Diseño e implementación de algoritmo de machine learning capaz de predecir y detectar patrones anómalos en las series de tiempo asociadas a la generación e ingesta de eventos de telemetría cercano a tiempo real para Gauss Control

Abstract

Esta memoria aborda el problema que enfrenta la empresa Gauss Control al detectar anomalías en las series de tiempo de ingesta de eventos de telemetría en tiempo real. Se propone una solución basada en dos modelos de Variational Autoencoder (VAE), uno especializado en patrones de días laborales y otro en patrones de fines de semana/días festivos. En el Capítulo 1 se define el problema, los procesos actuales de detección de anomalías y sus limitaciones. El Capítulo 2 presenta el marco conceptual con conceptos de inteligencia artificial aplicados a series de tiempo. En el Capítulo 3 se detalla la propuesta de solución, incluyendo la arquitectura del sistema con los dos modelos VAE, su entrenamiento, detección de anomalías y evaluación de rendimiento. El Capítulo 4 valida la solución usando casos reales de anomalías proporcionados por clientes, comparándola con otros métodos. Finalmente, el Capítulo 5 presenta las conclusiones, discutiendo alcances, limitaciones, contribuciones, aplicaciones y recomendaciones futuras. Los resultados muestran que el enfoque propuesto basado en VAE es prometedor y supera a otros métodos en la detección de anomalías en series de tiempo. Permite a Gauss Control anticiparse y responder rápida mente a eventos anómalos, mejorando la calidad del servicio y satisfacción del cliente. This memory addresses the problem faced by Gauss Control when detecting anomalies in real-time telemetry event ingestion time series. A solution based on two Variational Autoencoder (VAE) models is proposed, one specialized in weekday patterns and the other in weekend/holiday patterns. Chapter 1 defines the problem, the current anomaly detection processes, and their limitations. Chapter 2 presents the conceptual framework with concepts of artificial intelligence applied to time series. Chapter 3 details the proposed solution, including the system architecture with the two VAE models, their training, anomaly detection, and performance evaluation. Chapter 4 validates the solution using real anomaly cases provided by customers, comparing it with other methods. Finally, Chapter 5 presents the conclusions, discussing scope, limitations, contributions, applications, and future recommendations. The results show that the proposed VAE-based approach is promising and outperforms other methods in detecting anomalies in time series. It allows Gauss Control to anticipate and respond quickly to anomalous events, improving service quality and customer satisfaction.