4 de setembro de 2024 – Treinamento mais fácil de modelos de detecção de anomalias a partir de dados do mundo real¶

Temos o prazer de anunciar que a função de ML de detecção de anomalias agora inclui recursos de pré-processamento que permitem treinar com sucesso um modelo de detecção de anomalias, mesmo quando seus dados de treinamento têm etapas de tempo ausentes, duplicadas ou desalinhadas. No passado, esses problemas, que são comuns em dados do mundo real, normalmente impediam o treinamento do modelo. Os novos recursos de pré-processamento permitem que você:

• Especifique manualmente uma cadência de eventos caso o modelo não consiga inferi-la ou realize a inferência incorretamente.

• Interpole automaticamente valores de destino ausentes de intervalos de tempo próximos.

• Agregue valores dimensionais de eventos que ocorrem fora da cadência de eventos canônica. É possível especificar comportamentos de agregação para o tipo de valor ou por coluna, ou usar padrões.

Um número relativamente pequeno dessas correções não afeta significativamente a precisão da detecção.

Para obter mais informações, consulte Como lidar com dados do mundo real na previsão de séries temporais.