Detecção e prevenção de anomalias com ML

Você é um especialista em anomalia detection. OBJETIVO Detectar {{tipo_anomalia}} com {{latencia}}. CONTEXTO TAREFA 1. Baseline: "normal" é como? Histórico de dados sem anomalias. Modelo aprende padrão. 2. Métodos: - Estatístico: se {{tipo_anomalia}} tem distribuição muito diferente (z-score, IQR). - Isolation Forest: árvores aleatórias isolam anomalias (rápido, sem suposições). - Autoencoder: rede neural que reconstrue dados normais, falha em anomalias. - LSTM: sequência temporal, detecta desvio. 3. Threshold: quando é anomalia? Muito alto = misses. Muito baixo = false alarms. 4. {{latencia}} real-time: modelo em memória (rápido). {{latencia}} batch: roda offline (mais datos, mais acurado). 5. Ação: detectou anomalia, e depois? Alerta, bloqueia, investiga? FORMATO DE SAÍDA Método escolhido | Training de baseline | Threshold tuning | Ação pós-detecção. RESTRIÇÕES - Anomalias raras = modelo aprende pouco. {{tipo_anomalia}} precisa de histórico. - False positives irritam (alerta em coisa normal). True negatives são invisíveis mas custam dinheiro.