Che cos'è il rilevamento delle anomalie e in che modo può apportare vantaggi alla tua azienda?

Il rilevamento delle anomalie può aiutarti a identificare le tendenze imminenti prima dei tuoi concorrenti. Può segnalare transazioni fraudolente monitorando il traffico dei negozi online e individuare la violenza nei luoghi pubblici, dando al tuo team di sicurezza la possibilità di interferire prima che le persone si facciano male.

Interessato? Esistono società dedicate al rilevamento di anomalie che possono aiutarti a creare e integrare software personalizzato su misura per individuare deviazioni comportamentali nel tuo settore operativo.

Allora, cos'è il rilevamento delle anomalie? Come funziona? E come puoi incorporarlo nei processi e nei flussi di lavoro della tua azienda?

Panoramica dei contenuti

• Cos'è il rilevamento delle anomalie?
• Come funziona il rilevamento delle anomalie?
• Casi d'uso del rilevamento di anomalie chiave
• Iniziare con il rilevamento delle anomalie
• Come ITRex può aiutare nel rilevamento delle anomalie

Cos'è il rilevamento delle anomalie?

Il rilevamento delle anomalie è un tipo di data mining che analizza i dati di un'azienda per rilevare punti dati che si discostano dalla linea di base stabilita (ad esempio, il comportamento standard del set di dati). Questi valori anomali indicano in genere incidenti, come guasti tecnici nelle apparecchiature, cambiamenti nelle preferenze dei clienti e altri tipi di anomalie, consentendo alle aziende di agire prima che il danno venga fatto.

Cos'è un'anomalia?

Un'anomalia è un punto dati incoerente che si discosta da uno schema familiare. Anche se non rappresenta sempre una preoccupazione significativa, vale la pena indagare per prevenire possibili escalation. Ad esempio, un picco nelle vendite di prodotti può essere il risultato di una campagna di marketing di successo, oppure può indicare un cambiamento nelle tendenze e nel comportamento dei clienti, al quale le aziende dovranno adattarsi.

Le anomalie dei dati aziendali rientrano in tre categorie di valori anomali:

• Un valore anomalo globale è un punto dati che si trova in modo anomalo lontano dal resto dei dati. Supponiamo che tu riceva $ 7.000 sul tuo conto bancario ogni mese. Se all'improvviso ricevessi un trasferimento di $ 50.000, si tratterebbe di un valore anomalo globale.
• Un valore anomalo contestuale si discosta dal resto dei dati all'interno dello stesso contesto. Ad esempio, se vivi in ​​un paese dove di solito nevica in inverno e il clima è caldo in estate, le forti nevicate in inverno sono normali. Ma sperimentare una nevicata durante l’estate sarebbe un’anomalia contestuale.
• Un valore anomalo collettivo si verifica quando un sottoinsieme di punti dati si discosta dall'intero set di dati. Ad esempio, se osservi cali insoliti nelle vendite di diversi prodotti apparentemente non correlati, ma poi ti rendi conto che sono in qualche modo collegati, le tue osservazioni verranno combinate in un unico valore anomalo collettivo.

Perché abbiamo bisogno dell’intelligenza artificiale per il rilevamento delle anomalie?

La maggior parte delle aziende ha a che fare con grandi volumi di dati strutturati e non strutturati, questi ultimi comprendono fino al 90% delle informazioni generate all'interno dell'azienda. È impossibile elaborare manualmente tutte queste informazioni e generare approfondimenti significativi, soprattutto se parliamo di dati non strutturati, costituiti da immagini, transazioni, testo in formato libero, ecc.

La ricerca mostra che le tecniche di machine learning (ML) sono la scelta migliore per l'elaborazione di grandi set di dati non strutturati. Questo campo ha un ampio numero di algoritmi e puoi selezionare quello che preferisci. Puoi anche combinare diverse tecniche ML per risultati ottimali.

Come funziona il rilevamento delle anomalie?

Esistono tre tipi principali di tecniche di rilevamento di anomalie basate su AI e ML.

• Rilevamento supervisionato delle anomalie . Qui, i modelli ML vengono addestrati e testati con un set di dati completamente etichettato contenente comportamenti normali e anomali. L'approccio funziona bene quando si rilevano deviazioni che facevano parte di un set di dati di addestramento, ma la tecnologia inciampa di fronte a una nuova anomalia che non ha visto durante l'addestramento. Le tecniche supervisionate richiedono impegno manuale e competenze nel settore poiché qualcuno ha bisogno di etichettare i dati.
• Rilevamento anomalie non supervisionato . Questo metodo non richiede l'etichettatura manuale dei dati. I modelli presuppongono che solo una piccola percentuale di dati che differiscono significativamente dal resto dei dati costituisca anomalie. Le tecniche non supervisionate possono comunque eccellere nell'identificare nuove anomalie di cui non hanno assistito durante l'addestramento perché rilevano valori anomali in base alle loro caratteristiche piuttosto che a ciò che hanno imparato durante l'addestramento. Tuttavia, questi algoritmi sono piuttosto complessi e la loro architettura è una scatola nera, il che significa che gli utenti non riceveranno alcuna spiegazione su come lo strumento ha preso le sue decisioni.
• Rilevamento anomalie semi-supervisionato . Queste tecniche coinvolgono dati sia etichettati che non etichettati, il che riduce le spese dell'annotazione manuale. Inoltre, un modello di rilevamento delle anomalie semi-supervisionato può comunque apprendere dopo la distribuzione e rilevare anomalie che non ha rilevato durante l'addestramento. Come nel caso delle tecniche non supervisionate, questi modelli possono funzionare anche con dati non strutturati.

Metodi di rilevamento delle anomalie basati sull'intelligenza artificiale

Il rilevamento delle anomalie si basa sull'intelligenza artificiale (AI) e sui suoi sottotipi, incluso il ML. Ecco cinque tecniche di ML che vengono spesso utilizzate in questo contesto.

Codificatori automatici

Gli autocodificatori sono reti neurali artificiali non supervisionate che comprimono i dati e poi li ricostruiscono per assomigliare il più possibile alla forma originale. Questi algoritmi possono ignorare efficacemente il rumore e ricostruire testo, immagini e altri tipi di dati. Un codificatore automatico è composto da due parti:

• Encoder, che comprime i dati di input
• Decoder, che decomprime i dati in prossimità della loro forma originale

Quando usi un codificatore automatico, presta attenzione alla dimensione del codice, poiché determinerà il tasso di compressione. Un altro parametro importante è il numero di strati. Con meno livelli, l'algoritmo sarà più veloce, ma potrebbe funzionare su meno funzionalità.

Reti bayesiane

Questa tecnica è un tipo di modello probabilistico basato su grafico che calcola la probabilità sulla base dell'inferenza bayesiana. I nodi in un grafico corrispondono a variabili casuali, mentre i bordi rappresentano dipendenze condizionali che consentono al modello di fare inferenze.

Le reti bayesiane vengono utilizzate nella diagnostica, nella modellazione causale, nel ragionamento e altro ancora. Nel rilevamento delle anomalie, questo metodo è particolarmente utile per rilevare piccole deviazioni difficili da individuare utilizzando altre tecniche. Questo metodo può anche tollerare dati mancanti durante l'addestramento e avrà comunque prestazioni solide se addestrato su set di dati di piccole dimensioni.

Modelli basati sulla densità

Si tratta di una tecnica di clustering ML non supervisionata che rileva modelli basandosi esclusivamente sulla posizione spaziale e sulle distanze tra i vicini. Confronta il valore di densità di un punto dati con la densità dei punti dati vicini. Un valore anomalo (un'anomalia) avrà un valore di densità inferiore rispetto ad altre popolazioni di dati.

Supporto macchina vettoriale (SVM)

Si tratta di un algoritmo ML supervisionato comunemente utilizzato per la classificazione. Tuttavia, le estensioni SVM possono funzionare anche in un ambiente non supervisionato. Questa tecnica utilizza gli iperpiani per dividere i punti dati in classi.

Anche se SVM in genere funziona con due o più classi, nel rilevamento delle anomalie può analizzare problemi di una sola classe. Apprende "la norma" per questa classe e determina se un punto dati può appartenere a questa classe o se è un valore anomalo.

Modelli di miscela gaussiana (GMM)

GMM è una tecnica di clustering probabilistico. Questa tecnica classifica i dati in diversi cluster in base alla distribuzione di probabilità. Si presuppone che i punti dati appartengano a un mix di distribuzioni gaussiane con parametri sconosciuti e rileva anomalie individuando i dati nelle regioni a bassa densità.

Casi d'uso del rilevamento di anomalie chiave

Ora che sai come funziona il rilevamento delle anomalie dietro le quinte e le tecniche di intelligenza artificiale su cui si basa, è il momento di studiare alcuni esempi di rilevamento di anomalie in diversi settori.

Rilevazione di anomalie in ambito sanitario

Il rilevamento delle anomalie può avvantaggiare il settore medico aiutando i medici a identificare eventuali problemi di salute dei pazienti, rilevare l’escalation nei pazienti ricoverati, avvisare il personale medico prima che sia troppo tardi e aiutare nella diagnosi e nella selezione del trattamento. Tutto ciò riduce il lavoro manuale e il carico cognitivo che i medici sperimentano.

Tuttavia, il rilevamento delle anomalie presenta sfide uniche nel settore sanitario.

Un problema è che può essere difficile stabilire la linea di base (cioè il comportamento normale) quando si tratta di diversi diagrammi medici. Ad esempio, l'elettroencefalogramma di una persona sana varia in base alle caratteristiche individuali. I ricercatori hanno identificato notevoli variazioni nei bambini, mentre negli adulti esistono differenze a seconda della fascia di età e del sesso.

Un altro aspetto è che i modelli ML devono essere estremamente accurati, poiché la vita delle persone dipenderà dalle loro prestazioni.

Gli algoritmi di rilevamento delle anomalie mediche possono analizzare le seguenti informazioni:

• Segni vitali e altri parametri misurati da dispositivi medici IoT
• Immagini mediche, come radiografie e scansioni TC, che mostrano segni di tumori benigni e maligni, infezioni e altre condizioni di salute
• Risarcimenti all'assicurazione sanitaria, aiutando a identificare e bloccare qualsiasi attività fraudolenta. Questo potrebbe rappresentare un punto di svolta nell’assicurazione medica poiché fino al 10% delle spese annuali di Medicare e Medicaid sono attualmente destinate a richieste di risarcimento fraudolente

Un esempio di rilevamento di anomalie proviene da un gruppo di ricerca in Sud Africa. Hanno combinato con successo l’autocodificatore e le tecniche di potenziamento del gradiente estremo per monitorare le variabili fisiologiche dei pazienti COVID-19 e rilevare eventuali anomalie che indicherebbero un degrado della salute.

Un altro team si è concentrato non solo sul rilevamento delle anomalie, ma anche sulla spiegazione del motivo per cui lo strumento le ha contrassegnate come tali. Quindi, in primo luogo, hanno utilizzato tecniche di rilevamento delle anomalie per individuare le deviazioni e quindi hanno implementato algoritmi di estrazione degli aspetti per delineare una serie di funzionalità in cui un determinato punto dati è considerato un valore anomalo.

Rilevamento di anomalie nell'intrattenimento

Gli ambienti sportivi e di intrattenimento si affidano a un ampio monitoraggio della sicurezza basato su video con centinaia di telecamere. Pertanto, non sarebbe possibile per le squadre di sicurezza individuare e reagire in tempo agli incidenti se il filmato fosse rivisto manualmente. Grazie al ML, gli algoritmi possono analizzare lo streaming video di ciascuna telecamera della struttura e rilevare violazioni della sicurezza.

Man mano che i modelli ML continuano ad apprendere sul lavoro, potrebbero individuare minacce e violazioni che i tuoi operatori umani non avrebbero potuto notare. Questi algoritmi sono in grado di rilevare atti di vandalismo, disordini tra gli spettatori, fumo, oggetti sospetti e altro, e allertare il personale di sicurezza in modo che abbia il tempo di agire e prevenire responsabilità e danni alla reputazione.

Uno di questi progetti esce direttamente dal nostro portfolio. Una società di intrattenimento con sede negli Stati Uniti con sale da gioco sparse in tutto il paese si è rivolta a ITRex per creare una soluzione di rilevamento di anomalie basata sul machine learning da integrare nel proprio sistema di videosorveglianza basato su cloud. Questa applicazione rileva qualsiasi comportamento pericoloso e violento, come la rottura delle slot machine. Semplificherebbe inoltre il processo amministrativo individuando gli oggetti dimenticati e le macchine fuori servizio.

Il nostro team ha creato un modello ML personalizzato utilizzando un codificatore automatico variazionale. Abbiamo aggregato un set di dati di formazione di 150 video che descrivono violenza fisica e danni alla proprietà e abbiamo preelaborato questi video con il framework OpenCV. Quindi, ci siamo affidati alla libreria torchvision per normalizzare e aumentare i dati e li abbiamo utilizzati per addestrare l'algoritmo ML.

La soluzione risultante si basava sulla convalida incrociata per individuare le anomalie. Ad esempio, potrebbe identificare le slot machine malfunzionanti “leggendo” il messaggio di errore sullo schermo e confrontandolo con i modelli di schermate disponibili. La soluzione finale si integrava perfettamente nel sistema di sicurezza basato su cloud del cliente, monitorava le slot machine 24 ore su 24, 7 giorni su 7 e avvisava il personale di sicurezza ogni volta che rilevava un'anomalia.

Rilevamento di anomalie nella produzione

Man mano che i processi produttivi diventano sempre più automatizzati, i macchinari diventano più complessi e le strutture diventano più grandi. Di conseguenza, gli approcci tradizionali di monitoraggio non sono più sufficienti.

Le tecniche di rilevamento delle anomalie possono rappresentare diverse deviazioni dalla norma nella tua struttura e avvisarti prima che si intensifichino e persino imparare a distinguere tra problemi minori e preoccupazioni urgenti.

I vantaggi del rilevamento delle anomalie nel settore manifatturiero sono numerosi. Questi strumenti possono individuare i seguenti problemi:

• Malfunzionamento dell'attrezzatura . In collaborazione con i sensori dell’Internet of Things (IoT) di produzione, gli algoritmi AI possono monitorare vari parametri del dispositivo, come vibrazioni, temperatura, ecc., e rilevare eventuali deviazioni dalla norma. Tali cambiamenti possono indicare che l'apparecchiatura è sovraccarica, ma può anche significare l'inizio di un guasto. L'algoritmo contrassegnerà l'apparecchiatura per un'ulteriore ispezione. Questa è anche chiamata manutenzione predittiva.
• Sottoutilizzo delle attrezzature . Le soluzioni di rilevamento delle anomalie basate su ML possono vedere quali dispositivi rimangono inattivi per un periodo prolungato e sollecitare l'operatore a bilanciare la distribuzione del carico.
• Pericoli per la sicurezza . Monitorando i feed delle telecamere di sicurezza, il software di rilevamento delle anomalie può individuare i dipendenti che non rispettano i protocolli di sicurezza della fabbrica, mettendo a rischio il loro benessere. Se i tuoi dipendenti utilizzano dispositivi indossabili per il monitoraggio della sicurezza, ML può analizzare i dati dei sensori per individuare i lavoratori esausti e malati e incoraggiarli a fare una pausa o a uscire per quel giorno.
• Questioni infrastrutturali . Gli algoritmi ML sono in grado di rilevare perdite di acqua o gas e qualsiasi altro danno infrastrutturale e avvisare il responsabile del sito corrispondente.

Un esempio di soluzione per il rilevamento di anomalie di produzione viene da Hemlock Semiconductor, un produttore statunitense di polisilicio iperpuro. L'azienda ha implementato il rilevamento delle anomalie per ottenere visibilità sui propri processi e registrare eventuali deviazioni dai modelli di produzione ottimali. L'azienda ha riferito di aver risparmiato circa 300.000 dollari al mese nel consumo di risorse.

Rilevamento anomalie nel commercio al dettaglio

Il rilevamento delle anomalie può aiutare i rivenditori a identificare modelli di comportamento insoliti e utilizzare queste informazioni per migliorare le operazioni e proteggere la propria attività e i propri clienti. Gli algoritmi di intelligenza artificiale possono cogliere le mutevoli richieste dei clienti e avvisare i rivenditori di smettere di acquistare prodotti che non verranno venduti durante il rifornimento degli articoli richiesti. Inoltre, le anomalie possono rappresentare opportunità di business nelle fasi iniziali, consentendo ai rivenditori di trarne vantaggio prima della concorrenza. Nel caso dell’eCommerce, i proprietari di siti web possono implementare modelli di rilevamento delle anomalie per monitorare il traffico e individuare comportamenti insoliti che potrebbero segnalare attività fraudolente.

Inoltre, i rivenditori possono utilizzare tecniche di rilevamento delle anomalie per proteggere i propri locali. Presso ITRex abbiamo condotto una serie di PoC per creare una soluzione in grado di rilevare espressioni di violenza, come risse, nei video trasmessi in streaming dalle telecamere di sicurezza posizionate nei centri commerciali e in altri luoghi pubblici. La soluzione si basa sul metodo di rilevamento delle anomalie delle reti neurali convoluzionali 3D, addestrato su un ampio set di dati di combattimento. Questo tipo di algoritmo ML è noto per funzionare bene nelle attività di rilevamento delle azioni. Se sei interessato a una soluzione del genere, possiamo mostrarti la demo completa per cominciare. Quindi, il nostro team metterà a punto l’algoritmo e regolerà le sue impostazioni per adattarle alle specifiche della tua posizione e della tua attività, e lo integreremo perfettamente nel tuo sistema di sicurezza esistente.

Iniziare con il rilevamento delle anomalie

Come puoi vedere, addestrare modelli di intelligenza artificiale personalizzati per il rilevamento puntuale delle anomalie può rappresentare una sfida tecnica. Ecco perché il nostro team ha preparato una guida in cinque passaggi per le aziende interessate alla nuova tecnologia. Scorri verso il basso per alcuni suggerimenti degli esperti e valuta la possibilità di scaricare la nostra guida aziendale sull'intelligenza artificiale se sei nuovo nel mondo dell'intelligenza artificiale o se cerchi ulteriori informazioni sulle applicazioni IA e sui costi dei progetti.

Passaggio 1: determina il modo in cui affronterai il rilevamento delle anomalie

Ci sono due opzioni qui. Stai cercando anomalie specifiche nei tuoi dati o desideri contrassegnare tutto ciò che si discosta dal comportamento standard. Ciò che scegli qui avrà un impatto sui dati di addestramento e limiterà la selezione delle tecniche di intelligenza artificiale.

Se vuoi catturare ogni evento che si discosta dalla linea di base, addestrerai il modello su un set di dati di grandi dimensioni che rappresenta il comportamento normale. Ad esempio, se lavori sulla guida e sulla sicurezza stradale, il tuo set di dati sarà composto da video che mostrano una guida sicura.

Supponiamo che tu voglia rilevare anomalie specifiche, ad esempio incidenti automobilistici, ma non violazioni minori, come guidare con il semaforo rosso. In questo caso, il set di dati di addestramento includerà video o immagini di incidenti automobilistici.

Passaggio 2: aggregare e preelaborare il set di dati di addestramento

Il risultato del passaggio precedente ti aiuterà a decidere quale tipo di dati ti serve.

Raccogli i dati dalle fonti interne della tua azienda o utilizza set di dati disponibili pubblicamente. Quindi, pulisci questi dati per eliminare i duplicati e qualsiasi voce errata o sbilanciata. Una volta ripulito il set di dati, è possibile utilizzare tecniche di ridimensionamento, normalizzazione e altre tecniche di trasformazione dei dati per rendere il set adatto agli algoritmi di intelligenza artificiale. Dividi il tuo set di dati in tre parti:

• Dati di training per insegnare i modelli
• Dati di convalida per valutare le prestazioni del modello durante l'addestramento
• Testare i dati per valutare le prestazioni dopo aver completato il processo di formazione

Per ulteriori informazioni, consulta la nostra guida dettagliata su come preparare i dati per l'apprendimento automatico.

Passaggio 3: scegli la tecnica di rilevamento delle anomalie

Questo passaggio è rilevante solo se desideri creare una soluzione personalizzata. Tu o il tuo fornitore di tecnologia selezionerete la tecnica di intelligenza artificiale più adatta per affrontare il problema aziendale. Ci sono tre fattori chiave da considerare qui:

• L'attività da svolgere (fare riferimento al passaggio 1 sopra). Se desideri rilevare anomalie specificatamente definite, Variational Autoencoder (VAE) è un'ottima opzione.
• I requisiti tecnici . Ciò potrebbe includere i livelli di precisione e dettaglio che intendi raggiungere. Ad esempio, se vuoi addestrare un modello ML che individui anomalie nei video, decidere la frequenza fotogrammi ottimale è fondamentale, poiché algoritmi diversi analizzano i fotogrammi a velocità diverse. Finché l'anomalia che desideri rilevare può verificarsi entro un secondo, è consigliabile studiare ogni fotogramma di un video clip e l'utilizzo di algoritmi più lenti, come VAE, diventa poco pratico. La Singular Value Decomposition (SVD), d'altra parte, può svolgere il lavoro molto più velocemente.
• La dimensione del set di dati di addestramento . Alcuni modelli, come gli autocodificatori, non possono essere adeguatamente addestrati su set di dati di piccole dimensioni.

Passaggio 4: costruisci/acquista e addestra il modello

Puoi acquistare un software di rilevamento delle anomalie già pronto o implementare un sistema personalizzato che corrisponderà alle tue esigenze specifiche e sarà adattato al tipo di anomalie a cui sei interessato.

Puoi optare per un sistema di rilevamento delle anomalie standard quando disponi di risorse finanziarie limitate, nessun set di dati di addestramento personalizzato o non hai tempo per l'addestramento del modello e puoi trovare un fornitore che offre già una soluzione in grado di rilevare il tipo di anomalie ti preoccupa. Ma tieni presente che queste soluzioni hanno presupposti incorporati riguardo alle caratteristiche dei dati e funzioneranno bene finché tali presupposti saranno validi. Tuttavia, se i dati aziendali si discostano da tale linea di base, l'algoritmo potrebbe non rilevare anomalie con la stessa precisione.

Se disponi di dati sufficienti per addestrare gli algoritmi di intelligenza artificiale, puoi assumere una società di sviluppo ML per creare e addestrare una soluzione di rilevamento delle anomalie personalizzata. Questa opzione sarà progettata per soddisfare le vostre esigenze aziendali e adattarsi ai vostri processi. Un altro grande vantaggio è che puoi comunque ottimizzare questa soluzione anche dopo la distribuzione. Puoi modificare le sue impostazioni per farlo funzionare più velocemente o concentrarti su parametri diversi, a seconda delle mutevoli esigenze aziendali.

Passaggio 5: distribuire e monitorare la soluzione

Distribuirai la soluzione di rilevamento delle anomalie localmente o nel cloud. Se lavori con ITRex, avremo due opzioni tra cui scegliere:

• Rilevamento di anomalie basato sul cloud , in cui aggreghiamo i dati dei tuoi sistemi software, dispositivi e servizi di terze parti e li trasmettiamo al cloud per l'archiviazione e l'elaborazione per alleggerire il carico delle tue risorse locali.
• Rilevamento di anomalie Edge , in cui gli algoritmi ML analizzano i tuoi dati localmente e caricano solo una parte dei dati nel cloud. Questo approccio è più adatto per i sistemi mission-critical che non tollerano ritardi, come i veicoli autonomi e le soluzioni IoT mediche.

Gli algoritmi ML continuano ad apprendere sul lavoro, il che consente loro di adattarsi a nuovi tipi di dati. Ma questo significa anche che possono acquisire pregiudizi e altre tendenze indesiderabili. Per evitare questo scenario, è possibile pianificare un controllo per rivalutare le prestazioni degli algoritmi e implementare le modifiche necessarie.

Come ITRex può aiutare nel rilevamento delle anomalie

Presso ITRex Group, abbiamo una vasta esperienza con modelli ML, come autoencoder beta-variazionali (Beta-VAE) e modelli di miscela gaussiana (GMM), IoT, analisi dei dati e visualizzazione dei dati. Abbiamo implementato queste tecnologie in diversi settori, quindi siamo consapevoli delle specificità che comportano settori fortemente regolamentati, come quello sanitario. Utilizziamo una combinazione di tecnologie open source e proprietarie, come strumenti di data mining e framework ML, per sviluppare soluzioni personalizzate e integrarle nei processi aziendali.

Le nostre soluzioni personalizzate basate sull'intelligenza artificiale per il rilevamento delle anomalie possono funzionare con entrambe le attività: rilevare anomalie predefinite e individuare qualsiasi deviazione dal comportamento standard stabilito. Puoi optare per il cloud per risparmiare sull'infrastruttura oppure possiamo far funzionare il sistema localmente per supportare applicazioni critiche che non tollerano la latenza.

Sei interessato a implementare un sistema di rilevamento delle anomalie? Mandaci un messaggio ! Possiamo aiutarti a creare e addestrare un modello ML personalizzato. Anche se opti per una soluzione già pronta, se è open source e dispone di un'API, possiamo comunque riqualificarla sui tuoi dati in modo che si adatti meglio al tuo sistema!

Pubblicato originariamente su https://itrexgroup.com il 1 agosto 2023.