· AI Engineer World's Fair 2026
Обучаемые графы выполнения для обнаружения аномалий и дрейфа в API
Learned Execution Graphs for Anomaly Detection & Drift in APIs — Ritvik Pandya, JP Morgan Chase
Если представить обработку платёжного запроса как короткоживущий граф выполнения, можно локализовать задержку в отдельном узле и отличить разовую аномалию от дрейфа.
- Двухуровневая проверка — запрос сначала сверяется с базовой линией всего пути, и только при отклонении запускается глубокий анализ по KL-дивергенции и экспоненциальному скользящему среднему. Так экономятся ресурсы и снижается число ложных тревог.
- Базовые линии по клиентам и типам платежей — у каждого клиента и вида операций свой порог, например для платежей реального времени и wire-переводов. Общий порог для всех POST-запросов, по словам спикера, создаёт много шума.
- Три типа дрейфа — структурный (добавлен или удалён узел), объёмный (сервис не справляется с нагрузкой) и ковариатный (выросла доля зарубежных запросов при неизменной системе). Каждый тип требует своего действия: масштабирования, асинхронного вызова или нового базового уровня.
- Телеметрия вне критического пути — трейсы OpenTelemetry асинхронно уходят в Kafka с tail-based sampling; по словам спикера, время обнаружения проблем заметно сократилось. Изменения сначала раскатываются на 5–10% узлов, затем на все.
Кому полезно: тем, кто строит мониторинг синхронных API с множеством сервисов и хочет получать алерты с локализацией до конкретного узла.
Статья по теме
На какие вопросы отвечает доклад
Как понять, какой шаг обработки запроса тормозит, если общее время ответа выросло?
Запрос описывается как DAG из узлов, у каждого узла своя базовая линия. Отклонение локализуется до конкретного узла, например сервиса курсов валют; если задержка во всех узлах, причина общая.
▶ 5:16Отклонения от базовых показателей и локализация первопричин на уровне узловКак отличить разовую аномалию в API от постепенного дрейфа задержек?
Аномалия это единичное отклонение, дрейф это устойчивое изменение. Дрейф делят на структурный (добавлен или удалён шаг), нагрузочный (сервис не тянет объём) и ковариатный (сменился состав клиентов, например доля внешних запросов), и для каждого нужен свой ответ.
▶ 8:01Дрейф, изменяющиеся базовые показатели и ковариатыКак уменьшить ложные алерты о задержках, если клиенты отличаются по времени ответа?
Базовые линии строятся отдельно для каждого клиента и типа платежа, отклонения оцениваются через KL-дивергенцию и экспоненциальное скользящее среднее. Сначала проверка по сквозной базовой линии, глубокий анализ только при отклонении.
▶ 2:30Многоуровневые проверки, базовые показатели клиентов и расхожденияКак собирать трассировки из платёжного API, не замедляя обработку запросов?
Данные OpenTelemetry отправляются асинхронно через Kafka, поверх работает потоковый анализ. Горячий путь даёт быстрое решение, а более медленный путь даёт точный разбор.
▶ 12:41Конвейеры OpenTelemetry, Kafka и асинхронная оценкаКак быстрее обнаруживать дрейф производительности, если окна сравнения получаются слишком длинными?
Вместо нескольких окон используется одно окно и детектор ADWIN для подтверждения дрейфа, после чего проблема классифицируется. По словам спикера, это заметно сократило время обнаружения.
▶ 16:08Выборка, базовые показатели для платежей и объяснимость
Главы
Похожие доклады
О транзакции судят по её окружению
AI Engineer NYC 2026 Online Talks
Близко по содержанию
Обнаружение и устранение сбоев ETL-пайплайнов с помощью агента на основе RL
AI Engineer World's Fair 2026
Близко по содержанию
Создание безопасной платёжной инфраструктуры для экономики автономных агентов
AI Engineer Europe 2026
Близко по содержанию
Платформа observability, оценки и экспериментов для LLM
AI Engineer Europe 2026
Близко по содержанию

