Vizualizirajte svoje rezultate anomalije Amazon Lookout for Metrics z Amazon QuickSight

Eden od izzivov, s katerimi se srečujejo ekipe, ki uporabljajo Amazon Lookout za meritve ga hitro in učinkovito poveže z vizualizacijo podatkov. Anomalije so predstavljene posamezno na konzoli Lookout for Metrics, vsaka s svojim grafom, zaradi česar je težko videti nabor kot celoto. Za poglobljeno analizo je potrebna avtomatizirana integrirana rešitev.

V tej objavi uporabljamo iskalnik v živo Lookout for Metrics, zgrajen po Začetek odsek iz AWS Samples, Amazon Lookout for Metrics GitHub repo. Ko je detektor aktiven in se iz nabora podatkov ustvarijo anomalije, povežemo Lookout for Metrics z Amazon QuickSight. Ustvarimo dva nabora podatkov: enega tako, da tabelo dimenzij združimo s tabelo anomalij, drugega pa tako, da tabelo anomalij združimo s podatki v živo. Ta dva nabora podatkov lahko nato dodamo v analizo QuickSight, kjer lahko dodamo grafikone na eno nadzorno ploščo.

Detektorju Lookout for Metrics lahko zagotovimo dve vrsti podatkov: neprekinjene in zgodovinske. The AWS Samples GitHub repo ponuja oboje, čeprav se osredotočamo na neprekinjene podatke v živo. Detektor spremlja te podatke v živo, da prepozna anomalije in jih zapiše Preprosta storitev shranjevanja Amazon (Amazon S3), ko so ustvarjeni. Ob koncu določenega intervala detektor analizira podatke. Sčasoma se detektor nauči natančneje prepoznati anomalije na podlagi vzorcev, ki jih najde.

Lookout for Metrics uporablja strojno učenje (ML) za samodejno zaznavanje in diagnosticiranje anomalij v poslovnih in operativnih podatkih, kot je nenaden padec prihodkov od prodaje ali stopnje pridobivanja strank. Storitev je zdaj splošno na voljo od 25. marca 2021. Samodejno pregleduje in pripravlja podatke iz različnih virov za odkrivanje anomalij z večjo hitrostjo in natančnostjo kot tradicionalne metode, ki se uporabljajo za odkrivanje anomalij. Posredujete lahko tudi povratne informacije o odkritih anomalijah, da prilagodite rezultate in sčasoma izboljšate natančnost. Lookout for Metrics olajša diagnosticiranje odkritih anomalij tako, da združi anomalije, povezane z istim dogodkom, in pošlje opozorilo, ki vključuje povzetek morebitnega temeljnega vzroka. Prav tako razvrsti anomalije po resnosti, tako da lahko prednostno usmerite pozornost na tisto, kar je najpomembnejše za vaše podjetje.

QuickSight je v celoti upravljana storitev poslovne inteligence (BI) v oblaku, ki omogoča enostavno povezovanje z vašimi podatki za ustvarjanje in objavo interaktivnih nadzornih plošč. Poleg tega lahko uporabite Amazon QuickSight da dobite takojšnje odgovore prek poizvedb v naravnem jeziku.

Dostopate lahko do brezstrežniških, zelo razširljivih nadzornih plošč QuickSight iz katere koli naprave in jih brezhibno vdelate v svoje aplikacije, portale in spletna mesta. Naslednji posnetek zaslona je primer, kaj lahko dosežete do konca te objave.

Pregled rešitve

Rešitev je kombinacija storitev AWS, predvsem Lookout for Metrics, QuickSight, AWS Lambda, Amazonska Atena, AWS lepiloin Amazon S3.

Naslednji diagram ponazarja arhitekturo rešitve. Lookout for Metrics zazna in pošlje anomalije Lambdi prek opozorila. Funkcija Lambda ustvari rezultate anomalij kot datoteke CSV in jih shrani v Amazon S3. Pajek AWS Glue analizira metapodatke in ustvari tabele v Atheni. QuickSight uporablja Atheno za poizvedovanje po podatkih Amazon S3, kar omogoča izdelavo nadzornih plošč za vizualizacijo rezultatov anomalij in podatkov v živo.

Ta rešitev širi vire, ustvarjene v Začetek razdelek GitHub repo. Za vsak korak vključujemo možnosti za ustvarjanje virov z uporabo Konzola za upravljanje AWS ali zagon priloženega Oblikovanje oblaka AWS kup. Če imate prilagojen detektor Lookout for Metrics, ga lahko uporabite in prilagodite na naslednji način prenosnik doseči enake rezultate.

Koraki izvedbe so naslednji:

1. Ustvarite Amazon SageMaker primerek prenosnika (ALFMTestNotebook) in zvezke z uporabo sklada, ki je na voljo v Začetna namestitev odsek iz GitHub repo.
2. Odprite primerek zvezka na konzoli SageMaker in se pomaknite do amazon-lookout-for-metrics-samples/getting_started mapa.
3. Ustvarite vedro S3 in dokončajte pripravo podatkov s prvim prenosnik (1.PrereqSetupData.ipynb). Odprite zvezek z conda_python3 jedro, če ste pozvani.

Drugo preskočimo prenosnik ker je osredotočen na podatke o testiranju za nazaj.

4. Če se skozi primer sprehajate s konzolo, ustvarite detektor v živo Lookout for Metrics in njegovo opozorilo s tretjim prenosnik (3.GettingStartedWithLiveData.ipynb).

Če uporabljate priložene sklade CloudFormation, tretji prenosnik ni potreben. Detektor in njegovo opozorilo sta ustvarjena kot del sklada.

5. Ko ustvarite iskalnik v živo Lookout for Metrics, ga morate aktivirati s konzole.

Inicializacija modela in odkrivanje nepravilnosti lahko traja do 2 uri.

6. Razmestite funkcijo Lambda z uporabo Pythona s plastjo knjižnice Pandas in ustvarite opozorilo, priloženo detektorju v živo, da ga zaženete.
7. Uporabite kombinacijo Athena in AWS Glue, da odkrijete in pripravite podatke za QuickSight.
8. Ustvarite vir podatkov QuickSight in nize podatkov.
9. Na koncu ustvarite analizo QuickSight za vizualizacijo z uporabo naborov podatkov.

Skripti CloudFormation se običajno izvajajo kot niz ugnezdenih skladov v produkcijskem okolju. V tej objavi so na voljo posamično, da olajšate korak za korakom.

Predpogoji

Če želite iti skozi ta potek, potrebujete račun AWS, kjer bo uvedena rešitev. Prepričajte se, da so vsi viri, ki jih nameščate, v isti regiji. Potrebujete delujoč detektor Lookout for Metrics, zgrajen iz zvezkov 1 in 3 iz GitHub repo. Če nimate delujočega detektorja Lookout for Metrics, imate dve možnosti:

• Zaženite zvezka 1 in 3 ter nadaljujte s 1. korakom te objave (ustvarjanje funkcije Lambda in opozorila)
• Zaženite zvezek 1 in nato uporabite predlogo CloudFormation za ustvarjanje detektorja Lookout for Metrics

Ustvarite detektor v živo z uporabo AWS CloudFormation

O L4MLiveDetector.yaml Skript CloudFormation ustvari detektor anomalij Lookout for Metrics, katerega vir kaže na podatke v živo v določenem vedru S3. Če želite ustvariti detektor, izvedite naslednje korake:

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja strani navedite naslednje podatke:
   1. Ime sklada. na primer L4MLiveDetector.
   2. Žlica S3, <Account Number>-lookoutmetrics-lab.
   3. Vloga ARN, arn:aws:iam::<Account Number>:role/L4MTestRole.
   4. Pogostost odkrivanja nepravilnosti. Izberite PT1H (na uro).
4. Izberite Naslednji.
5. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
6. o pregled stran, pustite vse, kot je, in izberite Ustvari sklad.

Ustvarite opozorilo SMS detektorja v živo z uporabo AWS CloudFormation (izbirno)

Ta korak ni obvezen. Opozorilo je predstavljeno kot primer, brez vpliva na ustvarjanje nabora podatkov. The L4MLiveDetectorAlert.yaml Skript CloudFormation ustvari opozorilo detektorja nepravilnosti Lookout for Metrics s ciljem SMS.

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja posodobite telefonsko številko SMS in vnesite ime za sklad (npr. L4MLiveDetectorAlert).
4. Izberite Naslednji.
5. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
6. o pregled strani, potrdite potrditveno polje, pustite vse ostalo, kot je, in izberite Ustvari sklad.

Čiščenje virov

Preden nadaljujete z naslednjim korakom, zaustavite svoj primerek prenosnega računalnika SageMaker, da zagotovite, da ne bodo nastali nepotrebni stroški. Ni več potreben.

Ustvarite funkcijo Lambda in opozorilo

V tem razdelku nudimo navodila za ustvarjanje vaše funkcije Lambda in opozorila prek konzole ali AWS CloudFormation.

Ustvarite funkcijo in opozorilo s konzolo

Potrebujete Lambdo AWS upravljanje identitete in dostopa (JAZ SEM) Vloga po najmanjša najboljša praksa za dostop do vedra, kamor želite shraniti rezultate.

1. 1. Na konzoli Lambda ustvarite novo funkcijo.
   2. Izberite Avtor iz nič.
   3. za Ime funkcije¸ vnesite ime.
   4. za Čas izvajanja, izberite Python 3.8.
   5. za Izvršilna vlogatako, da izberete Uporabite obstoječo vlogo in določite vlogo, ki ste jo ustvarili.
   6. Izberite Ustvari funkcijo.
2. 
   7. Prenos datoteko ZIP, ki vsebuje potrebno kodo za funkcijo Lambda.
   8. Na konzoli Lambda odprite funkcijo.
   9. o Koda izberite jeziček Naloži iz, izberite .zip datotekain naložite datoteko, ki ste jo prenesli.
   10. Izberite Shrani.

Vaše drevo datotek bi moralo po nalaganju datoteke ZIP ostati enako.

11. v Plasti oddelek, izberite Dodaj plast.
12. Izberite Določite ARN.
13. V nadaljevanju GitHub repo, izberite CSV, ki ustreza regiji, v kateri delate, in kopirajte ARN iz najnovejše različice Pandas.
14. za Določite ARN, vnesite ARN, ki ste ga kopirali.
15. Izberite Dodaj.

16. Če želite funkcijo prilagoditi svojemu okolju, na dnu kode iz datoteke lambda_function.py posodobite ime vedra z vašim vedro, kamor želite shraniti rezultate anomalije, in DataSet_ARN iz vašega detektorja nepravilnosti.
17. Izberite uvajanje da bodo spremembe aktivne.

Zdaj morate detektor Lookout for Metrics povezati s svojo funkcijo.

18. Na konzoli Lookout for Metrics se pomaknite do svojega detektorja in izberite Dodaj opozorilo.
19. Vnesite ime opozorila in želeni prag resnosti.
20. Na seznamu kanalov izberite Lambda.
21. Izberite funkcijo, ki ste jo ustvarili, in se prepričajte, da imate pravo vlogo, da jo sprožite.
22. Izberite Dodaj opozorilo.

Zdaj počakate, da se vaše opozorilo sproži. Čas se razlikuje glede na to, kdaj detektor odkrije nepravilnost.

Ko je zaznana anomalija, Lookout for Metrics sproži funkcijo Lambda. Prejme potrebne informacije od Lookout for Metrics in preveri, ali je v Amazon S3 že shranjena datoteka CSV ob ustreznem časovnem žigu anomalije. Če datoteke ni, jo Lambda ustvari in doda podatke o nepravilnostih. Če datoteka že obstaja, jo Lambda posodobi z dodatnimi prejetimi podatki. Funkcija ustvari ločeno datoteko CSV za vsak različen časovni žig.

Ustvarite funkcijo in opozorilo z uporabo AWS CloudFormation

Podobno kot pri navodilih konzole, vi prenesite datoteko ZIP ki vsebuje potrebno kodo za funkcijo Lambda. Vendar ga je v tem primeru treba naložiti v vedro S3, da ga lahko koda AWS CloudFormation naloži med ustvarjanjem funkcije.

V vedru S3, določenem pri ustvarjanju detektorja Lookout for Metrics, ustvarite mapo z imenom lambda-code in naložite datoteko ZIP.

Funkcija Lambda to naloži kot svojo kodo med ustvarjanjem.

O L4MLambdaFunction.yaml Skript CloudFormation ustvari funkcijo Lambda in vire opozoril ter uporabi arhiv funkcijske kode, shranjen v istem vedru S3.

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja stran, določite ime sklada (npr. L4MLambdaFunction).
4. V nadaljevanju GitHub repo, odprite CSV, ki ustreza regiji, v kateri delate, in kopirajte ARN iz najnovejše različice Pandas.
5. Vnesite ARN kot parameter ARN sloja Pandas Lambda.
6. Izberite Naslednji.
7. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
8. o pregled strani, potrdite potrditveno polje, pustite vse ostalo, kot je, in izberite Ustvari sklad.

Aktivirajte detektor

Preden nadaljujete z naslednjim korakom, morate aktivirati detektor s konzole.

1. Na konzoli Lookout for Metrics izberite Detektorji v podoknu za krmarjenje.
2. Izberite svoj novo ustvarjeni detektor.
3. Izberite Aktivirajte, nato izberite Aktivirajte ponovno potrditi.

Aktivacija inicializira detektor; končano je, ko model zaključi svoj učni cikel. To lahko traja do 2 uri.

Pripravite podatke za QuickSight

Preden dokončate ta korak, dajte detektorju čas, da najde anomalije. Funkcija Lambda, ki ste jo ustvarili, shrani rezultate anomalij v vedro Lookout for Metrics v anomalyResults imenik. Zdaj lahko obdelamo te podatke, da jih pripravimo za QuickSight.

Na konzoli ustvarite pajka AWS Glue

Ko je ustvarjenih nekaj datotek CSV z nepravilnostmi, uporabimo pajka AWS Glue za ustvarjanje tabel metapodatkov.

1. Na konzoli AWS Glue izberite Pajki v podoknu za krmarjenje.
2. Izberite Dodaj pajka.

3. Vnesite ime za pajka (npr. L4MCrawler).
4. Izberite Naslednji.
5. za Vrsta vira pajkatako, da izberete Shrambe podatkov.
6. za Ponovite iskanje po podatkovnih shrambah S3tako, da izberete Preiščite vse mape.
7. Izberite Naslednji.

8. Na konfiguracijski strani podatkovne shrambe za Iskanje podatkov vtako, da izberete Določena pot v mojem računu.
9. za Vključi pot, vstopite na pot svojega dimensionContributions mapa (s3://YourBucketName/anomalyResults/dimensionContributions).
10. Izberite Naslednji.
11. Izberite Da da dodate drugo shrambo podatkov in ponovite navodila za metricValue_AnomalyScore(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore).
12. Ponovno ponovite navodila za podatke v živo, ki jih bo analiziral detektor nepravilnosti Lookout for Metrics (to je lokacija nabora podatkov S3 iz vašega detektorja Lookout for Metrics).

Zdaj bi morali imeti tri podatkovne shrambe, ki jih bo pajek obdelal.

Zdaj morate izbrati vlogo, ki bo pajku omogočila pregledovanje lokacij S3 vaših podatkov.

13. Za to objavo izberite Ustvari IAM vlogo in vnesite ime za vlogo.
14. Izberite Naslednji.

15. za frekvenca, pusti kot Teči na zahtevo In izberite Naslednji.
16. v Konfigurirajte izhod pajka oddelek, izberite Dodaj bazo podatkov.

To ustvari zbirko podatkov Athena, kjer se nahajajo vaše tabele z metapodatki, ko je pajek končan.

17. Vnesite ime za svojo zbirko podatkov in izberite ustvarjanje.
18. Izberite Naslednji, nato izberite Konec.

19. o Pajki strani konzole AWS Glue, izberite pajka, ki ste ga ustvarili, in izberite Zaženi pajek.

Morda boste morali počakati nekaj minut, odvisno od velikosti podatkov. Ko je končano, se status pajka prikaže kot Želite. Če si želite ogledati tabele z metapodatki, se pomaknite do svoje baze podatkov na Baze podatkov stran in izberite Mize v podoknu za krmarjenje.

V tem primeru metapodatkovna tabela z imenom live predstavlja nabor podatkov S3 iz detektorja v živo Lookout for Metrics. Kot najboljšo prakso je priporočljivo, da šifrirajte svoje metapodatke AWS Glue Data Catalog.

Athena samodejno prepozna tabele metapodatkov, QuickSight pa uporablja Atheno za poizvedovanje po podatkih in vizualizacijo rezultatov.

Ustvarite pajka AWS Glue z uporabo AWS CloudFormation

O L4MGlueCrawler.yaml Skript CloudFormation ustvari pajka AWS Glue, z njim povezano vlogo IAM in izhodno bazo podatkov Athena.

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja stran, vnesite ime za svoj sklad (npr. L4MGlueCrawler), in izberite Naslednji.
4. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
5. o pregled strani, potrdite potrditveno polje, pustite vse ostalo, kot je, in izberite Ustvari sklad.

Zaženite pajka AWS Glue

Ko ustvarite pajka, ga morate zagnati, preden se premaknete na naslednji korak. Zaženete ga lahko iz konzole ali Vmesnik ukazne vrstice AWS (AWS CLI). Za uporabo konzole izvedite naslednje korake:

1. Na konzoli AWS Glue izberite Pajki v podoknu za krmarjenje.
2. Izberite svojega pajka (L4MCrawler).
3. Izberite Zaženi pajek.

Ko je pajek končan, prikaže status Želite.

Ustvarite račun QuickSight

Preden začnete s tem naslednjim korakom, se pomaknite do konzole QuickSight in ustvarite račun, če ga še nimate. Če se želite prepričati, da imate dostop do ustreznih storitev (Athena in vedro S3), izberite ime svojega računa zgoraj desno, izberite Upravljajte QuickSight, in izberite Varnost in dovoljenja, kjer lahko dodate potrebne storitve. Ko nastavljate dostop do Amazon S3, se prepričajte, da ste izbrali Dovoljenje za pisanje za Athena Workgroup.

Zdaj ste pripravljeni na vizualizacijo svojih podatkov v QuickSightu.

Ustvarite nabore podatkov QuickSight na konzoli

Če prvič uporabljate Atheno, morate konfigurirati izhodno lokacijo poizvedb. Za navodila glejte korake 1–6 v Ustvari bazo podatkov. Nato izvedite naslednje korake:

1. Na konzoli QuickSight izberite Podatkovni nizi.
2. Izberite Nov nabor podatkov.
3. Za vir izberite Atheno.
4. Vnesite ime za vir podatkov.
5. Izberite Ustvarite vir podatkov.

6. Za svojo bazo podatkov določite tisto, ki ste jo prej ustvarili s pajkom AWS Glue.
7. Določite tabelo, ki vsebuje vaše podatke v živo (ne anomalije).
8. Izberite Urejanje/predogled podatkov.

Preusmerjeni ste na vmesnik, podoben naslednjemu posnetku zaslona.

Naslednji korak je dodajanje in združevanje metricValue_AnomalyScore podatkov s podatki v živo.

9. Izberite Dodajte podatke.
10. Izberite Dodaj vir podatkov.
11. Določite bazo podatkov, ki ste jo ustvarili, in metricValue_AnomalyScore miza.
12. Izberite Izberite.

Zdaj morate konfigurirati združevanje dveh tabel.

13. Izberite povezavo med obema tabelama.
14. Pustite vrsto pridružitve kot levo, dodajte časovni žig in vsako dimenzijo, ki jo imate kot spojni stavek, in izberite Uporabi.

V naslednjem primeru uporabljamo časovni žig, platformo in tržnico kot pridružitvene klavzule.

V desnem podoknu lahko odstranite polja, ki jih ne želite obdržati.

15. Odstranite časovni žig iz metricValue_AnomalyScore tabela, da ne bo imela podvojenega stolpca.
16. Spremenite podatkovni tip časovnega žiga (tabele s podatki v živo) iz niza v datum in navedite pravilno format. V našem primeru bi moralo biti yyyy-MM-dd HH:mm:ss.

Naslednji posnetek zaslona prikazuje vaš pogled, potem ko ste odstranili nekaj polj in prilagodili vrsto podatkov.

17. Izberite Shranite in vizualizirajte.
18. Izberite ikono svinčnika poleg nabora podatkov.
19. Izberite Dodajte nabor podatkov In izberite dimensioncontributions.

Ustvarite nabore podatkov QuickSight z uporabo AWS CloudFormation

Ta korak vsebuje tri sklade CloudFormation.

Prvi skript CloudFormation, L4MQuickSightDataSource.yaml, ustvari vir podatkov QuickSight Athena.

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja vnesite svoje uporabniško ime QuickSight, regijo računa QuickSight (navedeno pri ustvarjanju računa QuickSight) in ime sklada (npr. L4MQuickSightDataSource).
4. Izberite Naslednji.
5. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
6. o pregled stran, pustite vse, kot je, in izberite Ustvari sklad.

Drugi skript CloudFormation, L4MQuickSightDataSet1.yaml, ustvari nabor podatkov QuickSight, ki združuje tabelo dimenzij s tabelo nepravilnosti.

1. Zaženite sklad s te povezave:

2. o Ustvari sklad stran, izberite Naslednji.
3. o Določite podrobnosti zlaganja, vnesite ime sklada (npr. L4MQuickSightDataSet1).
4. Izberite Naslednji.
5. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
6. o pregled stran, pustite vse, kot je, in izberite Ustvari sklad.

Tretji skript CloudFormation, L4MQuickSightDataSet2.yaml, ustvari nabor podatkov QuickSight, ki združuje tabelo anomalij s tabelo podatkov v živo.

1. Zaženite sklad s te povezave:

2. o Ustvari stran sklada¸ izberite Naslednji.
3. o Določite podrobnosti zlaganja stran, vnesite ime sklada (npr. L4MQuickSightDataSet2).
4. Izberite Naslednji.
5. o Konfigurirajte možnosti zlaganja stran, pustite vse, kot je, in izberite Naslednji.
6. o pregled stran, pustite vse, kot je, in izberite Ustvari sklad.

Ustvarite analizo QuickSight za ustvarjanje nadzorne plošče

Ta korak je mogoče dokončati samo na konzoli. Ko ustvarite nabore podatkov QuickSight, dokončajte naslednje korake:

1. Na konzoli QuickSight izberite Analiza v podoknu za krmarjenje.
2. Izberite Nova analiza.
3. Izberite prvi niz podatkov, L4MQuickSightDataSetWithLiveData.

4. Izberite Ustvari analizo.

Analiza QuickSight je na začetku ustvarjena samo s prvim naborom podatkov.

5. Če želite dodati drugi nabor podatkov, izberite ikono svinčnika poleg Podatkovni niz In izberite Dodajte nabor podatkov.
6. Izberite drugi niz podatkov in izberite Izberite.

Nato lahko kateri koli nabor podatkov uporabite za ustvarjanje grafikonov, tako da ga izberete na Podatkovni niz spustni meni.

Meritve nabora podatkov

Uspešno ste ustvarili analizo QuickSight iz rezultatov sklepanja Lookout for Metrics in podatkov v živo. Dva nabora podatkov sta v QuickSightu, ki ju lahko uporabite: L4M_Visualization_dataset_with_liveData in L4M_Visualization_dataset_with_dimensionContribution.

O L4M_Visualization_dataset_with_liveData nabor podatkov vključuje naslednje meritve:

• Časovni žig – Datum in ura podatkov v živo, posredovanih Lookout for Metrics
• ogledov – Vrednost metrike ogledov
• prihodki – Vrednost metrike prihodka
• platforma, trg, prihodekAnomalyMetricValue, viewsAnomalyMetricValue, prihodekGroupScore in viewsGroupScore – Te metrike so del obeh naborov podatkov

O L4M_Visualization_dataset_with_dimensionContribution nabor podatkov vključuje naslednje meritve:

• Časovni žig – Datum in čas, ko je bila odkrita anomalija
• metricName – Meritve, ki jih spremljate
• imerazsežnosti – Dimenzija znotraj metrike
• dimensionValue – Vrednost dimenzije
• valueContribution – Odstotek tega, koliko dimensionValue vpliva na anomalijo, ko je odkrita

Naslednji posnetek zaslona prikazuje teh pet meritev na nadzorni plošči anomalij detektorja Lookout for Metrics.

Naslednje meritve so del obeh naborov podatkov:

• platforma – Platforma, kjer se je zgodila anomalija
• tržnica – Trg, kjer se je zgodila anomalija
• prihodAnomalyMetricValue in viewsAnomalyMetricValue – Ustrezne vrednosti metrike, ko je bila odkrita anomalija (v tem primeru so metrike prihodki ali ogledi)
• prihodekGroupScore in viewsGroupScore – Ocene resnosti za vsako metriko za odkrito anomalijo

Če želite bolje razumeti te zadnje meritve, si lahko ogledate datoteke CSV, ki jih je ustvarila funkcija Lambda, v vedru S3, kjer ste shranili anomalyResults/metricValue_AnomalyScore.

Naslednji koraki

Naslednji korak je izdelava nadzornih plošč za podatke, ki jih želite videti. Ta objava ne vključuje razlage o ustvarjanju grafikonov QuickSight. Če ste novi v QuickSightu, glejte Začetek analize podatkov v Amazon QuickSight za uvod. Naslednji posnetki zaslona prikazujejo primere osnovnih nadzornih plošč. Za več informacij si oglejte Delavnice QuickSight.

zaključek

Anomalije so predstavljene posamezno na konzoli Lookout for Metrics, vsaka s svojim grafom, zaradi česar je težko videti nabor kot celoto. Za poglobljeno analizo je potrebna avtomatizirana integrirana rešitev. V tej objavi smo za ustvarjanje anomalij uporabili detektor Lookout for Metrics in podatke povezali s QuickSightom za ustvarjanje vizualizacij. Ta rešitev nam omogoča izvedbo globlje analize nepravilnosti in vse na enem mestu/nadzorni plošči.

Kot naslednji korak bi lahko to rešitev razširili tudi z dodajanjem dodatnega nabora podatkov in združevanjem anomalij iz več detektorjev. Prilagodite lahko tudi funkcijo Lambda. Funkcija Lambda vsebuje kodo, ki generira nabore podatkov in imena spremenljivk, ki jih uporabljamo za nadzorne plošče QuickSight. To kodo lahko prilagodite svojemu posebnemu primeru uporabe tako, da spremenite same nabore podatkov ali imena spremenljivk, ki so za vas bolj smiselna.

Če imate kakršne koli povratne informacije ali vprašanja, jih pustite v komentarjih.

---

O avtorjih

Benoît de Patoul je specialist za rešitve AI/ML pri AWS. Strankam pomaga z zagotavljanjem navodil in tehnične pomoči za gradnjo rešitev, povezanih z AI/ML, pri uporabi AWS.

Paul Troiano je višji arhitekt za rešitve pri AWS s sedežem v Atlanti, GA. Strankam pomaga z zagotavljanjem smernic o tehnoloških strategijah in rešitvah na AWS. Navdušen je nad vsemi stvarmi AI/ML in avtomatizacijo rešitev.