Elastic 机器学习
使用 AI 和 ML 找到重要的答案
Elasticsearch 平台将强大的机器学习和 AI 原生集成到解决方案中 - 帮助您构建用户喜爱的应用程序,并更快地完成工作。
每个人都可以使用 Elastic 机器学习找到答案和见解
从直接内置到 Elasticsearch 的特定领域用例中获得机器学习的即时价值。借助 可观察性、搜索 和 安全 解决方案,DevOps 工程师、SRE 和安全分析师可以立即开始使用。无需任何机器学习经验。
团队可以自动执行 异常检测 和 根本原因分析,从而减少平均修复时间 (MTTR)。此外,内置功能(如 自然语言处理 (NLP) 和 向量搜索)可以帮助团队实现对最终用户更友好的搜索体验。
使用 Elastic 机器学习来
- 直接从 APM 服务地图 中识别出异常缓慢的响应时间
- 发现异常行为并主动解决安全威胁
- 使用易于使用的基于向导的工作流程,为任何类型的数据定制异常检测
- 通过使用预测来丰富摄取的数据,增强搜索体验
自动执行警报并在可观察性中识别根本原因
使用内置于 Elastic 可观察性 中的自动异常检测、关联和其他 AIOps 功能,加速问题检测和解决。DevOps 和 SRE 团队可以直接从 APM 服务地图中识别出异常缓慢的响应时间。您可以应用机器学习,而无需配置模型。
机器学习驱动的威胁狩猎
机器学习为 Elastic Security 中的 威胁检测 提供支持。您可以通过自动识别 SIEM 应用程序中的异常活动来减少平均解决时间 (MTTR)。对于难以识别的威胁,监督模型可以区分可疑活动和良性活动,例如 利用现有工具进行攻击 或 域名生成算法。
将搜索体验提升到新的高度
借助 Elasticsearch Relevance Engine™ (ESRE),您可以应用语义搜索,开箱即用地获得卓越的相关性(无需领域适应),与外部大型语言模型 (LLM) 集成,实现混合搜索,并使用第三方或您自己的 Transformer 模型。
使用 Elasticsearch 机器学习在几分钟内获得可操作的见解
将 Elastic 机器学习应用于您的数据,以
- 在可扩展且高性能的平台上原生集成机器学习
- 应用无监督学习和预配置模型,这些模型可以识别可观察性和安全问题,而无需担心如何训练 AI 模型
- 利用可操作的分析,主动发现威胁和异常,加速问题解决,识别客户行为趋势,并改善您的数字体验
要应用 Elastic 机器学习,您无需拥有数据科学团队或设计系统架构。我们的机器学习功能让您可以快速入门!无需将数据移动到第三方框架进行模型训练。
对于那些需要自定义模型和优化性能的用例,我们的工具可以让您调整参数并从 PyTorch 框架导入优化模型。
使用您的数据摄取、理解和构建模型
Elastic 的开箱即用集成使数据摄取和连接到其他数据源变得容易。数据进入 Elasticsearch 后,您可以在几分钟内可视化数据并获得初步见解。
Elastic 的开放式通用数据模型,Elastic 通用模式 (ECS),让您能够灵活地收集、存储和可视化任何数据。这包括来自您的应用程序和基础设施的指标、日志、跟踪、内容和事件。首先,选择您的摄取方法。选项包括 Elastic Agent、网络爬虫、数据连接器和 API,我们还与所有主要云提供商进行了原生集成。数据进入 Elastic 后,内置工具(如数据可视化器)可帮助您识别数据中的字段,这些字段与机器学习相匹配。
没有应用机器学习的经验?应用可观察性和安全性的预配置模型。如果这些模型对您的数据效果不佳,工具内的向导会指导您完成配置自定义异常检测和训练监督学习所需的几个步骤。
开箱即用的准确异常和离群值检测
无监督机器学习 与 Elastic 帮助您在数据中找到模式。使用时间序列建模来检测单个或多个时间序列、总体数据的异常,并根据历史数据预测趋势。
您还可以通过对消息进行分组来检测日志中的异常,并通过查看异常影响因素或与基线偏差相关的字段来发现根本原因。
向量搜索和现代自然语言处理
向量语义搜索让您的用户可以找到他们想要的东西,而不是局限于关键字。他们可以搜索文本数据、图像和其他非结构化数据。
借助 Elastic Learned Sparse Encoder,您可以在各个领域实现语义搜索并获得开箱即用的卓越相关性。这使您能够使数字体验更直观,结果更相关。示例包括
- 电子商务产品相似性搜索,显示相关的替代产品
- 工作推荐和在线约会 - 根据个人资料兼容性进行匹配,同时通过地理位置限制搜索
- 专利搜索 - 检索文本描述相似的专利
要开始使用,Elastic 允许您从中心(如 Huggingface.co)或 OpenAI 的CLIP 模型导入预训练的 BERT 类 PyTorch 模型。了解有关使用 Elastic 实现图像相似性的更多信息。