Detektori i kanonski problemi

Arhitektura detektora

Detektor (Detector)

Detector je algoritam koji analizira zadani skup podataka i daje formaliziran nalaz.

Detektor ne upravlja izvršavanjem i ne generira proizvoljan tekst. Izlaz detektora ima strukturiran format.

detector_id: archive.tail_gap.v3
detector_version: '3.2.1'
run_id: 'run-20260723-0400'
asset_id: 'station-5690'
observed_at: '2026-07-23T04:00:00Z'

finding:
  canon: no_hourly_archive
  detected: true
  severity: critical
  confidence: 0.98
  value: 73
  unit: 'hours'
  threshold: 24
  baseline: 0

evidence:
  last_valid_hour: '2026-07-20T03:00:00Z'
  expected_end: '2026-07-23T04:00:00Z'
  missing_hours: 73

Lanac Detector → Canon → Issue

flowchart TD
  D["Detector"] -->|"klasifikacija"| C["Canon"]
  C -->|"upravljanje"| I["Operational Issue"]

• Detector – konkretan algoritam;
• Canon – stabilan tip operativnog problema;
• Operational Issue – pojava problema u konkretnom kontekstu.

Isti kanonski problem može potvrditi nekoliko različitih detektora.

Primjer:

flowchart TD
  D1["archive.tail_gap.v3"] --> CANON["no_hourly_archive"]
  D2["archive.coverage.v2"] --> CANON
  D3["archive.delivery_queue.v1"] --> CANON
  D4["session.freshness.v4"] --> CANON
  CANON --> ISSUE["OHM-2026-001842"]

Klase detektora

Zahtjevi za svaki detektor

Svaki detektor u produkcijskom okruženju ima:

• jedinstveni identifikator detector_id;
• semantičku verziju;
• definiranu namjenu;
• vlasnika;
• opis ulaznih podataka;
• kontrolirane pragove;
• pravila izuzimanja;
• zahtjeve za minimalnu veličinu uzorka;
• kontrolne točke kvalitete podataka (DQ gates);
• formulu za izračunavanje ozbiljnosti;
• formulu za izračunavanje razine pouzdanosti;
• odgovarajući kanonski problem;
• skup dokaza (Evidence);
• testove;
• kontrolni uzorak;
• procjenu lažno pozitivnih rezultata;
• datum puštanja u rad;
• dnevnik izmjena;
• režim isključivanja i vraćanje na prethodnu verziju.

Kontrolne točke kvalitete podataka

Detektor ne smije davati visoku razinu pouzdanosti ako su izvorni podaci nepotpuni ili proturječni.

Primjeri kontrolnih točaka:

Stanje detektora

OHM prati kvalitetu samih detektora.

Ključni pokazatelji:

• broj aktiviranja;
• udio potvrđenih aktiviranja;
• stopa lažno pozitivnih rezultata;
• udio ručnih otkazivanja;
• udio ponovnih otvaranja;
• raspodjela razina pouzdanosti;
• drift ulaznih podataka;
• promjena strukture uzorka;
• prosječno vrijeme do potvrde;
• verzija algoritma;
• broj aktivnih problema po verziji.

Kanonski problemi (Canon)

Canon je stabilna poslovna klasifikacija problema koja ne ovisi o konkretnoj implementaciji detektora.

Zašto su potrebni kanonski problemi

Bez kanonskih problema analitički se sustav brzo izrodi u skup neusklađenih poruka:

• archive_missing
• no_archive
• archive_gap
• hourly_data_absent
• delivery_error

Kanonski problem objedinjuje sve ove ekvivalentne signale pod jednim identifikatorom: canon: no_hourly_archive.

To osigurava:

• jedinstveni tijek rada;
• jedinstveni sporazum o razini usluge (SLA);
• preglednu analitiku;
• stabilne ključne pokazatelje uspješnosti (KPI);
• zajedničku bazu znanja;
• usporedivost između verzija;
• prijevod sučelja bez izmjena u logici;
• integraciju s vanjskim sustavima.

Struktura kanonskog problema

canon_id: no_hourly_archive
name: 'Hourly archive is missing'
domain: archive
default_owner_zone: backend_integration
default_priority: P1
actionable: true
verification_mode: data
sla_policy: archive_p1
suppression_group: communication_archive
knowledge_tags:
  - archive
  - delivery
  - communication

Osnovni skup kanonskih problema

Verzioniranje kanonskih problema

Izmjena teksta ili prijevoda ne zahtijeva promjenu identifikatora.

Nova verzija kanonskog problema potrebna je kada se promijeni bilo što od sljedećeg:

• poslovno značenje;
• pravilo dodjele;
• kriterij potrebe za postupanjem;
• način verifikacije;
• SLA načelo;
• logika spajanja s drugim problemima.

Analitika kvalitete detektora

Operational Health Matrix ne ocjenjuje samo opremu, nego i kvalitetu vlastitih analitičkih algoritama.

Za svaki detektor sustav izračunava:

• točnost;
• preciznost;
• odziv;
• stopu lažno pozitivnih rezultata;
• stopu lažno negativnih rezultata;
• prosječnu razinu pouzdanosti;
• drift;
• stabilnost;
• prosječno vrijeme verifikacije;
• stopu prihvaćanja.

Ovakav pristup omogućuje stalno unaprjeđivanje analitičkog modela podsustava Data Platform bez narušavanja ponovljivosti rezultata.

Sam portfelj detektora razvija se prema planu po fazama: novi se detektori uvode u valovima, a svaki je val uvjetovan spremnošću API sučelja platforme na koja se oslanja.