異常とは、予想されるパターンからの逸脱であり、銀行取引、産業運営、マーケティング業界、医療監視など、さまざまな環境で発生する可能性があります。従来の検出方法では、多くの場合、高い誤警報率が発生します。誤検知は、システムが日常的なイベントを異常として誤って識別した場合に発生し、不必要な調査作業や運用の遅延が発生します。この非効率性はリソースを浪費し、解決すべき実際の問題から注意をそらすため、差し迫った問題です。この記事では、ルールベースのエンジンを広範囲に活用した異常検出への特殊なアプローチについて詳しく説明します。このアプローチでは、複数の主要業績評価指標 (KPI) を相互参照することで、違反を特定する精度が向上します。このアプローチは、異常の存在をより効果的に検証または反証できるだけでなく、場合によっては問題の根本原因を分離して特定することもできます。
システム アーキテクチャの概要
データ フロー
これは、エンジン。フロー内の各ポイントは、トレーニング ルールセットに対して評価するためにルール エンジンによって使用される 1 つ以上の KPI に関連付けることができます。リアルタイム監視にはデータの継続的なフローが不可欠であり、エンジンの動作に必要な情報が提供されます。
ルール エンジン アーキテクチャ
システムの中心となるのはルール エンジンであり、KPI の微妙な違いを理解するためにトレーニングする必要があります。監視します。ここで、一連の KPI ルールが登場します。これらのルールはエンジンのアルゴリズムの基礎として機能し、2 つ以上の KPI を相互に関連付けるように設計されています。
KPI ルールの種類:
- データ品質: データ フローの一貫性、正確性、信頼性に焦点を当てたルール。
- #KPI 関連性: 特定の KPI の関連性に焦点を当てたルール
ルール適用プロセス
#データを受信すると、エンジンは受信した KPI の逸脱または異常をすぐに探します。ここでの異常とは、所定の許容範囲外にあるメトリックを指します。エンジンは、さらなる調査のためにこれらの異常にフラグを立てます。調査は、受け入れ、拒否、絞り込みという 3 つの主要な操作に分けることができます。これには、検出された異常を検証または否定するために、ある KPI を別の KPI と関連付けることが含まれる場合があります。
方法
ルールの形成
基本的な手順には、関連する一連の KPI の作成が含まれます。複数の KPI を相互に関連付けたルールにします。たとえば、ルールは製品の品質指標を工場設定での生産速度に関連付けることができます。例えば:######
- KPI 間の直接的な関係: 2 つの KPI 間の「直接的な関係」とは、一方の KPI が増加すると他方の KPI も増加するか、一方の KPI が減少すると他方の KPI も減少することを意味します。たとえば、小売業では、広告費の増加 (KPI1) が売上収益の増加 (KPI2) に直接関係している可能性があります。この場合、一方の側面の増加は他方にもプラスの影響を及ぼします。この知識は、戦略計画やリソースの割り当てに役立つため、企業にとって非常に貴重です。
- KPI 間の逆関係: 一方、「逆関係」とは、1 つの KPI が増加すると、もう 1 つの KPI が減少し、その逆も同様であることを意味します。たとえば、製造環境では、製品の生産にかかる時間 (KPI1) が生産性 (KPI2) と逆の関係にある場合があります。生産時間が短縮されると、生産性が向上する可能性があります。両方の KPI を最適化するにはバランスをとる手段が必要になる場合があるため、逆関係を理解することもビジネスの最適化にとって重要です。
- KPI を組み合わせて新しいルールを作成する: 場合によっては、2 つ以上の KPI を組み合わせて、ビジネス パフォーマンスに関する貴重な洞察を提供できる新しい指標を作成すると有益な場合があります。たとえば、顧客生涯価値 (KPI1) と顧客獲得コスト (KPI2) を組み合わせると、3 番目の KPI、つまり顧客価値対コスト比が得られます。この新しい KPI は、新規顧客を獲得するためのコストが、長期にわたって提供する価値に見合ったものであるかどうかをより包括的に理解できるようにします。
#トレーニング ルール エンジン
ルール エンジンは包括的にトレーニングされており、効果的に適用できます。これらのルール。
リアルタイムレビュー
ルール エンジンは受信データを積極的に監視し、トレーニングされたルールを適用して異常または潜在的な異常を特定します。
意思決定
潜在的な異常を特定する際のエンジン:
- 例外の受け入れ: 確認フェーズ: 例外にフラグが立てられると、エンジンは事前トレーニングされた KPI ルールを使用して、例外を他の関連する KPI と比較します。ここでのポイントは、その異常が実際に問題なのか、それとも単なる外れ値なのかを判断することです。この確認は、プライマリ KPI とセカンダリ KPI 間の相関関係に基づいて行われます。
- 例外の拒否: 偽陽性フェーズ: すべての例外が問題を示しているわけではありません。一部の例外は統計的な外れ値またはデータ エラーである可能性があります。この場合、エンジンはトレーニングを使用して異常を拒否し、基本的に異常を誤検知として識別します。これは、不必要なアラート疲労を排除し、リソースを実際の問題に集中させるために重要です。
- 例外の範囲の絞り込み: 改善フェーズ: 例外は、複数のコンポーネントに影響を与えるより大きな問題の一部である場合があります。ここで、エンジンは、問題を特定の KPI コンポーネントに絞り込むことで、問題の正確な性質をさらに正確に特定します。この高度なフィルタリングは、問題を迅速に特定し、根本原因を解決するのに役立ちます。
利点
- 誤検知の削減: 複数の KPI を相互参照するルール エンジンを使用することにより、システムは大幅に誤検知の発生率を削減します。
- 時間とコストの効率: 異常の検出と解決が向上し、運用時間と関連コストが削減されます。
- 精度の向上: 複数の KPI を比較対照する機能により、異常なイベントをより詳細かつ正確に表現できるようになります。
#結論
この記事では、さまざまな KPI ルール セットでトレーニングされたルール エンジンを使用した異常検出のアプローチについて概説します。多くの場合、統計アルゴリズムまたは機械学習モデルのみに依存する従来の異常検出システムとは対照的に、このアプローチは、基礎として特殊なルール エンジンを使用します。さまざまな KPI 間の関係と相互作用をより深く掘り下げることで、企業は、単純なスタンドアロンの指標では得られない、より詳細な洞察を得ることができます。これにより、より堅牢な戦略計画、より優れたリスク管理、およびビジネス目標を達成するための全体的により効果的なアプローチが可能になります。異常にフラグが立てられると、エンジンは事前にトレーニングされた KPI ルールを使用して、異常を他の関連する KPI と比較します。ここでのポイントは、その異常が実際に問題なのか、それとも単なる外れ値なのかを判断することです。
以上が異常検出: ルール エンジンで誤検知を最小限に抑えるの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。