Machine Learning
Spüren Sie Anomalien und Ausreißer auf, prognostizieren Sie Entwicklungen anhand von Trends und finden Sie Bereiche in Ihren Daten, die eine nähere Betrachtung lohnen – Elastic-Machine Learning machts möglich.
Neu
Zu den neuen Machine-Learning-Funktionen in Version 7.9 gehören Inferenz bei der Suche, die Verwaltung von Modell-Snapshots und schnellere Einblicke in Datentransformationsergebnisse.
Machine Learning ist nicht länger theoretische Zukunftsvision, sondern Realität: Ein Tastendruck genügt und schon können Sie neue Erkenntnisse aus Ihren Elasticsearch-Daten ziehen. Wir kümmern uns um die Algorithmusentwicklung (und haben Spaß dabei), damit Sie es nicht tun müssen. Elasticsearch und Kibana sind mit integrierten Machine-Learning-Funktionen ausgestattet und bieten so gleichzeitig Leistungsfähigkeit und Performance.
Sobald sich Ihre Daten in Elasticsearch befinden, sind sie fürs Machine Learning bereit. Der Elastic Stack verarbeitet Daten bereits beim Ingestieren, sodass Sie stets die nötigen Metadaten haben, die Sie zur Identifizierung von Fehlerursachen oder für mehr Ereigniskontext benötigen.
Sie sind sich nicht sicher, welche Jobs für einen neuen Satz von Daten sinnvoll sind? Wir haben Ihnen die Arbeit abgenommen und Algorithmen gefunden, die in allen Fällen funktionieren. Integrierte Tools wie Data Visualizer helfen Ihnen, die Jobs zu finden, die Sie suchen, und Felder in Ihren Daten zu identifizieren, die fürs Machine Learning besonders gut geeignet sind.
Unbeaufsichtigtes Machine Learning mit Elastic hilft, Muster in Daten zu finden. Mit Zeitreihenmodellierung können Sie Anomalien in Ihren aktuellen Daten erkennen und auf der Basis historischer Daten Trends prognostizieren. Möchten Sie wissen, wie sich Ihre Metriken entwickeln? Die Ausreißererkennung ermöglicht das Analysieren von Datenpunkten, die sich außerhalb des normalen Bereichs befinden.
Sorgen Sie durch Anwendung von Klassifizierungs-, Regressions- und Ausreißererkennungsmodellen auf Ihre Daten in einer breiten Palette von Anwendungsfällen für einen allumfassenden Workflow. Verwenden Sie kontinuierliche Indextransformationen, um einen Anwendungslogindex in eine nutzerzentrische Aktivitätsansicht umzuwandeln, und entwickeln Sie mithilfe von Klassifizierung ein Betrugserkennungsmodell. Anschließend kann dann der Ingestions-Prozessor verwendet werden, um die Modelle beim Ingestieren auf die ankommenden Daten anzuwenden, ohne dass Sie dazu Elasticsearch verlassen müssen.
Gleich, ob Machine Learning neu für Sie ist oder ob Sie ein erfahrener Data Scientist sind, die Erstellung eines Machine-Learning-Jobs ergibt einfach Sinn – wie das Erfassen ungewöhnlich langsamer Reaktionszeiten für Ihre App direkt in der APM-App oder das Erkennen ungewöhnlichen Verhaltens in der SIEM-App. Es ist wirklich kinderleicht und im Handumdrehen erledigt.
Finden Sie heraus, was Ihre Daten alles an Unüblichem, Untypischem und Interessantem bereithalten. Sie haben Fragen? Sehen Sie sich die Machine-Learning-Dokumentation an oder besuchen Sie unser Machine-Learning-Forum.