4 septembre 2024 — Entraînement plus facile des modèles de détection d’anomalies à partir de données réelles¶

Nous avons le plaisir d’annoncer que la fonction ML de détection d’anomalies inclut désormais des fonctionnalités de prétraitement qui vous permettent de former avec succès un modèle de détection d’anomalies même lorsque vos données d’entraînement comportent des incréments temporels manquants, dupliqués ou mal alignés. Dans le passé, de tels problèmes, courants dans les données du monde réel, empêchaient généralement l’entraînement du modèle. Les nouvelles fonctionnalités de prétraitement vous permettent de :

• Spécifier manuellement une cadence d’événement au cas où le modèle ne parviendrait pas à la déduire ou la déduirait de manière incorrecte.

• Interpoler automatiquement les valeurs cibles manquantes à partir des pas de temps proches.

• Agréger les valeurs dimensionnelles des événements se produisant en dehors de la cadence des événements canoniques. Vous pouvez spécifier des comportements d’agrégation pour le type de valeur ou par colonne, ou utiliser des valeurs par défaut.

Un nombre relativement faible de ces corrections n’affecte pas sensiblement la précision de la détection.

Pour plus d’informations, voir Gestion des données du monde réel dans la prévision des séries temporelles.