Ferramentas de IA avaliadas para o seu trabalho
Ganhe treinando IA
🤝 Você está na biblioteca Grátis & Open Source — ferramentas feitas pela comunidade que você pode usar sem pagar. Um conceito diferente do nosso diretório de IA avaliado.
Início › Grátis & Open Source › Finanças › Orion
✦ Grátis & open sourceFinanças

Orion

Detecta anomalias não supervisionadas em séries temporais usando pipelines de aprendizado de máquina verificados e modelos de aprendizado profundo.

Biblioteca de Detecção de Anomalias em Séries Temporais Não Supervisionadas

Pipelines automatizados de aprendizado de máquina para detectar, pontuar e avaliar padrões raros em dados de séries temporais.

Grátis para sempre · open source · MIT
✓ Light setup✓ No navegador✓ Colaboração em tempo real
7.5
ZEKAI
Ferramenta de ML sob MIT para séries temporais
Grátis & open source · Finanças
Facilidade de configuração6
Utilidade8
Manutenção9.5
Comunidade6.5
★ 1,374
GITHUB
Oct 2026
ATUALIZADO
MIT
LICENÇA
🛠 Não quer hospedar você mesmo? Nós configuramos para você →
⚡ Resposta rápida

O Orion é uma biblioteca Python open-source desenvolvida pelo Data to AI Lab do MIT para detecção de anomalias não supervisionadas em séries temporais. Ela fornece pipelines de aprendizado de máquina pré-construídos, como AER e TadGAN, para sinalizar pontos de dados incomuns em sinais sequenciais. Analistas quantitativos, engenheiros de risco e cientistas de dados financeiros devem usá-la para detectar atividades de negociação anômalas, picos de métricas ou falhas em sinais de hardware.

Funciona em
Cross-platform
Hospedagem
Self-host
Idiomas
Python
Licença
MIT

O que é

A biblioteca executa pipelines automatizados de aprendizado de máquina que treinam com sinais históricos de séries temporais e retornam DataFrames do Pandas contendo horários de início, horários de término e pontuações de gravidade de anomalias. Ela inclui primitivas como AER, TadGAN e Autoencoders LSTM que superam os modelos de linha de base ARIMA padrão. Você pode ajustar configurações de pipeline em dados de sinal e realizar a detecção em streams recebidos usando chamadas simples em Python.

Para quem

É adequado para cientistas de dados, pesquisadores quantitativos e engenheiros financeiros que trabalham com Python, Pandas e fluxos de trabalho de aprendizado profundo. Não é adequado para analistas não técnicos que buscam uma interface gráfica pronta para uso ou não programadores que precisam de um aplicativo web pré-construído. Equipes sem capacidades de desenvolvimento em Python não poderão usar as primitivas brutas da biblioteca diretamente.

Recursos principais

Pipelines de ML Verificados

Inclui primitivas pré-configuradas como AER, TadGAN, Autoencoders LSTM e VAEs ajustados para dados de sinais sequenciais.

API de Fit and Detect Padronizada

Usa uma interface orientada a objetos uniforme para treinar modelos em sinais históricos e gerar janelas de anomalias previstas.

Framework de Benchmarking Integrado

Compara a precisão de detecção do pipeline com modelos estatísticos de linha de base como ARIMA em vários datasets de referência (ground-truth).

Integração de Dados com Pandas

Ingere dataframes de séries temporais diretamente e retorna anomalias detectadas formatadas como DataFrames do Pandas estruturados.

Como começar

Pronto em 3 passos

1
Instale a biblioteca em Python 3.8+ usando `pip install orion-ml`.
2
Carregue o sinal da sua série temporal em um DataFrame do Pandas com colunas de timestamp e value.
3
Inicialize um pipeline do Orion como `aer`, chame `orion.fit()` nos dados históricos e execute `orion.detect()` em novos sinais.
Falando sério

Nosso veredito honesto

Pontos fortes

  • Supera as linhas de base tradicionais de ARIMA em datasets de benchmark padrão usando modelos como AER e TadGAN.
  • Simplifica a execução do pipeline agrupando algoritmos complexos de aprendizado profundo em objetos Python padrão.
  • Retorna janelas de tempo precisas juntamente com pontuações quantitativas de gravidade de anomalias no formato DataFrame.
  • Suportado por pesquisas contínuas do Data to AI Lab do MIT.

Onde deixa a desejar

  • Atualmente em status de desenvolvimento pré-alpha, o que pode levar a alterações na API ou avisos de dependência.
  • Primitivas de aprendizado profundo como GANs e Autoencoders exigem recursos de GPU e orçamentos de computação para treinar efetivamente.
  • Falta um painel gráfico integrado, exigindo código Python personalizado para monitoramento e fluxos de trabalho de alerta visual.
  • Requer experiência de domínio para selecionar pipelines e ajustar hiperparâmetros para sinais financeiros complexos.
Custo

Preços & licença

O Orion é totalmente gratuito e open-source sob a Licença MIT. Não há níveis pagos ou atualizações corporativas oferecidas pelos mantenedores. Seus custos dependem inteiramente da infraestrutura de servidor e GPU necessária para treinar e executar seus modelos.

Trabalho remunerado

Vagas para quem fala português

877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.

Ver todas as vagas abertas →
Comparar

Alternativas

🎁 Alternativas grátis & open source

Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.

Saiba mais

Use, ou deixe que a gente configure

📄 PDF grátis: Orion para Finanças
Um guia em linguagem simples para o seu primeiro resultado. Enviado ao seu e-mail.
🔔 64 pessoas querem um tutorial em vídeo completo — adicione seu voto
🛠 Não quer configurar você mesmo?
Nós instalamos, hospedamos e configuramos o Orion para você — e treinamos sua equipe.
Deixe com a gente ↗
Perguntas

FAQ

Qual formato de dado o Orion espera?

O Orion espera dados de séries temporais em formato tabular com colunas `timestamp` e `value`.

Qual pipeline tem melhor desempenho para detecção de anomalias em séries temporais?

De acordo com o leaderboard de benchmark do projeto, o pipeline Auto-Encoder com Regressión (AER) alcança a maior taxa de vitórias contra as linhas de base ARIMA.

É necessário hardware de GPU para executar o Orion?

Embora primitivas estatísticas leves sejam executadas na CPU, pipelines neurais como TadGAN e AER exigem computação em GPU para tempos de treinamento práticos em sinais grandes.

Radar

Últimas notícias de IA

✉️ O kit gratuito semanal
As melhores novas ferramentas grátis & open source para Finanças — um e-mail curto por semana, no seu idioma.
Grátis · 1 e-mail/semana · cancele quando quiser
Ganhe dinheiro treinando IA →

Veja o Zekai primeiro no Google