ms-ai-architect/skills/ms-ai-governance/references/monitoring-observability/anomaly-detection-ai-systems.md

Anomaly Detection for AI Systems

Dato: 5. februar 2026 Kategori: Monitoring & Observability Målgruppe: AI-arkitekter, DevOps-team, MLOps-ingeniører

Oversikt

Anomaly detection er kritisk for proaktiv overvåking av AI-systemer. Microsoft Azure tilbyr flere mekanismer for å oppdage avvikende oppførsel i AI-applikasjoner, fra innebygde ML-baserte funksjoner til dedikerte tjenester. Effektiv anomaly detection reduserer tiden fra et problem oppstår til det blir oppdaget (dwell time) og muliggjør raskere respons på trusler og systemfeil.

Smart Detection Capabilities

Application Insights Smart Detection

Application Insights inkluderer automatisk smart detection som bruker maskinlæring til å oppdage avvik uten konfigurasjon. Systemet analyserer telemetri kontinuerlig og varsler automatisk ved potensielle problemer.

Hovedfunksjoner:

1. Failure Anomalies Detection

   • Oppdager unormal økning i feilrate
   • Korrelerer feilrater med last og andre faktorer
   • Bruker maskinlæring til å etablere forventet baseline
   • Trenger 24 timer med data før aktivering

2. Performance Anomalies Detection

   • Detekterer degradering i responstid
   • Analyserer både requests og dependencies
   • Identifiserer mønstre i page load time
   • Sammenligner med historisk baseline

3. General Degradations

   • Trace severity degradation
   • Memory leaks
   • Abnormal exception volume
   • Security anti-patterns

Konfigurasjon:

Smart detection krever ingen oppsett hvis Application Insights sender nok telemetri. Default e-postvarsler sendes til Monitoring Reader og Monitoring Contributor-roller.

// Azure Resource Manager template for konfigurasjon
{
  "type": "Microsoft.Insights/components/ProactiveDetectionConfigs",
  "properties": {
    "enabled": true,
    "sendEmailsToSubscriptionOwners": true,
    "customEmails": ["ops-team@example.com"]
  }
}

Migrering til Alert-Based Smart Detection

Microsoft anbefaler å migrere smart detection til alerts-basert system for bedre kontroll:

• Oppretter alert rules for hver deteksjonsmodul
• Muliggjør action groups for notifikasjoner
• Gir bedre integrasjon med Azure Monitor alerts
• Støtter multiple notification methods

Migreringsmåter:

1. Via Azure Portal (manuell migrering)
2. Via Azure CLI med REST API
3. Via ARM templates for batch-migrering

Custom Anomaly Rules for AI

KQL Machine Learning Functions

Azure Monitor Logs støtter KQL-baserte ML-funksjoner for anomaly detection uten behov for datascience-ekspertise.

series_decompose_anomalies() - Hovedfunksjon:

// Detect anomalies i AI-telemetri
let starttime = 21d;
let endtime = 0d;
let timeframe = 1h; // Sample frequency
AIRequests
| where TimeGenerated between (startofday(ago(starttime))..startofday(ago(endtime)))
| make-series RequestRate=count() default=0
    on TimeGenerated
    from startofday(ago(starttime))
    to startofday(ago(endtime))
    step timeframe
    by ModelName
| extend (Anomalies, AnomalyScore, ExpectedRate) =
    series_decompose_anomalies(RequestRate, 1.5, -1, 'avg', 1)
| mv-expand RequestRate to typeof(double),
    TimeGenerated to typeof(datetime),
    Anomalies to typeof(double),
    AnomalyScore to typeof(double),
    ExpectedRate to typeof(long)
| where Anomalies != 0
| project TimeGenerated, ModelName, RequestRate, ExpectedRate, AnomalyScore, Anomalies
| sort by abs(AnomalyScore) desc

Parametere for tuning:

• Threshold (default 1.5): Justerer sensitivitet – lavere verdi gir flere anomalier
• Seasonality (default -1): Auto-detect sesongvariasjoner
• Trend (default 'avg'): 'avg', 'linefit', eller 'none'
• Test_points: Antall punkter å ekskludere fra learning (for outliers)
• AD_method: Anomaly detection-metode

Root Cause Analysis med diffpatterns()

Når anomalier oppdages, bruk diffpatterns() plugin for å identifisere årsaker:

let anomalyDate = datetime(2026-02-05T12:00:00Z);
AIRequests
| extend AnomalyDate = iff(TimeGenerated == anomalyDate, "AnomalyDate", "OtherDates")
| where TimeGenerated between (ago(7d)..now())
| project AnomalyDate, Operation, ResultCode, ModelVersion, Region
| evaluate diffpatterns(AnomalyDate, "OtherDates", "AnomalyDate", "~", 0.20)

Output: Tabell som viser hvilke dimensjoner (operation, resultcode, etc.) som varierer mest mellom normal og anomal periode.

Behavioral Baseline Detection

Etablering av Baseline

Smart detection etablerer automatisk behavioral baselines over tid:

1. Learning Period: Minimum 24 timer (ofte 7-14 dager for robust baseline)
2. Continuous Learning: Modellen oppdateres kontinuerlig med nye data
3. Context-Aware: Korrelerer med faktorer som load, tid på døgnet, ukedag
4. Adaptive Thresholds: Dynamiske terskler basert på historikk

Dynamic Thresholds for Metric Alerts

Azure Monitor tilbyr dynamiske terskler basert på maskinlæring for metric alerts:

{
  "criteria": {
    "allOf": [{
      "name": "AI Model Response Time",
      "metricName": "ResponseTime",
      "operator": "GreaterThan",
      "threshold": "dynamic",
      "sensitivity": "Medium",
      "failingPeriods": {
        "numberOfEvaluationPeriods": 4,
        "minFailingPeriodsToAlert": 3
      }
    }]
  }
}

Sensitivity levels:

• High: Lavere toleranse, fanger flere anomalier (mer false positives)
• Medium: Balansert (anbefalt for de fleste scenarioer)
• Low: Høyere toleranse, færre varsler

Behavioral Patterns for AI Systems

Spesifikke mønstre å overvåke for AI-systemer:

1. Input Anomalies

   • Uventede prompt-lengder
   • Høy forekomst av special characters
   • Repetitive patterns (potensielt angrep)

2. Output Anomalies

   • Plutselig endring i response-lengder
   • Avvik i token consumption patterns
   • Uventede confidence scores

3. Performance Anomalies

   • Latency spikes
   • Throughput degradation
   • Rate limit hits

4. Resource Anomalies

   • Abnormal compute usage
   • Memory consumption spikes
   • Storage I/O patterns

Drift Detection Patterns

Model drift er en spesiell form for anomaly detection kritisk for AI-systemer.

Data Drift Detection

Overvåk endringer i input-distribusjon:

// Detect distribution shifts i prompt-karakteristikker
let baseline_period = 7d;
let current_period = 1d;
let baseline = AIRequests
    | where TimeGenerated between (ago(baseline_period + current_period)..ago(current_period))
    | summarize
        AvgTokens=avg(PromptTokens),
        StdDevTokens=stdev(PromptTokens),
        P50=percentile(PromptTokens, 50),
        P95=percentile(PromptTokens, 95)
    | extend Period = "Baseline";
let current = AIRequests
    | where TimeGenerated > ago(current_period)
    | summarize
        AvgTokens=avg(PromptTokens),
        StdDevTokens=stdev(PromptTokens),
        P50=percentile(PromptTokens, 50),
        P95=percentile(PromptTokens, 95)
    | extend Period = "Current";
union baseline, current
| evaluate pivot(Period, sum(AvgTokens), sum(P50), sum(P95))
| extend
    AvgDrift = (Current_AvgTokens - Baseline_AvgTokens) / Baseline_AvgTokens * 100,
    P95Drift = (Current_P95 - Baseline_P95) / Baseline_P95 * 100
| where abs(AvgDrift) > 15 or abs(P95Drift) > 20 // Threshold: 15% avg eller 20% P95

Concept Drift Detection

Overvåk endringer i modell-utdata:

from azure.ai.anomalydetector import AnomalyDetectorClient
from azure.core.credentials import AzureKeyCredential

# Azure AI Anomaly Detector for univariate series
client = AnomalyDetectorClient(endpoint, AzureKeyCredential(api_key))

# Time series av confidence scores
series = [
    TimeSeriesPoint(timestamp=row[0], value=row[1])  # confidence score
    for row in data
]

request = UnivariateDetectionOptions(
    series=series,
    granularity=TimeGranularity.HOURLY,
    sensitivity=90
)

# Detect både anomalies og change points
anomaly_response = client.detect_univariate_entire_series(request)
changepoint_response = client.detect_univariate_change_point(request)

for i, (is_anomaly, is_changepoint) in enumerate(
    zip(anomaly_response.is_anomaly, changepoint_response.is_change_point)
):
    if is_changepoint:
        # Persistent shift - potential concept drift
        alert_drift(timestamp=series[i].timestamp)
    elif is_anomaly:
        # Temporary spike - potential transient issue
        alert_anomaly(timestamp=series[i].timestamp)

Alert Correlation

Korrelere Anomalier med Hendelser

Best practice er å korrelere anomalier med andre events:

// Korrelere performance anomalies med deployment events
let anomalies = AIRequests
    | where TimeGenerated > ago(7d)
    | make-series RequestRate=count() default=0 on TimeGenerated step 5m
    | extend (Anomalies, Score, Expected) = series_decompose_anomalies(RequestRate)
    | mv-expand TimeGenerated to typeof(datetime), Anomalies to typeof(double), Score to typeof(double)
    | where Anomalies != 0
    | project AnomalyTime=TimeGenerated, Score;
let deployments = AzureActivity
    | where OperationNameValue == "MICROSOFT.RESOURCES/DEPLOYMENTS/WRITE"
    | where ActivityStatusValue == "Success"
    | project DeploymentTime=TimeGenerated, ResourceGroup, Deployment=Properties.deployment;
anomalies
| join kind=inner (deployments) on $left.AnomalyTime == $right.DeploymentTime
| where abs(datetime_diff('minute', AnomalyTime, DeploymentTime)) < 30
| project AnomalyTime, DeploymentTime, Score, ResourceGroup, Deployment
| order by Score desc

Multi-Signal Correlation

Korrelere anomalier på tvers av signaler:

1. Application-level metrics (latency, throughput, errors)
2. Infrastructure metrics (CPU, memory, network)
3. Model metrics (confidence scores, token usage)
4. Security signals (authentication failures, suspicious patterns)

Action Groups for Automated Response

Konfigurer action groups for koordinerte responser:

{
  "actionGroups": [
    {
      "actionGroupId": "/subscriptions/{sub}/resourceGroups/{rg}/providers/Microsoft.Insights/actionGroups/AIAnomalyResponse",
      "webhookProperties": {
        "anomaly_type": "performance",
        "severity": "high",
        "auto_scale": "true"
      }
    }
  ]
}

Mulige actions:

• Email/SMS/Push notifications
• Webhook til incident management system
• Azure Function for automated remediation
• Logic App for workflow orchestration
• ITSM connector (ServiceNow, etc.)

Azure AI-Specific Detection

Defender for AI Services

Microsoft Defender for AI tilbyr spesialisert anomaly detection for AI-spesifikke trusler:

1. Jailbreak Attempt Detection

   • Mønstergjenkjenning av jailbreak-teknikker
   • Analyser prompt injection patterns
   • Korrelere med MITRE ATLAS framework

2. Model Inference Anomalies

   • Uvanlige API call patterns
   • Excessive inference requests
   • Suspicious input/output correlations

3. Data Exfiltration Patterns

   • Abnormal data access via model queries
   • High-volume low-latency requests
   • Sensitive data in prompts/responses

Aktivering:

Defender for AI aktiveres via Security Center:

# Azure CLI
az security pricing create \
  --name AIServices \
  --tier Standard \
  --subscription <subscription-id>

Azure AI Anomaly Detector Service

Dedikert service for anomaly detection (NB: Retired 1. oktober 2026 – bruk alternativene nedenfor):

Alternativer etter retirement:

1. Azure ML model monitoring – for model-spesifikk anomaly detection
2. Azure Monitor KQL-baserte funksjoner – for log-basert detection
3. Azure Stream Analytics – for real-time streaming anomaly detection
4. Custom models i Azure ML – for spesialiserte use cases

Real-Time Intelligence Anomaly Detection (Fabric)

For organisasjoner med Microsoft Fabric:

# Python plugin i Eventhouse
from synapse.ml.services import SimpleDetectAnomalies

anomaly_detector = (SimpleDetectAnomalies()
  .setTimestampCol("timestamp")
  .setValueCol("model_confidence")
  .setOutputCol("anomalies")
  .setGroupbyCol("model_name")
  .setGranularity("hourly"))

result = anomaly_detector.transform(df)
display(result.select("timestamp", "model_confidence", "anomalies.isAnomaly"))

Implementeringsmønster

1. Etabler Baseline (Uke 1-2)

// Etabler baseline for key metrics
AIRequests
| where TimeGenerated between (ago(14d)..now())
| summarize
    P50_Latency=percentile(Duration, 50),
    P95_Latency=percentile(Duration, 95),
    P99_Latency=percentile(Duration, 99),
    AvgTokens=avg(TotalTokens),
    ErrorRate=countif(Success == false) * 100.0 / count()
  by bin(TimeGenerated, 1h), ModelName
| render timechart

2. Konfigurer Anomaly Detection

# Opprett alert rule med dynamic threshold
az monitor metrics alert create \
  --name "AI-Latency-Anomaly" \
  --resource-group <rg> \
  --scopes <app-insights-id> \
  --condition "avg requests/duration > dynamic High 4 of 4" \
  --window-size 5m \
  --evaluation-frequency 1m \
  --action <action-group-id>

3. Implementer Root Cause Analysis Automation

# Azure Function triggered av alert
import azure.functions as func
from azure.monitor.query import LogsQueryClient

def main(req: func.HttpRequest) -> func.HttpResponse:
    alert_data = req.get_json()
    anomaly_time = alert_data['data']['context']['timestamp']

    # Query for root cause
    query = f"""
    AIRequests
    | where TimeGenerated between (datetime({anomaly_time}) - 30m .. datetime({anomaly_time}) + 30m)
    | summarize ErrorCount=countif(Success==false) by Operation, ResultCode
    | top 10 by ErrorCount desc
    """

    result = logs_client.query_workspace(workspace_id, query)

    # Send enriched alert
    send_enriched_alert(result)

4. Continuous Tuning

Juster sensitivitet basert på false positive rate:

• Hvis > 30% false positives: øk threshold eller sensitivity
• Hvis < 5% false positives: reduser threshold for tidligere detection
• Revurder baseline hver måned ved sesongrelaterte endringer

For Cosmo

Når anbefale anomaly detection

ALLTID anbefal for:

• Produksjons-AI-applikasjoner med høy trafikk
• AI-systemer med sensitive data eller compliance-krav
• Multimodal AI-løsninger med komplekse dependencies
• AI-agenter med autonom beslutningskraft

Ikke kritisk for:

• Proof-of-concepts under utvikling
• Lavtrafikks prototype-løsninger uten produksjonsdata

Platform-spesifikke anbefalinger

Plattform	Primær Metode	Sekundær Metode
Azure AI Foundry	Application Insights Smart Detection	KQL-baserte custom queries
Copilot Studio	M365 audit logs + KQL	Application Insights (via plugin)
Power Platform AI	Application Insights + Power Platform analytics	Custom Dataverse queries
Azure OpenAI Service	Application Insights + Defender for AI	Azure Monitor metric alerts

Arkitekturdialog

Spørsmål å stille:

1. "Hvilke typer avvik er viktigst å oppdage for deres AI-applikasjon – performance, sikkerhet, eller datakvalitet?"
2. "Har dere eksisterende alert-systemer dette må integreres med?"
3. "Hva er akseptabel responstid fra anomaly til varsling?"
4. "Trenger dere automated remediation eller kun notifikasjoner?"

Typiske trade-offs:

• Sensitivity vs. Alert Fatigue: Høyere sensitivitet gir flere false positives
• Real-time vs. Batch: Real-time detection krever mer ressurser
• Custom vs. Built-in: Custom ML-modeller gir bedre presisjon men høyere vedlikeholdskostnad

Kostnadsestimat

Anomaly detection koster primært via:

1. Log Analytics ingestion: ~NOK 30/GB
2. Application Insights: Inkludert i Basic-tier (gratis til 5 GB/mnd)
3. Alert rules: Gratis for første 10 metric alerts, NOK 1/mnd per ekstra
4. Action groups: Gratis for de fleste notification types

Tommelfingerregel: Budsjetter NOK 500-2000/mnd for typisk produksjons-AI-app med comprehensive anomaly detection.

---

Sources:

• Tutorial: Detect and analyze anomalies using KQL
• Smart detection in Application Insights
• Detect and mitigate potential issues using AIOps and machine learning
• Azure Monitor dynamic thresholds
• Microsoft Defender for AI Services
• Anomaly detection in Real-Time Intelligence (Fabric)
• Azure AI Anomaly Detector (retired Oct 2026)
• Azure Stream Analytics anomaly detection