Caso de uso · Times que rodam modelos de ML em produção.
MLOps
APMs padrão não entendem drift por feature / latência de inferência.
O que o Unimoni oferece
Ingest OTLP + métricas custom via SDK. Detecção de anomalia para sinais de drift.
Na prática
- ✓Receiver OTLP
- ✓Métricas custom via REST ou OTLP
- ✓Regras de anomalia: valor atual vs baseline com threshold σ
- ✓Multi-região para deploys multi-modelo
Como funciona
Métricas arbitrárias
O receiver OTLP e o REST aceitam métricas custom do modelo: latência de inferência, drift por feature, profundidade da fila de inferência.
Anomalias
As regras de anomalia comparam o valor atual com um baseline por threshold σ — um sinal de drift dispara sem thresholds ajustados à mão.
Escala
Multi-região para deploys multi-modelo; o preço não cresce com o número de features nem com a cardinalidade delas.