Система обнаружения аномалий и оповещений в реальном времени

Разработай законченную систему обнаружения аномалий и оповещений для мониторинга метрик в реальном времени.

Используй входные данные:
- business_domain: {business_domain}
- key_metrics: {key_metrics}
- anomaly_types: {anomaly_types}
- time_window: {time_window}
- notification_system: {notification_system}

Верни ответ только на русском языке и только в разделах 1–12:
1. Краткое резюме решения.
2. Предположения и входные данные, включая напоминание заменить placeholders на реальные значения.
3. Архитектура системы: ingest, обработка, хранилище, детектор, оповещения, аудит и масштабирование.
4. Алгоритмы обнаружения: минимум 2–3 подхода с формулами, гиперпараметрами, признаками, подготовкой данных, сложностью и задержкой.
5. Пороговые значения и адаптивные пороги: статические, адаптивные и сезонные правила.
6. Правила оповещений и уровни серьёзности: Low, Medium, High, Critical.
7. Эскалация и интеграция с notification_system: workflow, payload и шаблоны сообщений.
8. Методы снижения ложных срабатываний: голосование детекторов, контекстные фильтры, hysteresis, debounce и целевые KPI.
9. Тестирование и валидация: backtest, синтетические аномалии, A/B-проверки и критерии запуска.
10. Псевдокод и примеры конфигураций: логика детектора, alert payload, пример webhook или API-вызова.
11. Эксплуатация и сопровождение: логирование, ретренинг, watchdog-метрики и действия при всплеске ложных алертов.
12. Один иллюстративный сценарий со значениями placeholders, проходящий путь от обнаружения до эскалации.

Дополнительные правила:
- Везде используй конкретные числа, формулы, параметры и допустимые диапазоны.
- Для каждого ML-подхода укажи требования к данным, обучению и инференсу.
- Не задавай уточняющих вопросов и не добавляй разделов вне списка 1–12.