● 課題：日本全国に設置されている膨大な数のネットワーク機器のメンテナンスが難しく、クレームが絶えなかった

多数のネットワーク機器は設置された環境やユーザーによりさまざま。そのため、機器ごとに一律の監視設定を行うことができず、また機器が大量であるため、個別の監視設定も現実的ではありません。そのため、Pingによる死活監視でしか監視ができていませんでした。Pingの返答はあっても実際には障害発生しているサイレント故障の検知ができておらず、完全に壊れるか、ユーザーから指摘されるまでメンテナンスができない問題がありました。

● 解決策：Insight Anomaly Detectorを導入

本環境にてInsight Anomaly Detectorを検証した結果、異常と検知した機器は100%の確率で障害を検知できることが判明したため、異常と検知したら自動再起動するプロセスを運用に取り入れることで、誰も気がつかないうちに復旧するケースが増え結果として障害件数が1/10になりました。

● 課題：未知の障害パターンを発見できない

膨大なセンサーデータから障害パターンを発見するために、今まではルールベースによる分析をしてきましたが、ルールの検討や設定に手間がかかる、既知のパターンの障害しか検出できず未知の障害パターンを発見できない、等の課題がありました。

● 解決策：Insight Anomaly Detectorを導入

大体数の正常データのパターンを学習し、そこから外れた障害候補となるデータを抽出。そして抽出された障害候補のデータを教師ありモデルによって分類し、本当の障害パターンと思われるデータのみをユーザに提示するような、２段階の機械学習モデルによる異常検出システムを構築。
この異常検出システムは提示したデータが障害ではない誤検出であった場合、誤検出であったことを教師ありモデルにフィードバックすることで、本当の障害のみを検出する精度を段階的に高めることができます。

この機械学習による異常検出システムにより、障害検出ルールの検討や設定をする手間を無くすことができただけでなく、障害ではないパターンをAIが覚えていくため、障害パターンを出力する精度を段階的に高めることができ、繰り返すほど正確になるとともに今までに当てはまらない未知なるパターンの発見も達成することができました。