Condividi tramite

Esercitazione: Rilevamento anomalie con Servizi di Azure AI

  • Articolo

Questa esercitazione descrive come arricchire facilmente i dati in Azure Synapse con Servizi di Azure AI. Per trovare le anomalie, si userà Rilevamento anomalie di Azure AI. Un utente di Azure Synapse può semplicemente selezionare una tabella per arricchire il rilevamento anomalie.

Contenuto dell'esercitazione:

  • Informazioni sulla procedura per ottenere un set di dati di una tabella Spark contenente dati di serie temporali.
  • Usare un'esperienza di procedura guidata in Azure Synapse per arricchire i dati con Rilevamento anomalie.

Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare.

Prerequisiti

Accedere al portale di Azure

Accedere al portale di Azure.

Creare una tabella Spark

Per eseguire questa esercitazione è necessaria una tabella Spark.

Creare un notebook PySpark ed eseguire il codice seguente.

from pyspark.sql.functions import lit

df = spark.createDataFrame([
    ("1972-01-01T00:00:00Z", 826.0),
    ("1972-02-01T00:00:00Z", 799.0),
    ("1972-03-01T00:00:00Z", 890.0),
    ("1972-04-01T00:00:00Z", 900.0),
    ("1972-05-01T00:00:00Z", 766.0),
    ("1972-06-01T00:00:00Z", 805.0),
    ("1972-07-01T00:00:00Z", 821.0),
    ("1972-08-01T00:00:00Z", 20000.0),
    ("1972-09-01T00:00:00Z", 883.0),
    ("1972-10-01T00:00:00Z", 898.0),
    ("1972-11-01T00:00:00Z", 957.0),
    ("1972-12-01T00:00:00Z", 924.0),
    ("1973-01-01T00:00:00Z", 881.0),
    ("1973-02-01T00:00:00Z", 837.0),
    ("1973-03-01T00:00:00Z", 9000.0)
], ["timestamp", "value"]).withColumn("group", lit("series1"))

df.write.mode("overwrite").saveAsTable("anomaly_detector_testing_data")

Nel database Spark predefinito verrà visualizzata una tabella Spark denominata anomaly_detector_testing_data.

Aprire la procedura guidata dei Servizi di Azure AI

  1. Fare clic con il pulsante destro del mouse sulla tabella Spark creata nel passaggio precedente. Selezionare Machine Learning>Stima con un modello per aprire la procedura guidata.

    Screenshot che mostra le selezioni per l'apertura della procedura guidata di assegnazione dei punteggi.

  2. Viene visualizzato un pannello di configurazione e viene chiesto di selezionare un modello con training preliminare. Selezionare Rilevamento anomalie.

    Screenshot che mostra la selezione di Rilevamento anomalie come modello.

Configurare Rilevamento anomalie

Specificare i dettagli seguenti per configurare Rilevamento anomalie:

  • Servizio collegato dei Servizi cognitivi di Azure: come parte dei passaggi preliminari, è stato creato un servizio collegato al Servizio Azure per intelligenza artificiale. Selezionarlo qui.

  • Granularità: frequenza con cui vengono campionati i dati. Scegliere mensile.

  • Colonna Timestamp: Colonna che rappresenta l'ora della serie. Scegliere timestamp (stringa).

  • Colonna Valore serie temporale: Colonna che rappresenta il valore della serie al momento specificato dalla colonna Timestamp. Scegliere valore (doppio).

  • Colonna raggruppamento: Colonna che raggruppa la serie. ovvero tutte le righe che hanno lo stesso valore in questa colonna dovranno formare un'unica serie temporale. Scegliere gruppo (stringa).

Al termine, selezionare Apri notebook. Verrà generato un notebook con il codice PySpark che usa i servizi di Azure AI per rilevare le anomalie.

Screenshot che mostra i dettagli di configurazione per Rilevamento anomalie.

Eseguire il notebook

Il notebook appena aperto usa la libreria SynapseML per connettersi ai servizi di Azure AI. Il servizio collegato ai servizi di Azure AI fornito consente di fare riferimento in modo sicuro al servizio di Azure per intelligenza artificiale da questa esperienza senza rivelare segreti.

È ora possibile eseguire tutte le celle per avviare il rilevamento anomalie. Selezionare Esegui tutti. Altre informazioni su Rilevamento anomalie nei servizi di Azure AI.

Screenshot che mostra il rilevamento anomalie.

Passaggi successivi