Microsoft Lumos Sekarang Open-Source Memungkinkan Pemantauan Metrik Aplikasi Web Dan Deteksi Cepat Anomali Dengan Menghilangkan Positif Palsu

Microsoft telah membuka akses ke 'Lumos', pustaka Python yang kuat untuk secara otomatis mendeteksi dan mendiagnosis regresi metrik dalam aplikasi "skala web". Perpustakaan dilaporkan sangat aktif di dalam Microsoft Teams dan Skype. Pada dasarnya, 'pendeteksi anomali' yang sangat kuat dan cerdas kini bersumber terbuka dan tersedia bagi pengembang web untuk mengenali dan mengatasi regresi dalam metrik kinerja utama sambil hampir menghilangkan sebagian besar positif palsu.

Microsoft Lumos sekarang open source. Itu sedang aktif digunakan di produk Microsoft tertentu, dan sekarang akan tersedia untuk web umum dan komunitas pengembangan aplikasi. Perpustakaan tersebut dilaporkan memungkinkan para insinyur untuk mendeteksi ratusan perubahan dalam metrik dan menolak ribuan alarm palsu yang muncul oleh detektor anomali.

Lumos Mengurangi Tingkat Peringatan Positif Palsu Lebih Dari 90 Persen, Klaim Microsoft:

Lumos adalah metodologi baru yang mencakup detektor anomali khusus domain yang ada. Namun, Microsoft memastikan pustaka Python dapat mengurangi tingkat peringatan positif palsu hingga lebih dari 90 persen. Dengan kata lain, pengembang sekarang dapat dengan percaya diri mengejar masalah yang terus-menerus, bukan masalah sesekali yang tidak memiliki efek merugikan jangka panjang.

Kesehatan layanan online biasanya dipantau dengan melacak metrik Key Performance Indicator (KPI) dari waktu ke waktu. Insinyur yang melakukan 'Analisis Regresi' membutuhkan banyak waktu dan sumber daya untuk menyingkirkan masalah yang dapat menjadi indikasi masalah besar. Permasalahan tersebut dapat berakibat pada peningkatan biaya operasional bahkan hilangnya pengguna jika tidak segera diatasi.

Tidak perlu ditambahkan, melacak akar penyebab setiap regresi KPI memakan waktu. Selain itu, tim sering menghabiskan banyak waktu untuk menganalisis masalah hanya untuk menemukan bahwa mereka hanyalah anomali. Di sinilah Microsoft Lumos berguna. Pustaka Python menghilangkan proses penetapan apakah perubahan disebabkan oleh pergeseran populasi atau pembaruan produk dengan memberikan daftar prioritas dari variabel terpenting dalam menjelaskan perubahan nilai metrik.

Microsoft Lumos juga melayani tujuan yang lebih luas untuk memahami perbedaan metrik antara dua kumpulan data mana pun, Menariknya, platform ini menyertakan 'bias', dan dengan membandingkan kumpulan data kontrol dan perawatan sambil tetap agnostik ke komponen rangkaian waktu, Lumos dapat menyelidiki anomali.

Bagaimana Cara Kerja Microsoft Lumos?

Microsoft Lumos bekerja dengan prinsip pengujian A / B untuk membandingkan pasangan kumpulan data. Pustaka Python dimulai dengan memverifikasi apakah regresi dalam metrik antara kumpulan data signifikan secara statistik. Kemudian ditindaklanjuti dengan pemeriksaan bias populasi dan normalisasi bias untuk memperhitungkan setiap perubahan populasi antara dua set data. Lumos memutuskan bahwa masalah tersebut tidak layak untuk dikejar jika tidak ada regresi yang signifikan secara statistik dalam metrik. Namun, jika delta dalam metrik signifikan secara statistik, Lumos menandai fitur tersebut dan memberi peringkat sesuai dengan kontribusinya pada delta di metrik target.

Perpustakaan Lumos Python berfungsi sebagai alat utama untuk pemantauan skenario ratusan metrik. Pengembang dan tim yang melakukan analisis kinerja dapat memantau dan bekerja pada keandalan panggilan, rapat, dan layanan jaringan telepon publik (PSTN) di Microsoft. Pustaka ini beroperasi di Azure Databricks, layanan analitik data besar berbasis Apache-spark perusahaan. Ini telah dikonfigurasi untuk dijalankan dengan beberapa pekerjaan yang diatur sesuai prioritas, kompleksitas, dan jenis metrik. Pekerjaan selesai secara asinkron. Artinya jika sistem mendeteksi anomali, alur kerja Lumos dipicu, dan pustaka kemudian dengan cerdas menganalisis dan memeriksa apakah anomali tersebut layak untuk dikejar dan diatasi.

Microsoft telah mencatat bahwa Lumos tidak dijamin untuk menangkap semua regresi dalam layanan. Selain itu, layanan akan membutuhkan sejumlah besar kumpulan data untuk menawarkan wawasan yang dapat diandalkan. Perusahaan berencana untuk memasukkan analisis metrik berkelanjutan, melakukan pemeringkatan fitur yang lebih baik, dan juga menghadirkan pengelompokan fitur. Langkah-langkah ini harus menjawab tantangan utama multikolinearitas dalam peringkat fitur.