Візуалізуйте результати аномалії Amazon Lookout for Metrics за допомогою Amazon QuickSight

Одна з проблем, з якою стикаються команди, використовуючи Amazon Шукає показники швидко й ефективно підключає його до візуалізації даних. Аномалії представлені окремо на консолі Lookout for Metrics, кожна з яких має власний графік, що ускладнює перегляд набору в цілому. Для глибшого аналізу потрібне автоматизоване інтегроване рішення.

У цій публікації ми використовуємо пошуковий детектор Lookout for Metrics, створений відповідно до Приступаючи до роботи розділ з Зразки AWS, Amazon Lookout for Metrics Репо GitHub. Коли детектор активний і з набору даних генеруються аномалії, ми підключаємо Lookout for Metrics до Amazon QuickSight. Ми створюємо два набори даних: один, об’єднавши таблицю розмірів із таблицею аномалій, а інший – об’єднавши таблицю аномалій із поточними даними. Потім ми можемо додати ці два набори даних до аналізу QuickSight, де можна додавати діаграми на одній інформаційній панелі.

Ми можемо надати два типи даних для детектора Lookout for Metrics: безперервні та історичні. The AWS Зразки репо GitHub пропонує і те, і інше, хоча ми зосереджуємося на безперервних даних у реальному часі. Детектор відстежує ці дані в реальному часі, щоб виявити аномалії та записує аномалії Служба простого зберігання Amazon (Amazon S3) у міру їх створення. Після закінчення заданого інтервалу детектор аналізує дані. З часом детектор навчиться точніше визначати аномалії на основі знайдених шаблонів.

Lookout for Metrics використовує машинне навчання (ML) для автоматичного виявлення та діагностики аномалій у бізнес-даних і операційних даних, таких як раптове падіння доходу від продажів або рівня залучення клієнтів. Послуга стала загальнодоступною з 25 березня 2021 року. Вона автоматично перевіряє та готує дані з різних джерел для виявлення аномалій з більшою швидкістю та точністю, ніж традиційні методи, що використовуються для виявлення аномалій. Ви також можете надати відгук про виявлені аномалії, щоб налаштувати результати та підвищити точність з часом. Lookout for Metrics спрощує діагностику виявлених аномалій, групуючи аномалії, пов’язані з тією самою подією, і надсилаючи сповіщення, що містить короткий виклад потенційної першопричини. Він також ранжує аномалії за ступенем серйозності, щоб ви могли приділити пріоритетну увагу тому, що є найбільш важливим для вашого бізнесу.

QuickSight — це повністю керована хмарна служба бізнес-аналітики (BI), яка дозволяє легко підключатися до ваших даних для створення та публікації інтерактивних інформаційних панелей. Додатково можна використовувати Amazon QuickSight щоб отримати миттєві відповіді через запити природною мовою.

Ви можете отримати доступ до безсерверних високомасштабованих інформаційних панелей QuickSight із будь-якого пристрою та безперешкодно вставляти їх у свої програми, портали та веб-сайти. Наступний знімок екрана є прикладом того, чого ви можете досягти до кінця цієї публікації.

Огляд рішення

Рішення являє собою комбінацію сервісів AWS, насамперед Lookout for Metrics, QuickSight, AWS Lambda, Амазонка Афіна, Клей AWSі Amazon S3.

Наведена нижче схема ілюструє архітектуру рішення. Lookout for Metrics виявляє та надсилає аномалії в Lambda за допомогою сповіщення. Функція Lambda генерує результати аномалії як файли CSV і зберігає їх в Amazon S3. Робота AWS Glue аналізує метадані та створює таблиці в Athena. QuickSight використовує Athena для запиту даних Amazon S3, дозволяючи створювати інформаційні панелі для візуалізації як результатів аномалій, так і поточних даних.

Це рішення розширює ресурси, створені в Приступаючи до роботи розділ сховища GitHub. Для кожного кроку ми включаємо варіанти створення ресурсів за допомогою Консоль управління AWS або запуск наданого AWS CloudFormation стек. Якщо у вас є налаштований детектор Lookout for Metrics, ви можете використовувати його та адаптувати таким чином ноутбук для досягнення тих же результатів.

Етапи впровадження наступні:

1. створіть Amazon SageMaker примірник ноутбука (ALFMTestNotebook) і блокноти, використовуючи стек, наданий у Початкова настройка розділ з GitHub репо.
2. Відкрийте екземпляр блокнота на консолі SageMaker і перейдіть до amazon-lookout-for-metrics-samples/getting_started папку.
3. Створіть сегмент S3 і завершіть підготовку даних за допомогою першого ноутбук (1.PrereqSetupData.ipynb). Відкрийте блокнот за допомогою conda_python3 ядра, якщо буде запропоновано.

Другу пропускаємо ноутбук оскільки він зосереджений на даних ретроспективного тестування.

4. Якщо ви переглядаєте приклад за допомогою консолі, створіть детектор у реальному часі Lookout for Metrics і його сповіщення за допомогою третього ноутбук (3.GettingStartedWithLiveData.ipynb).

Якщо ви використовуєте надані стеки CloudFormation, третій блокнот не потрібен. Детектор і його сповіщення створюються як частина стека.

5. Після того, як ви створите детектор Lookout for Metrics, його потрібно активувати з консолі.

Ініціалізація моделі та виявлення аномалій може зайняти до 2 годин.

6. Розгорніть функцію Lambda, використовуючи Python із шаром бібліотеки Pandas, і створіть сповіщення, приєднане до живого детектора, щоб запустити його.
7. Використовуйте комбінацію Athena та AWS Glue, щоб знайти та підготувати дані для QuickSight.
8. Створіть джерело даних QuickSight і набори даних.
9. Нарешті створіть аналіз QuickSight для візуалізації, використовуючи набори даних.

Сценарії CloudFormation зазвичай запускаються як набір вкладених стеків у робочому середовищі. У цьому дописі їх наведено окремо, щоб полегшити покрокову інструкцію.

Передумови

Щоб пройти це покрокове керівництво, вам потрібен обліковий запис AWS, де буде розгорнуто рішення. Переконайтеся, що всі ресурси, які ви розгортаєте, знаходяться в одному регіоні. Вам потрібен запущений детектор Lookout for Metrics, створений із записників 1 і 3 від GitHub репо. Якщо у вас не працює детектор Lookout for Metrics, у вас є два варіанти:

• Запустіть блокноти 1 і 3 і продовжте з кроку 1 цієї публікації (створення функції Lambda та сповіщення)
• Запустіть блокнот 1, а потім скористайтеся шаблоном CloudFormation, щоб створити детектор Lookout for Metrics

Створіть живий детектор за допомогою AWS CloudFormation

Команда L4MLiveDetector.yaml Сценарій CloudFormation створює детектор аномалій Lookout for Metrics, джерело якого вказує на поточні дані у вказаному сегменті S3. Щоб створити детектор, виконайте наступні кроки:

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека сторінці, надайте таку інформацію:
   1. Назва стека. Наприклад, L4MLiveDetector.
   2. Ківш S3, <Account Number>-lookoutmetrics-lab.
   3. Роль ARN, arn:aws:iam::<Account Number>:role/L4MTestRole.
   4. Частота виявлення аномалії. Виберіть PT1H (погодинно).
4. Вибирати МАЙБУТНІ.
5. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
6. на Розгляд сторінку, залиште все як є і виберіть Створити стек.

Створіть SMS-сповіщення про живий детектор за допомогою AWS CloudFormation (необов’язково)

Цей крок необов'язковий. Сповіщення подано як приклад, не впливає на створення набору даних. The L4MLiveDetectorAlert.yaml Сценарій CloudFormation створює сповіщення детектора аномалії Lookout for Metrics із цільовим SMS-повідомленням.

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека оновіть номер телефону SMS і введіть назву для стека (наприклад, L4MLiveDetectorAlert).
4. Вибирати МАЙБУТНІ.
5. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
6. на Розгляд сторінку, установіть прапорець підтвердження, залиште все як є та виберіть Створити стек.

Очищення ресурсу

Перш ніж перейти до наступного кроку, зупиніть свій екземпляр блокнота SageMaker, щоб переконатися, що не буде непотрібних витрат. Він більше не потрібен.

Створіть функцію Лямбда та сповіщення

У цьому розділі ми надаємо інструкції щодо створення вашої функції Lambda та оповіщення через консоль або AWS CloudFormation.

Створіть функцію та сповіщення за допомогою консолі

Вам потрібна лямбда Управління ідентифікацією та доступом AWS (Я Є) роль після найкраща практика найменших привілеїв щоб отримати доступ до сегмента, у якому потрібно зберегти результати.

1. 1. На консолі Lambda створіть нову функцію.
   2. Select Автор з нуля.
   3. для Назва функції¸ введіть ім’я.
   4. для Час виконаннявиберіть Python 3.8.
   5. для Виконавча рольвиберіть Використовуйте наявну роль і вкажіть створену роль.
   6. Вибирати Створити функцію.
2. 
   7. Завантажити ZIP-файл, що містить необхідний код для функції Lambda.
   8. На консолі Lambda відкрийте функцію.
   9. на код вкладку, виберіть Завантажити звиберіть .zip файлі завантажте завантажений файл.
   10. Вибирати зберегти.

Ваше дерево файлів має залишатися незмінним після завантаження файлу ZIP.

11. У Шари розділ, вибрати Додати шар.
12. Select Укажіть ARN.
13. У наступному GitHub репо, виберіть CSV, що відповідає регіону, в якому ви працюєте, і скопіюйте ARN з останньої версії Pandas.
14. для Укажіть ARN, введіть скопійований ARN.
15. Вибирати додавати.

16. Щоб адаптувати функцію до вашого середовища, у нижній частині коду з файлу lambda_function.py обов’язково оновіть ім’я сегмента, у якому потрібно зберегти результати аномалії, і DataSet_ARN з вашого детектора аномалій.
17. Вибирати Розгортання щоб зробити зміни активними.

Тепер вам потрібно підключити детектор Lookout for Metrics до вашої функції.

18. На консолі Lookout for Metrics перейдіть до свого детектора та виберіть Додати сповіщення.
19. Введіть назву сповіщення та бажаний поріг серйозності.
20. Виберіть зі списку каналів Лямбда.
21. Виберіть функцію, яку ви створили, і переконайтеся, що ви маєте правильну роль, щоб її запустити.
22. Вибирати Додати сповіщення.

Тепер ви чекаєте, поки спрацює ваше сповіщення. Час змінюється залежно від того, коли детектор виявляє аномалію.

Коли виявляється аномалія, Lookout for Metrics запускає функцію лямбда. Він отримує необхідну інформацію від Lookout for Metrics і перевіряє, чи вже є збережений файл CSV в Amazon S3 із відповідною міткою часу аномалії. Якщо файлу немає, Lambda генерує файл і додає дані аномалії. Якщо файл уже існує, Lambda оновлює файл отриманими додатковими даними. Функція генерує окремий файл CSV для кожної окремої позначки часу.

Створіть функцію та сповіщення за допомогою AWS CloudFormation

Подібно до інструкцій консолі, ви завантажити файл ZIP містить необхідний код для функції Лямбда. Однак у цьому випадку його потрібно завантажити в сегмент S3, щоб код AWS CloudFormation міг завантажити його під час створення функції.

У сегменті S3, указаному під час створення детектора Lookout for Metrics, створіть папку під назвою лямбда-код і завантажте ZIP-файл.

Функція Lambda завантажує це як свій код під час створення.

Команда L4MLambdaFunction.yaml Сценарій CloudFormation створює функцію Lambda та ресурси сповіщень і використовує архів коду функції, що зберігається в тому ж сегменті S3.

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека сторінки, вкажіть назву стека (наприклад, L4MLambdaFunction).
4. У наступному GitHub репо, відкрийте CSV, що відповідає регіону, в якому ви працюєте, і скопіюйте ARN з останньої версії Pandas.
5. Введіть ARN як параметр ARN рівня Pandas Lambda.
6. Вибирати МАЙБУТНІ.
7. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
8. на Розгляд сторінку, установіть прапорець підтвердження, залиште все як є та виберіть Створити стек.

Активуйте детектор

Перш ніж перейти до наступного кроку, потрібно активувати детектор з консолі.

1. На консолі Lookout for Metrics виберіть Детектори у навігаційній панелі.
2. Виберіть свій щойно створений детектор.
3. Вибирати активувати, Потім виберіть активувати знову підтвердити.

Активація ініціалізує детектор; це закінчується, коли модель завершує свій цикл навчання. Це може зайняти до 2 годин.

Підготуйте дані для QuickSight

Перш ніж завершити цей крок, дайте детектору час виявити аномалії. Створена вами лямбда-функція зберігає результати аномалій у сегменті Lookout for Metrics у anomalyResults каталог. Тепер ми можемо обробити ці дані, щоб підготувати їх для QuickSight.

Створіть сканер AWS Glue на консолі

Після створення файлів CSV з аномаліями ми використовуємо сканер AWS Glue для створення таблиць метаданих.

1. На консолі AWS Glue виберіть Гусениці у навігаційній панелі.
2. Вибирати Додати сканер.

3. Введіть назву сканера (наприклад, L4MCrawler).
4. Вибирати МАЙБУТНІ.
5. для Тип джерела сканеравиберіть Сховища даних.
6. для Повторюйте сканування сховищ даних S3виберіть Сканувати всі папки.
7. Вибирати МАЙБУТНІ.

8. На сторінці конфігурації сховища даних для Сканувати дані ввиберіть Вказаний шлях у моєму обліковому записі.
9. для Включити шлях, увійдіть на шлях свого dimensionContributions файл (s3://YourBucketName/anomalyResults/dimensionContributions).
10. Вибирати МАЙБУТНІ.
11. Вибирати Так щоб додати інше сховище даних, і повторіть інструкції для metricValue_AnomalyScore(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore).
12. Повторіть інструкції ще раз для поточних даних, які будуть проаналізовані детектором аномалій Lookout for Metrics (це розташування набору даних S3 з вашого детектора Lookout for Metrics).

Тепер у вас має бути три сховища даних для обробки сканером.

Тепер вам потрібно вибрати роль, щоб дозволити сканеру проходити через розташування S3 ваших даних.

13. Для цієї публікації виберіть Створіть роль IAM і введіть назву для ролі.
14. Вибирати МАЙБУТНІ.

15. для частота, залишити як Запуск на вимогу І вибирай МАЙБУТНІ.
16. У Налаштуйте вихід сканера розділ, вибрати Додати базу даних.

Це створює базу даних Athena, де ваші таблиці метаданих розташовані після завершення сканера.

17. Введіть назву вашої бази даних і виберіть Створювати.
18. Вибирати МАЙБУТНІ, Потім виберіть обробка.

19. на Гусениці на сторінці консолі AWS Glue виберіть створений вами сканер і виберіть Запустити сканер.

Можливо, вам доведеться почекати кілька хвилин, залежно від розміру даних. Після завершення статус сканера відображається як Готовий. Щоб переглянути таблиці метаданих, перейдіть до своєї бази даних на Бази даних сторінку і виберіть таблиці у навігаційній панелі.

У цьому прикладі таблиця метаданих під назвою live представляє набір даних S3 із детектора Live Lookout for Metrics. Як найкращу практику, рекомендується зашифруйте свої метадані AWS Glue Data Catalog.

Athena автоматично розпізнає таблиці метаданих, а QuickSight використовує Athena для запиту даних і візуалізації результатів.

Створіть сканер AWS Glue за допомогою AWS CloudFormation

Команда L4MGlueCrawler.yaml Сценарій CloudFormation створює сканер AWS Glue, пов’язану з ним роль IAM і вихідну базу даних Athena.

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека сторінку, введіть назву для свого стека (наприклад, L4MGlueCrawler), і виберіть МАЙБУТНІ.
4. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
5. на Розгляд сторінку, установіть прапорець підтвердження, залиште все як є та виберіть Створити стек.

Запустіть сканер AWS Glue

Створивши сканер, його потрібно запустити, перш ніж переходити до наступного кроку. Ви можете запустити його з консолі або з Інтерфейс командного рядка AWS (AWS CLI). Щоб використовувати консоль, виконайте наступні кроки:

1. На консолі AWS Glue виберіть Гусениці у навігаційній панелі.
2. Виберіть свій сканер (L4MCrawler).
3. Вибирати Запустити сканер.

Коли робота сканера завершена, він показує статус Готовий.

Створіть обліковий запис QuickSight

Перш ніж почати наступний крок, перейдіть до консолі QuickSight і створіть обліковий запис, якщо у вас його ще немає. Щоб переконатися, що у вас є доступ до відповідних служб (Афіна та сегмент S3), виберіть назву свого облікового запису вгорі праворуч, виберіть Керуйте QuickSight, і вибрати Безпека та дозволи, де можна додати необхідні послуги. Під час налаштування доступу до Amazon S3 обов’язково виберіть Дозвіл на запис для Athena Workgroup.

Тепер ви готові візуалізувати свої дані в QuickSight.

Створіть набори даних QuickSight на консолі

Якщо ви вперше використовуєте Athena, вам потрібно налаштувати місце виведення запитів. Інструкції наведено в кроках 1–6 Створити базу даних. Потім виконайте наступні дії:

1. На консолі QuickSight виберіть Набори даних.
2. Вибирати Новий набір даних.
3. Виберіть Афіну як джерело.
4. Введіть назву джерела даних.
5. Вибирати Створити джерело даних.

6. Для своєї бази даних укажіть ту, яку ви створили раніше за допомогою сканера AWS Glue.
7. Укажіть таблицю, яка містить ваші поточні дані (не аномалії).
8. Вибирати Редагування/попередній перегляд даних.

Вас буде перенаправлено до інтерфейсу, схожого на наведений нижче знімок екрана.

Наступним кроком буде додавання та поєднання metricValue_AnomalyScore дані з поточними даними.

9. Вибирати Додати дані.
10. Вибирати Додати джерело даних.
11. Укажіть базу даних, яку ви створили, і metricValue_AnomalyScore таблиці.
12. Вибирати Select.

Тепер вам потрібно налаштувати об’єднання двох таблиць.

13. Виберіть зв’язок між двома таблицями.
14. Залиште тип об’єднання як Ліве, додайте мітку часу та кожен розмір, який ви маєте як пропозицію об’єднання, і виберіть Застосовувати.

У наступному прикладі ми використовуємо мітку часу, платформу та ринок як пропозиції об’єднання.

На правій панелі ви можете видалити поля, які ви не хочете зберігати.

15. Видаліть мітку часу з metricValue_AnomalyScore щоб у таблиці не було дубльованого стовпця.
16. Змініть тип даних мітки часу (таблиці поточних даних) із рядка на дату та вкажіть правильний формат. У нашому випадку так і повинно бути yyyy-MM-dd HH:mm:ss.

На наступному знімку екрана показано ваше подання після видалення деяких полів і налаштування типу даних.

17. Вибирати Збережіть і візуалізуйте.
18. Виберіть піктограму олівця поруч із набором даних.
19. Вибирати Додати набір даних І вибирай dimensioncontributions.

Створіть набори даних QuickSight за допомогою AWS CloudFormation

Цей крок містить три стеки CloudFormation.

Перший сценарій CloudFormation, L4MQuickSightDataSource.yaml, створює джерело даних QuickSight Athena.

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека введіть своє ім’я користувача QuickSight, регіон облікового запису QuickSight (вказаний під час створення облікового запису QuickSight) і ім’я стека (наприклад, L4MQuickSightDataSource).
4. Вибирати МАЙБУТНІ.
5. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
6. на Розгляд сторінку, залиште все як є і виберіть Створити стек.

Другий сценарій CloudFormation, L4MQuickSightDataSet1.yaml, створює набір даних QuickSight, який поєднує таблицю розмірів із таблицею аномалій.

1. Запустіть стек за таким посиланням:

2. на Створити стек сторінку, виберіть МАЙБУТНІ.
3. на Вкажіть деталі стека, введіть назву стека (наприклад, L4MQuickSightDataSet1).
4. Вибирати МАЙБУТНІ.
5. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
6. на Розгляд сторінку, залиште все як є і виберіть Створити стек.

Третій сценарій CloudFormation, L4MQuickSightDataSet2.yaml, створює набір даних QuickSight, який поєднує таблицю аномалій із таблицею поточних даних.

1. Запустіть стек за таким посиланням:

2. на Створити сторінку стека¸ вибрати МАЙБУТНІ.
3. на Вкажіть деталі стека сторінку, введіть назву стека (наприклад, L4MQuickSightDataSet2).
4. Вибирати МАЙБУТНІ.
5. на Налаштувати параметри стека сторінку, залиште все як є і виберіть МАЙБУТНІ.
6. на Розгляд сторінку, залиште все як є і виберіть Створити стек.

Створіть аналіз QuickSight для створення інформаційної панелі

Цей крок можна виконати лише на консолі. Після створення наборів даних QuickSight виконайте наведені нижче дії.

1. На консолі QuickSight виберіть аналіз у навігаційній панелі.
2. Вибирати Новий аналіз.
3. Виберіть перший набір даних, L4MQuickSightDataSetWithLiveData.

4. Вибирати Створіть аналіз.

Аналіз QuickSight спочатку створюється лише з першим набором даних.

5. Щоб додати другий набір даних, виберіть піктограму олівця поруч Набір даних І вибирай Додати набір даних.
6. Виберіть другий набір даних і виберіть Select.

Потім ви можете використовувати будь-який набір даних для створення діаграм, вибравши його на Набір даних спадне меню.

Метрики набору даних

Ви успішно створили аналіз QuickSight із результатів висновків Lookout for Metrics і поточних даних. У QuickSight доступні два набори даних: L4M_Visualization_dataset_with_liveData та L4M_Visualization_dataset_with_dimensionContribution.

Команда L4M_Visualization_dataset_with_liveData набір даних включає такі показники:

• відмітка часу – Дата й час поточних даних, переданих до Lookout for Metrics
• думки – Значення метрики переглядів
• revenue – Значення метрики доходу
• платформа, ринок, earningsAnomalyMetricValue, viewsAnomalyMetricValue, earningsGroupScore та viewsGroupScore – Ці показники є частиною обох наборів даних

Команда L4M_Visualization_dataset_with_dimensionContribution набір даних включає такі показники:

• відмітка часу – Дата й час виявлення аномалії
• metricName – Показники, які ви відстежуєте
• dimensionName – Розмір у межах метрики
• dimensionValue – Значення розмірності
• valueContribution – Відсоток того, наскільки dimensionValue впливає на аномалію під час виявлення

На наступному знімку екрана показано ці п’ять показників на інформаційній панелі аномалій детектора Lookout for Metrics.

Наступні показники є частиною обох наборів даних:

• платформа – Платформа, де сталася аномалія
• ринку – Ринок, де сталася аномалія
• earningsAnomalyMetricValue і viewsAnomalyMetricValue – Відповідні значення метрики, коли було виявлено аномалію (у цій ситуації показниками є дохід або перегляди)
• earningGroupScore та viewsGroupScore – Оцінки серйозності для кожного показника для виявленої аномалії

Щоб краще зрозуміти ці останні показники, ви можете переглянути файли CSV, створені функцією Lambda, у вашому сегменті S3, де ви зберегли anomalyResults/metricValue_AnomalyScore.

Наступні кроки

Наступним кроком є ​​створення інформаційних панелей для даних, які ви хочете бачити. Ця публікація не містить пояснень щодо створення діаграм QuickSight. Якщо ви новачок у QuickSight, зверніться до Початок роботи з аналізом даних в Amazon QuickSight для вступу. На наступних знімках екрана показано приклади базових інформаційних панелей. Для отримання додаткової інформації перегляньте Практикуми QuickSight.

Висновок

Аномалії представлені окремо на консолі Lookout for Metrics, кожна з яких має власний графік, що ускладнює перегляд набору в цілому. Для глибшого аналізу потрібне автоматизоване інтегроване рішення. У цій публікації ми використали детектор Lookout for Metrics для генерування аномалій і підключили дані до QuickSight для створення візуалізацій. Це рішення дозволяє нам проводити глибший аналіз аномалій і мати їх усі в одному місці/інформаційній панелі.

На наступному етапі це рішення також можна розширити, додавши додатковий набір даних і об’єднавши аномалії з кількох детекторів. Ви також можете адаптувати функцію Лямбда. Функція Lambda містить код, який генерує набори даних і імена змінних, які ми використовуємо для інформаційних панелей QuickSight. Ви можете адаптувати цей код до свого конкретного випадку використання, змінивши самі набори даних або назви змінних, які мають для вас більший сенс.

Якщо у вас є відгуки чи запитання, залишайте їх у коментарях.

---

Про авторів

Бенуа де Патул є архітектором спеціалістів із штучного інтелекту та ML в AWS. Він допомагає клієнтам, надаючи вказівки та технічну допомогу для створення рішень, пов’язаних із AI/ML під час використання AWS.

Павло Трояно є старшим архітектором рішень в AWS, що базується в Атланті, Джорджія. Він допомагає клієнтам, надаючи вказівки щодо технологічних стратегій і рішень на AWS. Він захоплений усім, що стосується AI/ML та автоматизації рішень.