4. September 2024 — Leichteres Training von Modellen zur Erkennung von Anomalien anhand von Daten aus der realen Welt¶

Hiermit teilen wir Ihnen mit, dass die ML-Funktion zur Erkennung von Anomalien nun Funktionen zur Vorverarbeitung enthält, mit denen Sie ein Modell zur Anomalieerkennung auch dann erfolgreich trainieren können, wenn Ihre Trainingsdaten fehlende, doppelte oder falsch ausgerichtete Zeitschritte aufweisen. In der Vergangenheit haben solche Probleme, die bei realen Daten häufig auftreten, in der Regel verhindert, dass das Modell trainiert werden konnte. Mit den neuen Funktionen für die Vorverarbeitung können Sie:

• Manuell eine Ereigniskadenz angeben, falls das Modell sie nicht oder falsch ableitet.

• Automatisch fehlende Zielwerte aus nahe gelegenen Zeitschritten interpolieren.

• Dimensionswerte von Ereignissen aggregieren, die außerhalb der kanonischen Ereigniskadenz auftreten. Die Verhaltensweise der Aggregation für die Art des Wertes oder pro Spalte festlegen oder Standardwerte verwenden.

Eine relativ geringe Anzahl solcher Korrekturen beeinträchtigt die Erkennungsgenauigkeit nicht merklich.

Weitere Informationen dazu finden Sie unter Der Umgang mit Daten aus der realen in der Zeitreihenprognose.