LegközelebbKövetkező útmutató
AI anomália észlelése
Alkalmazások
Alapok ÚTMUTATÓ
Az anomália-észlelés az a gyakorlat, amikor a gépeket megtanítják olyan adatpontok megjelölésére, amelyek élesen eltérnek a normál mintáktól.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert ritka, váratlan események – csalás, berendezéshiba, behatolások – gyakran elrejtőznek rutinszerű adatokkal teli óceánokban, amelyeket az emberek kézzel nem tudnak beszkennelni.
Az anomália-észlelés azonosítja azokat a megfigyeléseket, amelyek nem felelnek meg az elvárt viselkedésnek, amelyeket gyakran kiugrónak, újdonságnak vagy kivételnek neveznek. A legtöbb megközelítés először megtanulja, hogyan néz ki a „normál”, majd új adatokat szerez a tévedés mértéke alapján. A statisztikai módszerek néhány szórást meghaladó zászlópontokat jeleznek; távolság alapú módszerek, mint például a k-legközelebbi szomszédok jelölik meg a társaitól távoli pontokat; sűrűségmódszerek, mint például a helyi kiugró tényező jelzőpontjai a ritka régiókban. A gépi tanulás hozzáadja az Isolation Forests-t, amely kihasználja azt a tényt, hogy az anomáliákat könnyű elkülöníteni néhány véletlenszerű felosztással, valamint az automatikus kódolókat, amelyek jól rekonstruálják a normál adatokat, de a szokatlanokon kudarcot vallanak. Az alapvető kihívás az, hogy az anomáliák ritkák és gyakran nem jelölődnek, ezért a modelleknek többnyire a normális példákból kell tanulniuk, és el kell viselniük a „normális” kétértelmű, fejlődő definícióit.
A hitelkártya-hálózatok másodpercekkel a kártya belföldi felhasználása után jelzik a külföldi országban végrehajtott tranzakciókat, így a vásárlás előtt leállítják a csalás valószínűségét.
A gyári érzékelők érzékelik a rendellenes vibrációt vagy hőmérsékletet a motorban, és megjósolják a csapágy meghibásodását napokkal azelőtt, hogy meghibásodás leállítaná a vezetéket.
A kiberbiztonsági eszközök észreveszik, hogy egy szerver hajnali 3 órakor hirtelen gigabájtokat küld egy ismeretlen IP-címre, jelezve ezzel az esetleges adatszivárgást.
A kórházi monitorok szabálytalan szívritmust észlelnek a folyamatos EKG-adatokban, figyelmeztetve a klinikusokat a kialakuló aritmiára.
Az észlelés a valós idejű adatfolyam felé halad a szélső eszközökön, így az anomáliák ezredmásodperceken belül jelennek meg, nem pedig a kötegelt elemzés után. A mély tanulás és a gráf neurális hálózatok egyre gyakrabban ragadnak meg olyan finom, többváltozós mintákat, mint például az összehangolt csalási gyűrűk. Az önfelügyelt és alapozó modellek olyan rendszereket ígérnek, amelyek idővel „normális” sodródásként alkalmazkodnak, csökkentve a kézi újrahangolást. A magyarázhatóság is prioritás: a csapatok olyan modelleket szeretnének, amelyek nem csak azt mondják, hogy valami rendellenes, hanem azt is, hogy mely jellemzők váltották ki a riasztást, így az elemzők magabiztosan cselekedhetnek.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az anomália-észlelés az a gyakorlat, amikor a gépeket megtanítják olyan adatpontok megjelölésére, amelyek élesen eltérnek a normál mintáktól. Ez azért fontos, mert a ritka, váratlan események – csalás, berendezés meghibásodása, behatolás – gyakran olyan rutinadatok óceánjaiban rejtőznek, amelyeket az emberek nem tudnak kézzel beolvasni.
Mivel a valódi anomáliák ritkán fordulnak elő és nehezen címkézhetők, a modellek általában megtanulják, hogyan néz ki a normális, és megjelölik az ettől való eltéréseket.
A kiugró értékeket könnyű elválasztani a többi adattól, így kevesebb partícióval izolálódnak, ami rövid átlagos útvonalhosszt eredményez.
A normál adatokra oktatott autoencoder jól rekonstruálja a normál bemeneteket, de nagy rekonstrukciós hibát produkál a szokatlanokon.
A LOF a szomszédokhoz képest ritka, kis sűrűségű régiókban elhelyezkedő pontokat anomáliákként jelzi.
A viselkedés fejlődik, tehát ami normális műszaknak számít, és a modelleknek alkalmazkodniuk kell, vagy át kell képezniük őket a téves riasztások elkerülése érdekében.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI anomália észlelése
Alkalmazások