Kwa nini hili ni muhimu

Timu za uendeshaji huzama kwenye data. Huduma ya kisasa hutoa mamilioni ya mistari ya kumbukumbu, maelfu ya vipimo, na mamia ya tahadhari kila siku. Watu hawawezi kusoma yote, kwa hiyo huweka vizingiti na kanuni kuamua cha kuangalia. Kanuni hukua, huingiliana, na kuoza. Tahadhari nyingi huonekana kuwa kelele, na baadhi ya matatizo halisi hujificha miongoni mwake.

AIOps, istilahi iliyobuniwa na kampuni ya uchambuzi Gartner katikati ya miaka ya 2010 kutoka "algorithmic IT operations" na sasa inasomwa kwa kawaida kama "AI kwa uendeshaji wa TEHAMA", inaahidi kusaidia. Inatumia kujifunza kwa mashine kujifunza kipi ni cha kawaida, kutambua kitu kisipokuwa, kuweka tahadhari zinazohusiana katika tukio moja, na kupendekeza sababu inaweza kuwa wapi. Wikipedia inaeleza AIOps kama matumizi ya akili bandia kuboresha uendeshaji wa TEHAMA. Wauzaji huiwasilisha kwa maneno makali. Watendaji huripoti faida halisi katika matumizi fulani, kama kupunguza kelele, na kukatishwa tamaa katika mengine, kama utambuzi kamili wa kiotomatiki.

Kwa usimamizi wa huduma swali ni la vitendo: ni sehemu zipi za AIOps zinatoa thamani ya kuaminika, unazikaguaje, na unawaweka vipi watu wakidhibiti? Mada hii inaeleza mbinu kuu, njia zake za kawaida za kushindwa, na njia busara ya kuipokea. Inajenga juu ya ufuatiliaji (mada 3.10 — Ufuatiliaji na Usimamizi wa Matukio ya Mfumo) na uwezo wa kuchunguza (mada 7.4 — Uwezo wa kuchunguza na telemetria), na inaingiliana na usimamizi wa matukio ya hitilafu (mada 3.2 — Usimamizi wa Matukio ya Hitilafu) na uendeshaji otomatiki wa vitabu vya uendeshaji (mada 6.6 — Uendeshaji otomatiki wa vitabu vya uendeshaji na urekebishaji wa kiotomatiki).

Dhana kuu

AIOps. Matumizi ya mbinu za AI, hasa kujifunza kwa mashine na takwimu, kwenye data ya uendeshaji kuunga mkono kazi kama ugunduzi wa hitilafu za kimuundo, uhusianishaji wa matukio ya mfumo, kupendekeza chanzo cha msingi, na kutabiri. Ni seti ya mbinu, si bidhaa moja, na uwezo hutofautiana sana.

Ugunduzi wa hitilafu za kimuundo. Kupata vipande vya data au mifumo inayotofautiana na inayotarajiwa. Wikipedia inaeleza ugunduzi wa hitilafu za kimuundo na mbinu zake. Katika uendeshaji, modeli inaweza kujifunza mfumo wa kawaida wa kila siku na wa kila wiki wa maombi na kutia alama upotovu. Kawaida si thabiti: mabadiliko ya msimu, yanayoelezwa na Wikipedia, yanamaanisha asubuhi ya Jumatatu inaonekana tofauti na usiku wa Jumapili. Vigunduzi vizuri huzingatia hilo.

Mfululizo wa wakati. Data inayorekodiwa kwa muda, kama nyakati za kujibu au hesabu za makosa. Wikipedia inaeleza uchanganuzi wa mfululizo wa wakati. Vipimo vingi vya uendeshaji ni mfululizo wa wakati, na mbinu za AIOps hujengwa juu ya mbinu za kuunda modeli na kutabiri.

Uhusianishaji wa matukio ya mfumo na kupunguza kelele. Kuchanganya tahadhari zinazotokana na sababu moja kuwa tukio la hitilafu moja, na kukandamiza nakala na kelele zinazojulikana. Wikipedia inaeleza uhusianishaji wa matukio. Mbinu za kuweka katika makundi, zinazoelezwa na Wikipedia kama uchanganuzi wa makundi, hupanga vitu kwa ufanano. Uhusianishaji mzuri hugeuza tahadhari mia mbili kuwa moja, ikitaja chanzo kinachowezekana.

Kupendekeza chanzo cha msingi. Kutumia topolojia, rekodi za mabadiliko, kumbukumbu, na matukio ya hitilafu ya zamani kupendekeza hitilafu inaelekea kuwa wapi. Mapendekezo ni dhana. Yanafaa zaidi yanapoelekeza kwenye badiliko la hivi karibuni au utegemezi, na si ya kuaminika zaidi sababu inapokuwa mpya.

Uendeshaji wa kutabiri. Kutabiri matatizo kabla hayajatokea, kama diski itakayojaa kwa siku tatu au kijenzi kinachoelekea kushindwa. Wikipedia inaeleza matengenezo ya kutabiri na uchanganuzi tabiri. Utabiri ni uwezekano, na kila mmoja una gharama kwa tahadhari za uongo na kwa kukosa. Tazama mada 7.5 — Uchanganuzi tabiri na utabiri.

Uchanganuzi wa kumbukumbu. Kutumia mbinu kutoka kwa usindikaji wa lugha asilia na takwimu kupata mifumo katika kumbukumbu, kama aina mpya za ujumbe au mabadiliko ya marudio. Wikipedia inaeleza uchanganuzi wa kumbukumbu.

AI zalishi katika uendeshaji. Modeli kubwa za lugha zinaweza kufupisha ratiba za matukio ya hitilafu, kutafsiri tahadhari kuwa lugha rahisi, kuandaa hatua za vitabu vya uendeshaji, na kujibu maswali kuhusu mazingira. Zinaongeza ubadilikaji na hatari ya maudhui yaliyobuniwa. Tazama mada 5.4 — AI zalishi kwa matukio, maarifa na mabadiliko.

Usahihi, urejeshaji, na gharama za makosa. Kigunduzi kinaweza kukosea kwa njia mbili: kinaweza kutoa tahadhari ya uongo (chanya ya uongo) au kukosa tatizo halisi (hasi ya uongo). Wikipedia inaeleza aina zote mbili za makosa na vipimo vya usahihi na urejeshaji. Kurekebisha kupunguza kimoja huongeza kingine. Usawa sahihi hutegemea gharama ya kila moja, na huduma tofauti zinastahili mipangilio tofauti.

Kuteleza kwa dhana. Modeli hujifunza kutoka kwa data ya zamani, na dunia hubadilika: matoleo mapya, mifumo mipya ya trafiki, miundombinu mipya. Wikipedia inaeleza kuteleza kwa dhana, ambapo sifa za kitakwimu za kinachotabiriwa hubadilika kwa muda. Modeli iliyokuwa sahihi Januari inaweza kupotosha ifikapo Juni isipofuatiliwa na kufunzwa upya.

Uwezo wa kueleza. Wanaojibu wataamini pendekezo zaidi, na kulirekebisha kwa manufaa zaidi, wakiweza kuona kwa nini lilitolewa: vipimo vipi vilisogea, matukio yapi yaliwekwa pamoja, badiliko lipi lilitangulia mabadiliko. Wikipedia inaeleza akili bandia inayoweza kuelezwa na tatizo la masanduku meusi. Kwa uendeshaji, pendelea mbinu zinazoonyesha ushahidi wao.

Ubora wa data na ufunikaji. AIOps inahitaji data nzuri: kamili, thabiti, yenye muhuri wa wakati sahihi, na iliyowekewa lebo za huduma na wamiliki. Data inayokosekana au isiyo thabiti huzaa ishara zilizokosekana na viungo vya uongo. Tazama mada 4.4 — Usimamizi wa Usanidi na mada 7.2 — Misingi ya data na utawala wa data.

Mawazo ya kujiendesha na kujiponya. Lengo la muda mrefu la mifumo inayogundua na kurekebisha makosa yake yenyewe, linaloelezwa na Wikipedia kama kompyuta ya kujiendesha. Sehemu ni za vitendo leo, kama kuanzisha upya mchakato ulioshindwa. Kujiponya kwa upana ni ngumu zaidi. Tazama mada 6.6 — Uendeshaji otomatiki wa vitabu vya uendeshaji na urekebishaji wa kiotomatiki.

Usimamizi wa binadamu. Anayejibu anabaki kuwajibika. Matokeo ya AIOps ni pembejeo kwa uamuzi wa binadamu, isipokuwa hatua iliyofafanuliwa kwa ufinyu imejaribiwa na kuidhinishwa kuendeshwa kiotomatiki. Tazama mada 5.5 — AI ya kiwakala na usimamizi wa binadamu.

Lenzi zinavyolingana. AIOps huchanganya AI na uchanganuzi kwa sehemu ya uendeshaji ya usimamizi wa huduma. Zoea la uchapuchapu linapendekeza majaribio madogo kwenye huduma moja, kwa mrejesho kutoka kwa wafanyakazi wa zamu za kuitwa. Uendeshaji otomatiki hutumia matokeo ya AIOps, kwa mfano kufungua tiketi au kuendesha ukaguzi salama.

Mazoea bora

  1. Anza na maumivu wazi. Chagua tatizo moja, kama tahadhari nyingi mno kwenye huduma moja, na kipimo, kama idadi ya miito kwa kila zamu. Jaribu AIOps hapo.
  2. Weka data sawa kwanza. Kagua kwamba kumbukumbu na vipimo ni kamili, mihuri ya wakati ni thabiti, na huduma na wamiliki wana lebo. Rekebisha mapengo kabla ya kulaumu modeli.
  3. Jaribu dhidi ya matukio ya hitilafu ya zamani. Rudia data ya kihistoria kupitia zana, na uulize ingetia alama, kuweka katika makundi, au kupendekeza nini. Hesabu tahadhari za uongo na ulichokosa.
  4. Linganisha na mbinu rahisi. Linganisha dhidi ya vizingiti visivyobadilika na kanuni za msingi. Mbinu rahisi ikifanya vizuri vilevile, itumie. Usilipie utata usioongeza chochote.
  5. Pendelea matokeo yanayoelezeka. Chagua zana zinazoonyesha ushahidi nyuma ya tahadhari au sababu inayopendekezwa. Hitaji kwamba wanaojibu waone na kuhoji.
  6. Anza katika hali ya ushauri. Wacha zana ipendekeze, na watu waamue. Pitia mapendekezo dhidi ya kilichotokea kweli kwa wiki chache kabla ya kuipa hatua yoyote ya kiotomatiki.
  7. Punguza hatua za kiotomatiki. Ruhusu hatua finyu, zinazoeleweka vizuri, zinazoweza kubatilishwa tu, zenye vikomo vya kiwango, kumbukumbu, na kusimamisha kwa mikono. Pitia kila daraja la hatua kabla ya kuiwasha.
  8. Fuatilia modeli. Fuatilia tahadhari za uongo, ulichokosa, na sehemu ya mapendekezo yaliyofaa. Tazama kuteleza baada ya matoleo makubwa na ufunze upya au usanidi upya inapohitajika.
  9. Weka watu wa zamu za kuitwa wakihusika. Waombe wakadirie mapendekezo kwenye zana, na upitie mrejesho wao kila wiki. Ndio waamuzi bora wa manufaa.
  10. Rekodi kilichokandamizwa. Weka kumbukumbu ya tahadhari ambazo mfumo ulificha au kuunganisha, na upitie sampuli mara kwa mara. Kukandamiza ndipo kushindwa kubaya zaidi kunapotokea.

Maswali ya kujadili na timu yako

Tahadhari zipi zinapoteza muda mwingi zaidi wa zamu zetu za kuitwa, na kanuni bora zingezirekebisha kabla ya AI yoyote? Anza na data. Matatizo mengi ya kelele hutatuliwa kwa marekebisho rahisi. Tarajia kanuni chache kuchukua kelele nyingi. Ili kwenda mbali zaidi, zirekebishe kisha tathmini upya AI inaweza kuongeza nini.

Kama zana ingekuwa inaendeshwa wakati wa matukio yetu matatu ya mwisho, ingetuambia nini, na hilo lingesaidia? Rudia au uige. Tarajia matokeo mchanganyiko. Uliza ingekosa nini. Ili kwenda mbali zaidi, chagua aina ya tukio la hitilafu ambapo zana inaonekana yenye ahadi zaidi.

Tungejuaje zana ilikandamiza tahadhari halisi? Hii inajaribu usimamizi. Tarajia "hatungejua". Ili kwenda mbali zaidi, kubaliana kumbukumbu ya matukio yaliyokandamizwa, sampuli ya kawaida, na kanuni ya nini hakikandamizwi kamwe.

Nani anawajibika hatua ya kiotomatiki inapoenda vibaya, na vikomo vyake ni vipi? Taja mmiliki na uorodheshe hatua zinazoruhusiwa. Tarajia majibu yasiyo wazi. Ili kwenda mbali zaidi, andika orodha fupi ya hatua zinazoruhusiwa bila idhini, kila moja ikiwa na kurudisha nyuma.

Tutagunduaje kwamba modeli imeteleza baada ya toleo kubwa au badiliko la trafiki? Omba mpango. Tarajia hakuna. Ili kwenda mbali zaidi, chagua viashiria, kama kiwango cha tahadhari za uongo, na tarehe ya mapitio baada ya kila toleo kubwa.

Wafanyakazi wa zamu za kuitwa wangetaka nini kutoka kwa zana hii, na nini kingewafanya waache kuiamini? Waulize moja kwa moja. Tarajia majibu ya vitendo kuhusu muktadha na tahadhari za uongo. Ili kwenda mbali zaidi, geuza majibu kuwa vigezo vya kukubalika kwa jaribio.

Kwa vitendo: mfano wa usimamizi wa huduma

Timu ya uendeshaji ya huduma ya taifa ya hali ya hewa inaendesha mifereji ya utabiri na API ya umma kwenye mali mchanganyiko ya mifumo ya ndani na ya wingu. Wafanyakazi wa zamu za kuitwa wanapokea takriban tahadhari 300 kwa siku, nyingi kutoka kwa vyanzo vichache vyenye kelele. Muuzaji anapendekeza jukwaa la AIOps lenye uhusianishaji wa kiotomatiki na mapendekezo ya chanzo cha msingi.

Kiongozi wa uendeshaji anakubali majaribio kwa masharti. Kwanza, timu inasafisha kanuni 12 zenye kelele zaidi, jambo linaloondoa takriban nusu ya kiasi. Pili, inarudia data ya miezi sita, ikijumuisha matukio 14 ya hitilafu, kupitia jukwaa katika hali ya ushauri. Katika kurudia, jukwaa linaweka tahadhari katika makundi vizuri: tukio la wastani lililozalisha tahadhari 80 linaonekana kama makundi matatu. Linatia alama kwa usahihi ishara ya kwanza katika matukio tisa kati ya 14, linakosa matatu ambapo dalili ya kwanza ilikuwa kwenye kumbukumbu, na linatoa tahadhari za uongo kwenye uchakataji upya wa kawaida wa usiku, ulio na mfumo ambao halijajifunza.

Timu inalipeleka katika hali ya ushauri kwenye mfereji mmoja kwa miezi miwili, huku wafanyakazi wa zamu wakikadiria kila pendekezo kama lenye manufaa, lisilo upande wowote, au baya. Takriban asilimia 55 zinakadiriwa kuwa na manufaa, na asilimia 15 mbaya, kwa kawaida pale badiliko la hivi karibuni lisilorekodiwa ndilo sababu. Jukwaa kisha linaruhusiwa kufungua tiketi kiotomatiki kwa matukio ya hitilafu yaliyowekwa katika makundi, na si kingine chochote. Timu inaweka mapitio ya kila wiki ya tahadhari zilizokandamizwa na, baada ya toleo kubwa, inagundua msingi wa modeli wa trafiki sasa si sahihi na lazima ifunzwe upya.

Kinachobadilika: wafanyakazi wa zamu wanapokea tahadhari chache zaidi, zilizowekwa vizuri katika makundi. Kinachobaki kigumu: mapendekezo ya jukwaa yanategemea rekodi sahihi za mabadiliko, ambazo hazijakamilika; halisaidii sana kwa kushindwa kusiko kwa kawaida; na bei ya muuzaji inakua na kiasi cha data, kwa hiyo timu inapunguza inachoingiza. Kiongozi anapanga kupanua majaribio kwenye mfereji mwingine baada tu ya mapitio zaidi ya yaliyokosekana.

Mitazamo minne

Timu za bidhaa na utoaji

Toa telemetria nzuri: kumbukumbu thabiti, vipimo vyenye lebo za huduma, na rekodi za upelekaji na mabadiliko. Shiriki maarifa ya usanifu na timu ya uendeshaji, na usaidie kukagua mapendekezo ya zana kuhusu huduma yako.

Timu za huduma na uendeshaji

Tumia zana kama msaidizi: kadiria mapendekezo, pitia vitu vilivyokandamizwa, na uripoti ulichokosa. Weka kanuni rahisi pale zinapofanya kazi, na ubaki na umiliki wa maamuzi na hatua.

Uongozi na utawala

Omba matokeo kutoka kwa majaribio ya kurudia na majaribio ya awali, si kutoka kwa onyesho. Weka vikomo kwa hatua za kiotomatiki. Fadhili ubora wa data na mafunzo. Jihadhari na madai ya uendeshaji unaojiendesha kabisa.

Wateja na watumiaji

Unapaswa kuona usumbufu mdogo na mfupi, si mabadiliko katika jinsi matatizo yanavyowasilishwa kwako. Mwambie mtoaji ikiwa tukio la hitilafu lilikosekana kabla hujaliona.

Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi

Uchapuchapu

Jaribu kwenye huduma moja, wafanyakazi wa zamu za kuitwa wakitoa mrejesho wa mara kwa mara, kisha upanue kwa hatua. Pitia yaliyokosekana baada ya kila tukio la hitilafu na urekebishe. Tahadhari: kurekebisha modeli kila mara bila kurekodi mabadiliko hufanya tabia isitabirike; weka kumbukumbu ya mabadiliko.

AI

Zana yenyewe ni mfumo wa AI wenye mmiliki, data ya majaribio, na mapitio. Ichukulie kama nyingine yoyote: rekodi inaweza kufanya nini, ifuatilie, na ujaribu baada ya masasisho. Tahadhari: wauzaji wanaweza kubadilisha modeli bila taarifa; uliza wanatangazaje mabadiliko na ujaribu mara kwa mara. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.

Uendeshaji otomatiki

Unganisha matokeo ya AIOps na hatua finyu, zilizojaribiwa za kiotomatiki, kama kuunda tiketi, kukusanya utambuzi, na kuanzisha upya mchakato unaojulikana kushindwa, zenye vikomo na kumbukumbu. Tahadhari: hatua za kiotomatiki zilizochaguliwa kutoka kwa utabiri usio na uhakika zinaweza kuzidisha tukio la hitilafu; hitaji kujiamini kwa juu na kurudisha nyuma. Tazama mada 6.6 — Uendeshaji otomatiki wa vitabu vya uendeshaji na urekebishaji wa kiotomatiki.

Uchanganuzi

Pima kiasi cha tahadhari, sehemu yenye manufaa, tahadhari za uongo, yaliyokosekana yaliyopatikana katika mapitio ya matukio ya hitilafu, muda wa kugundua, na muda wa kutambua. Tahadhari: kupunguza kiasi cha tahadhari kunaweza kufikiwa kwa kuficha tahadhari halisi; linganisha kila mara dhidi ya matukio ya hitilafu na yaliyokosekana. Tazama mada 7.4 — Uwezo wa kuchunguza na telemetria na kitabu cha Service Management Metrics.

Njia za kawaida za kushindwa

  • Kununua ahadi. Onyesho la muuzaji linachukuliwa kama ushahidi. Jaribu kwa data yako mwenyewe kwa kurudia na majaribio ya awali.
  • Data duni. Modeli inajifunza kutoka kwa kumbukumbu na lebo zisizo thabiti. Rekebisha data kwanza.
  • Kukandamiza bila mapitio. Tahadhari halisi zinafichwa. Rekodi na uchukue sampuli ya kinachokandamizwa.
  • Mapendekezo yasiyoeleweka. Wanaojibu hawawezi kuyahukumu. Pendelea zana zinazoonyesha ushahidi.
  • Uendeshaji otomatiki wa mapema. Hatua zisizo sahihi zinatokea kwa kasi. Anza kwa ushauri na upunguze hatua.
  • Kuteleza kwa modeli kupuuzwa. Usahihi unazorota kimya. Fuatilia na ufunze upya baada ya mabadiliko.
  • Utata bila faida. Kanuni rahisi ingetosha. Linganisha na mbinu rahisi.

Modeli ya ukomavu

Kipimo Kuanzisha Kuendeleza Kusanifisha Kusimamia Kuratibu
Msingi wa data Isiyo thabiti Vyanzo vikuu vimekusanywa Telemetria thabiti, yenye lebo, na inayomilikiwa Ubora wa data unapimwa na kuboreshwa Data inashirikiwa kati ya timu na wasambazaji kwa utawala
Matumizi ya AI Madai ya muuzaji Jaribio kwenye huduma moja Matumizi ya ushauri kwa kurudia na mrejesho Matokeo yanapimwa na kutendewa kazi AI imeunganishwa katika uendeshaji kwa usimamizi
Uendeshaji otomatiki Hakuna Uundaji wa tiketi Hatua finyu, zilizoidhinishwa zenye vikomo Hatua zinapitiwa na kuboreshwa Uendeshaji otomatiki mpana zaidi kwa hatari kwa udhibiti wa binadamu
Utunzaji wa modeli Hakuna Kurekebisha kiholela Ufuatiliaji wa kuteleza na makosa Kufunza upya kumefungwa kwa mabadiliko Tathmini endelevu kati ya zana

Orodha hakiki

  • Tulichagua tatizo mahususi na kipimo cha jaribio la awali.
  • Tulirekebisha kelele mbaya zaidi ya tahadhari kwa kanuni rahisi kwanza.
  • Tulijaribu zana kwenye matukio ya hitilafu ya kihistoria na kuhesabu yaliyokosekana na tahadhari za uongo.
  • Tulilinganisha na mbinu rahisi.
  • Matokeo yanaelezeka kwa wanaojibu.
  • Tunaendesha kwa hali ya ushauri kabla ya kuruhusu hatua yoyote.
  • Hatua za kiotomatiki ni finyu, zimerekodiwa, zina vikomo vya kiwango, na zinabatilishika.
  • Tunafuatilia kuteleza na kupitia tahadhari zilizokandamizwa.

Maelekezo ya AI

Kagua matokeo ya kurudia.

Here are the results of replaying [number] past incidents through our AIOps tool: for each, the first real symptom, what the tool flagged and when, and what it suggested: [paste].
Compute for each incident whether the tool flagged the problem before the first page, and list false alarms and misses. Summarize counts and note incidents where the data is unclear. Do not rate the tool overall.
List what you are unsure of.

Pitia tahadhari zilizokandamizwa.

Here is a sample of alerts that the system suppressed or merged last week, with details: [paste sample].
For each, say whether the details suggest it was noise, a duplicate of another alert, or possibly a real problem, and give your reason. Mark those you cannot judge.
List what you are unsure of.

Andaa vigezo vya kukubalika kwa jaribio la awali.

Our service: [describe]. Our current pain: [describe, with numbers if known]. Our constraints: [list].
Draft acceptance criteria for a two-month pilot of an AIOps tool: measures, thresholds we should agree beforehand, what would make us stop, and what automatic actions are not allowed. Do not state vendor claims as facts.
List what you are unsure of.

Ujuzi wa AI

  • anomaly-analysis: tumia kuchunguza mifumo isiyo ya kawaida katika data ya uendeshaji.
  • trend-analysis: tumia kuona jinsi vipimo vinavyobadilika kwa muda.
  • data-quality: tumia kukagua pembejeo ambazo AIOps inazitegemea.
  • mlops: tumia kufuatilia na kutunza modeli zinazotumika.
  • root-cause-analysis: tumia kujaribu sababu zilizopendekezwa dhidi ya ushahidi.

Vyanzo vikuu

  • Betsy Beyer and others (eds.), Site Reliability Engineering (2016), chapter on monitoring distributed systems, free at sre.google: misingi ambayo AIOps inajengwa juu yake.
  • PeopleCert, ITIL certification pages: maelezo ya mmiliki ya zoea la ufuatiliaji na usimamizi wa matukio ya mfumo.
  • Wikipedia, "AIOps" and "Anomaly detection": muhtasari wa istilahi na mbinu.
  • Wikipedia, "Concept drift": sababu kuu ya modeli kuzorota kwa muda.

Marejeo

  1. AIOps — Wikipedia — https://en.wikipedia.org/wiki/AIOps
  2. Anomaly detection — Wikipedia — https://en.wikipedia.org/wiki/Anomaly_detection
  3. Event correlation — Wikipedia — https://en.wikipedia.org/wiki/Event_correlation
  4. Time series — Wikipedia — https://en.wikipedia.org/wiki/Time_series
  5. Seasonality — Wikipedia — https://en.wikipedia.org/wiki/Seasonality
  6. Cluster analysis — Wikipedia — https://en.wikipedia.org/wiki/Cluster_analysis
  7. Precision and recall — Wikipedia — https://en.wikipedia.org/wiki/Precision_and_recall
  8. Type I and type II errors — Wikipedia — https://en.wikipedia.org/wiki/Type_I_and_type_II_errors
  9. Concept drift — Wikipedia — https://en.wikipedia.org/wiki/Concept_drift
  10. Explainable artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
  11. Predictive maintenance — Wikipedia — https://en.wikipedia.org/wiki/Predictive_maintenance