Hogyan szervezzük meg a modell metrikák alapján történő anomália detektálását?

A modell metrikáinak anomáliáinak felismerésére több megközelítés is alkalmazható:

1. Statisztikai módszerek — például kontroll diagramok, ahol a megállapított határokat meghaladó metrikaérték anomáliának számít (például 3 sigma az átlagtól).

2. Idősor modellek — ha a metrikák időben gyűlnek, ARIMA, Holt-Winters vagy LSTM használható előrejelzésre és eltérések felismerésére.

3. Gépi tanulás — olyan algoritmusok, amelyek normál adatokon tanulnak, például Isolation Forest, One-Class SVM, Autoencoder, amelyek kiugró értékeket azonosítanak.

4. Szabályok és küszöbértékek — egyszerű heuristikák, például ha a pontosság 0,7 alatt van vagy a késleltetés megkétszereződik.

Python példakód scikit-learn könyvtár használatával az Isolation Forest-hez:

from sklearn.ensemble import IsolationForest
import numpy as np

# Tegyük fel, hogy vannak történelmi pontossági metrikáink
metrics = np.array([0.95, 0.96, 0.94, 0.93, 0.92, 0.91, 0.90, 0.50])  # az utolsó anomália

model = IsolationForest(contamination=0.1)
model.fit(metrics.reshape(-1, 1))
pred = model.predict(metrics.reshape(-1, 1))

# -1 anomáliát jelez
anomáliák = metrics[pred == -1]
print("Anomális értékek a metrikákban:", anomalies)

Fontos, hogy a detektálást beépítsük a monitorozási folyamatba, figyelmeztetésekkel és gyors reagálási lehetőségekkel.