 電話番号を更新し、スタックの名前を入力します (たとえば、 L4MLiveDetectorAlert).
4. 選択する Next.
5. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
6. ソフトウェア設定ページで、下図のように レビュー ページで、確認チェックボックスを選択し、他のすべてをそのままにして、 スタックを作成.

リソースのクリーンアップ

次のステップに進む前に、SageMaker ノートブック インスタンスを停止して、不要なコストが発生しないようにします。 もう必要ありません。

Lambda 関数とアラートを作成する

このセクションでは、コンソールまたは AWS CloudFormation を介して Lambda 関数とアラートを作成する手順を説明します。

コンソールで関数とアラートを作成する

ラムダが必要です AWS IDおよびアクセス管理 （わたし） 役割 以下 最小権限のベスト プラクティス 結果を保存するバケットにアクセスします。

1. 1. Lambdaコンソールで、新しい関数を作成します。
   2. 選択 最初から作成者.
   3. 関数名¸名前を入力します。
   4. ランタイム、選択する Pythonの3.8.
   5. 実行の役割選択 既存の役割を使用する 作成したロールを指定します。
   6. 選択する 関数を作成する.
2. 
   7. ダウンロード Lambda 関数に必要なコードを含む ZIP ファイル。
   8. Lambda コンソールで関数を開きます。
   9. ソフトウェア設定ページで、下図のように Code タブを選択 からアップロード、選択する 。ZIPファイル、ダウンロードしたファイルをアップロードします。
   10. 選択する Save.

ZIP ファイルをアップロードした後、ファイル ツリーは同じままである必要があります。

11. 層 セクションでは、選択 レイヤーを追加.
12. 選択 ARN を指定する.
13. 以下では GitHubレポで、作業しているリージョンに対応する CSV を選択し、最新の Pandas バージョンから ARN をコピーします。
14. ARN を指定する、コピーした ARN を入力します。
15. 選択する Add.

16. 関数を環境に適応させるには、lambda_function.py ファイルのコードの最後で、異常結果を保存するバケットでバケット名を更新してください。 DataSet_ARN 異常検出器から。
17. 選択する 配備します 変更を有効にします。

次に、Lookout for Metrics 検出器を関数に接続する必要があります。

18. Lookout for Metrics コンソールで、検出器に移動し、 アラートを追加.
19. アラート名と優先する重大度のしきい値を入力します。
20. チャネル リストから選択します。 ラムダ.
21. 作成した関数を選択し、それをトリガーする適切な役割があることを確認してください。
22. 選択する アラートを追加.

アラートがトリガーされるのを待ちます。 時間は、検出器が異常を検出するタイミングによって異なります。

異常が検出されると、Lookout for Metrics が Lambda 関数をトリガーします。 Lookout for Metrics から必要な情報を受け取り、異常の対応するタイムスタンプで Amazon S3 に保存された CSV ファイルが既に存在するかどうかを確認します。 ファイルがない場合、Lambda はファイルを生成し、異常データを追加します。 ファイルが既に存在する場合、Lambda は受信した追加データでファイルを更新します。 この関数は、異なるタイムスタンプごとに個別の CSV ファイルを生成します。

AWS CloudFormation を使用して関数とアラートを作成する

コンソールの指示と同様に、 ZIPファイルをダウンロード Lambda 関数に必要なコードが含まれています。 ただし、この場合、AWS CloudFormation コードが関数の作成中にロードできるように、S3 バケットにアップロードする必要があります。

Lookout for Metrics 検出器の作成で指定された S3 バケットで、lambda-code というフォルダーを作成し、ZIP ファイルをアップロードします。

Lambda 関数は、作成時にこれをコードとしてロードします。

　 L4MLambdaFunction.yaml CloudFormation スクリプトは、Lambda 関数とアラート リソースを作成し、同じ S3 バケットに保存されている関数コード アーカイブを使用します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、スタック名を指定します (たとえば、 L4MLambdaFunction).
4. 以下では GitHubレポで、作業しているリージョンに対応する CSV を開き、最新の Pandas バージョンから ARN をコピーします。
5. Pandas Lambda レイヤーの ARN パラメータとして ARN を入力します。
6. 選択する Next.
7. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
8. ソフトウェア設定ページで、下図のように レビュー ページで、確認チェックボックスを選択し、他のすべてをそのままにして、 スタックを作成.

検出器をアクティブにします

次のステップに進む前に、コンソールから検出器を有効にする必要があります。

1. Lookout for Metricsコンソールで、を選択します 検出器 ナビゲーションペインに表示されます。
2. 新しく作成した検出器を選択します。
3. 選択する アクティブにしましょう、を選択します アクティブにしましょう もう一度確認してください。

アクティブ化により検出器が初期化されます。 モデルが学習サイクルを完了すると終了します。 これには最大 2 時間かかる場合があります。

QuickSight 用のデータを準備する

このステップを完了する前に、検出器が異常を検出する時間を与えます。 作成した Lambda 関数は、異常結果を Lookout for Metrics バケットに保存します。 anomalyResults ディレクトリ。 このデータを処理して、QuickSight 用に準備できるようになりました。

コンソールで AWS Glue クローラーを作成する

いくつかの異常 CSV ファイルが生成された後、AWS Glue クローラーを使用してメタデータ テーブルを生成します。

1. AWS Glue コンソールで、選択します Crawlers ナビゲーションペインに表示されます。
2. 選択する クローラーを追加する.

3. クローラーの名前を入力します (例: L4MCrawler).
4. 選択する Next.
5. クローラーソースタイプ選択 データストア.
6. S3 データストアのクロールを繰り返す選択 すべてのフォルダをクロールする.
7. 選択する Next.

8. データ ストアの設定ページで、 のデータをクロールする選択 アカウントの指定されたパス.
9. インクルードパス、あなたのパスを入力してください dimensionContributions ファイル（s3://YourBucketName/anomalyResults/dimensionContributions).
10. 選択する Next.
11. 選択する 有り 別のデータ ストアを追加し、手順を繰り返します。 metricValue_AnomalyScore(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore).
12. Lookout for Metrics 異常検出器によってライブ データが分析されるように、手順をもう一度繰り返します (これは、Lookout for Metrics 検出器からの S3 データセットの場所です)。

これで、クローラーが処理する XNUMX つのデータ ストアができました。

ここで、クローラーがデータの S3 ロケーションを通過できるようにするロールを選択する必要があります。

13. この投稿では、 IAMロールを作成する ロールの名前を入力します。
14. 選択する Next.

15. 周波数、そのままにしておく オンデマンドで実行 選択して Next.
16. クローラーの出力を構成する セクションでは、選択 データベースを追加する.

これにより、クローラーの完了後にメタデータ テーブルが配置される Athena データベースが作成されます。

17. データベースの名前を入力して選択します 創造する.
18. 選択する Next、を選択します 終了.

19. ソフトウェア設定ページで、下図のように Crawlers AWS Glue コンソールのページで、作成したクローラーを選択して選択します クローラーを実行する.

データのサイズによっては、数分待つ必要がある場合があります。 完了すると、クローラーのステータスが次のように表示されます レディ. メタデータ テーブルを表示するには、 データベース ページを選択して選択します テーブル類 ナビゲーションペインに表示されます。

この例では、live というメタデータ テーブルは、Lookout for Metrics ライブ検出器からの S3 データセットを表しています。 ベスト プラクティスとして、次のことをお勧めします。 AWS Glue データカタログのメタデータを暗号化する.

Athena はメタデータ テーブルを自動的に認識し、QuickSight は Athena を使用してデータをクエリし、結果を視覚化します。

AWS CloudFormation を使用して AWS Glue クローラーを作成する

　 L4MGlueCrawler.yaml CloudFormation スクリプトは、AWS Glue クローラー、関連する IAM ロール、および出力 Athena データベースを作成します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、スタックの名前を入力します (例: L4MGlueCrawler）、およびを選択します Next.
4. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
5. ソフトウェア設定ページで、下図のように レビュー ページで、確認チェックボックスを選択し、他のすべてをそのままにして、 スタックを作成.

AWS Glue クローラーを実行する

クローラーを作成したら、次のステップに進む前に実行する必要があります。 コンソールまたは AWSコマンドラインインターフェイス (AWS CLI)。 コンソールを使用するには、次の手順を実行します。

1. AWS Glue コンソールで、選択します Crawlers ナビゲーションペインに表示されます。
2. クローラーを選択します (L4MCrawler).
3. 選択する クローラーを実行する.

クローラーが完了すると、ステータスが表示されます レディ.

QuickSight アカウントを作成する

この次のステップを開始する前に、QuickSight コンソールに移動し、まだアカウントを持っていない場合は作成します。 対応するサービス (Athena および S3 バケット) にアクセスできることを確認するには、右上でアカウント名を選択し、 QuickSightを管理する、選択して セキュリティと権限、必要なサービスを追加できます。 Amazon S3 アクセスをセットアップするときは、必ず選択してください。 Athena Workgroup の書き込み権限.

これで、QuickSight でデータを視覚化する準備が整いました。

コンソールで QuickSight データセットを作成する

初めて Athena を使用する場合は、クエリの出力場所を設定する必要があります。 手順については、の手順 1 ～ 6 を参照してください。 データベースを作成する. 次に、次の手順を実行します。

1. QuickSightコンソールで、 データセット.
2. 選択する 新しいデータセット.
3. ソースとして Athena を選択します。
4. データ ソースの名前を入力します。
5. 選択する データソースを作成する.

6. データベースには、AWS Glue クローラーで以前に作成したものを指定します。
7. (異常ではなく) ライブ データを含むテーブルを指定します。
8. 選択する データの編集/プレビュー.

次のスクリーンショットのようなインターフェイスにリダイレクトされます。

次のステップは、 metricValue_AnomalyScore ライブデータを含むデータ。

9. 選択する データを追加.
10. 選択する データソースを追加する.
11. 作成したデータベースと metricValue_AnomalyScore 列で番号の横にあるXをクリックします。
12. 選択する 選択.

ここで、XNUMX つのテーブルの結合を構成する必要があります。

13. XNUMX つのテーブル間のリンクを選択します。
14. 結合タイプはそのままにしておきます 左、タイムスタンプと各ディメンションを結合句として追加し、選択します 申し込む.

次の例では、タイムスタンプ、プラットフォーム、およびマーケットプレイスを結合句として使用しています。

右側のペインで、保持する必要のないフィールドを削除できます。

15. からタイムスタンプを削除します metricValue_AnomalyScore テーブルに重複した列がないようにします。
16. (ライブ データ テーブルの) タイムスタンプ データ型を文字列から日付に変更し、正しい値を指定します。 形式でアーカイブしたプロジェクトを保存します．. 私たちの場合、それは yyyy-MM-dd HH:mm:ss.

次のスクリーンショットは、いくつかのフィールドを削除してデータ型を調整した後のビューを示しています。

17. 選択する 保存して視覚化する.
18. データセットの横にある鉛筆アイコンを選択します。
19. 選択する データセットを追加する 選択して dimensioncontributions.

AWS CloudFormation を使用して QuickSight データセットを作成する

このステップには、XNUMX つの CloudFormation スタックが含まれています。

最初の CloudFormation スクリプト、 L4MQuickSightDataSource.yaml、QuickSight Athena データ ソースを作成します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、QuickSight ユーザー名、QuickSight アカウントのリージョン (QuickSight アカウントの作成時に指定)、およびスタック名 (たとえば、 L4MQuickSightDataSource).
4. 選択する Next.
5. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
6. ソフトウェア設定ページで、下図のように レビュー ページ、すべてをそのままにして選択します スタックを作成.

XNUMX 番目の CloudFormation スクリプト、 L4MQuickSightDataSet1.yaml、ディメンション テーブルを異常テーブルと結合する QuickSight データセットを作成します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタックを作成 ページ、選択 Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する、スタック名を入力します (例: L4MQuickSightDataSet1).
4. 選択する Next.
5. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
6. ソフトウェア設定ページで、下図のように レビュー ページ、すべてをそのままにして選択します スタックを作成.

XNUMX 番目の CloudFormation スクリプト、 L4MQuickSightDataSet2.yaml、異常テーブルをライブ データ テーブルと結合する QuickSight データセットを作成します。

1. 次のリンクからスタックを起動します。

2. ソフトウェア設定ページで、下図のように スタック ページの作成¸選ぶ Next.
3. ソフトウェア設定ページで、下図のように スタックの詳細を指定する ページで、スタック名を入力します (例: L4MQuickSightDataSet2).
4. 選択する Next.
5. ソフトウェア設定ページで、下図のように スタックオプションを構成する ページ、すべてをそのままにして選択します Next.
6. ソフトウェア設定ページで、下図のように レビュー ページ、すべてをそのままにして選択します スタックを作成.

ダッシュボードを作成するための QuickSight 分析を作成する

この手順は、コンソールでのみ完了できます。 QuickSight データセットを作成したら、次の手順を実行します。

1. QuickSightコンソールで、 分析 ナビゲーションペインに表示されます。
2. 選択する 新しい分析.
3. 最初のデータセットを選択し、 L4MQuickSightDataSetWithLiveData.

4. 選択する 分析を作成する.

QuickSight 分析は、最初のデータセットのみで最初に作成されます。

5. XNUMX 番目のデータセットを追加するには、次の鉛筆アイコンを選択します。 データセット 選択して データセットを追加する.
6. XNUMX 番目のデータセットを選択し、 選択.

次に、いずれかのデータセットを使用してチャートを作成できます。 データセット ドロップダウンメニュー。

データセットの指標

Lookout for Metrics の推論結果とライブ データから QuickSight 分析が正常に作成されました。 QuickSight には、使用できる XNUMX つのデータセットがあります。 L4M_Visualization_dataset_with_liveData & L4M_Visualization_dataset_with_dimensionContribution.

　 L4M_Visualization_dataset_with_liveData データセットには、次の指標が含まれます。

• タイムスタンプ – Lookout for Metrics に渡されたライブ データの日時
• ビュー – ビュー指標の値
• 収入 – 収益指標の値
• プラットフォーム、マーケットプレイス、revenueAnomalyMetricValue、viewsAnomalyMetricValue、revenueGroupScore、viewGroupScore – これらのメトリックは、両方のデータセットの一部です

　 L4M_Visualization_dataset_with_dimensionContribution データセットには、次の指標が含まれます。

• タイムスタンプ – 異常が検出された日時
• メトリック名 – 監視している指標
• 寸法名 – メトリック内のディメンション
• 寸法値 – ディメンションの値
• 価値貢献 – 検出時に異常に影響しているディメンション値の割合

次のスクリーンショットは、Lookout for Metrics 検出器の異常ダッシュボードにあるこれら XNUMX つのメトリックを示しています。

次のメトリックは、両方のデータセットの一部です。

• プラットフォーム – 異常が発生したプラットフォーム
• 市場 – 異常が発生した市場
• RevenueAnomalyMetricValue と viewsAnomalyMetricValue – 異常が検出されたときのメトリックの対応する値 (この状況では、メトリックは収益またはビューです)
• RevenueGroupScore と viewsGroupScore – 検出された異常の各メトリックの重大度スコア

これらの最後のメトリクスをよりよく理解するために、保存した S3 バケットで Lambda 関数によって作成された CSV ファイルを確認できます。 anomalyResults/metricValue_AnomalyScore.

次のステップ

次のステップは、表示したいデータのダッシュボードを構築することです。 この投稿には、QuickSight グラフの作成に関する説明は含まれていません。 QuickSight を初めて使用する場合は、次を参照してください。 Amazon QuickSight でのデータ分析の開始 紹介のために。 次のスクリーンショットは、基本的なダッシュボードの例を示しています。 詳細については、 QuickSight ワークショップ.

まとめ

異常は、Lookout for Metrics コンソールに個別に表示され、それぞれに独自のグラフが表示されるため、セット全体を表示することは困難です。 より深い分析には、自動化された統合ソリューションが必要です。 この投稿では、Lookout for Metrics 検出器を使用して異常を生成し、データを QuickSight に接続して視覚化を作成しました。 このソリューションにより、異常をより深く分析し、それらすべてを XNUMX つの場所/ダッシュボードにまとめることができます。

次のステップとして、追加のデータセットを追加し、複数の検出器からの異常を組み合わせることで、このソリューションを拡張することもできます。 Lambda 関数を適応させることもできます。 Lambda 関数には、QuickSight ダッシュボードに使用するデータ セットと変数名を生成するコードが含まれています。 このコードは、データ セット自体または変数名を変更することで、特定のユース ケースに適合させることができます。

フィードバックや質問がある場合は、コメントに残してください。

---

著者について

ブノワ・ド・パトゥール AWS の AI/ML スペシャリスト ソリューション アーキテクトです。 彼は、AWS を使用する際に AI/ML に関連するソリューションを構築するためのガイダンスと技術支援を提供することで、お客様を支援しています。

ポール・トロイアーノ ジョージア州アトランタを拠点とする AWS のシニア ソリューション アーキテクトです。 彼は、AWS のテクノロジー戦略とソリューションに関するガイダンスを提供することで、お客様を支援しています。 彼は、AI/ML とソリューションの自動化のすべてに情熱を注いでいます。