Co to jest wykrywanie anomalii i jakie korzyści może przynieść Twojej firmie?

Opublikowany: 2023-08-24

Wykrywanie anomalii może pomóc Ci zidentyfikować nadchodzące trendy przed konkurencją. Może sygnalizować oszukańcze transakcje poprzez monitorowanie ruchu w sklepie internetowym i wykrywać przemoc w miejscach publicznych, dając zespołowi ds. bezpieczeństwa szansę na interwencję, zanim ludzie zostaną ranni.

Zainteresowany? Istnieją wyspecjalizowane firmy zajmujące się wykrywaniem anomalii, które mogą pomóc w tworzeniu i integracji niestandardowego oprogramowania dostosowanego do wykrywania odchyleń w zachowaniu w Twoim sektorze działalności.

Czym zatem jest wykrywanie anomalii? Jak to działa? Jak włączyć to do procesów i przepływów pracy w Twojej firmie?

Przegląd treści

  • Co to jest wykrywanie anomalii?
  • Jak działa wykrywanie anomalii?
  • Kluczowe przypadki użycia wykrywania anomalii
  • Pierwsze kroki z wykrywaniem anomalii
  • Jak ITRex może pomóc w wykrywaniu anomalii

Co to jest wykrywanie anomalii?

Wykrywanie anomalii to rodzaj eksploracji danych, który analizuje dane firmy w celu wykrycia punktów danych odbiegających od ustalonej wartości bazowej (np. standardowe zachowanie zbioru danych). Te wartości odstające zazwyczaj wskazują na zdarzenia, takie jak usterki techniczne sprzętu, zmiany preferencji klientów i inne rodzaje nieprawidłowości, umożliwiając firmom podjęcie działań, zanim nastąpi szkoda.

Co to jest anomalia?

Anomalia to niespójny punkt danych, który odbiega od znanego wzorca. Chociaż nie zawsze stanowi to poważny problem, warto to zbadać, aby zapobiec możliwej eskalacji. Na przykład gwałtowny wzrost sprzedaży produktów może być efektem udanej kampanii marketingowej lub może wskazywać na zmianę trendów i zachowań klientów, do której firmy będą musiały się dostosować.

Anomalie danych biznesowych można podzielić na trzy kategorie wartości odstających:

  • Globalna wartość odstająca to punkt danych znajdujący się w nienormalnej odległości od reszty danych. Załóżmy, że co miesiąc otrzymujesz na swoje konto bankowe 7 000 dolarów. Jeśli nagle otrzymasz przelew w wysokości 50 000 dolarów, będzie to globalna wartość odstająca.
  • Kontekstowa wartość odstająca odbiega od pozostałych danych w tym samym kontekście. Na przykład, jeśli mieszkasz w kraju, w którym zimą zazwyczaj pada śnieg, a latem jest ciepło, obfite opady śniegu w zimie są normalne. Jednak wystąpienie opadów śniegu w lecie byłoby kontekstowym wyjątkiem.
  • Zbiorowa wartość odstająca ma miejsce wtedy, gdy podzbiór punktów danych odbiega od całego zbioru danych. Na przykład, jeśli zaobserwujesz niezwykłe spadki sprzedaży kilku pozornie niezwiązanych ze sobą produktów, ale potem zorientujesz się, że jest to w jakiś sposób powiązane, wówczas twoje obserwacje zostaną połączone w jedną zbiorczą wartość odstającą.

Dlaczego potrzebujemy sztucznej inteligencji do wykrywania anomalii?

Większość firm ma do czynienia z dużymi ilościami danych ustrukturyzowanych i nieustrukturyzowanych, przy czym te ostatnie stanowią aż 90% informacji generowanych w murach firmy. Niemożliwe jest ręczne przetworzenie wszystkich tych informacji i wygenerowanie znaczących spostrzeżeń — zwłaszcza jeśli mówimy o danych nieustrukturyzowanych, na które składają się obrazy, transakcje, dowolny tekst itp.

Badania pokazują, że techniki uczenia maszynowego (ML) są najlepszym wyborem do przetwarzania dużych, nieustrukturyzowanych zbiorów danych. To pole zawiera dużą liczbę algorytmów i możesz wybrać ten, który najbardziej Ci odpowiada. Aby uzyskać optymalne rezultaty, możesz także połączyć kilka technik ML.

Jak działa wykrywanie anomalii?

Istnieją trzy główne typy technik wykrywania anomalii w oparciu o sztuczną inteligencję i uczenie maszynowe.

  • Nadzorowane wykrywanie anomalii . Tutaj modele ML są szkolone i testowane przy użyciu w pełni oznakowanego zbioru danych zawierającego normalne i anomalne zachowanie. Podejście to sprawdza się dobrze w przypadku wykrywania odchyleń, które były częścią zbioru danych szkoleniowych, ale technologia potyka się, gdy napotyka nową anomalię, której nie widziała podczas szkolenia. Techniki nadzorowane wymagają ręcznego wysiłku i specjalistycznej wiedzy dziedzinowej, ponieważ ktoś musi oznaczyć dane.
  • Wykrywanie anomalii bez nadzoru . Ta metoda nie wymaga ręcznego etykietowania danych. Modele zakładają, że tylko niewielki procent punktów danych, które znacząco różnią się od pozostałych danych, stanowi anomalię. Techniki nienadzorowane mogą nadal być doskonałe w identyfikowaniu nowych anomalii, których nie zaobserwowano podczas szkolenia, ponieważ wykrywają wartości odstające na podstawie ich cech, a nie tego, czego nauczyli się podczas szkolenia. Algorytmy te są jednak dość złożone, a ich architektura ma charakter czarnej skrzynki, co oznacza, że ​​użytkownicy nie otrzymają wyjaśnienia, w jaki sposób narzędzie podejmowało decyzje.
  • Częściowo nadzorowane wykrywanie anomalii . Techniki te obejmują zarówno dane oznaczone, jak i nieoznaczone, co zmniejsza koszty ręcznego dodawania adnotacji. Ponadto częściowo nadzorowany model wykrywania anomalii może nadal uczyć się po wdrożeniu i wykrywać anomalie, których nie widział podczas szkolenia. Podobnie jak w przypadku technik nienadzorowanych, modele te mogą również pracować z danymi nieustrukturyzowanymi.

Metody wykrywania anomalii oparte na sztucznej inteligencji

Wykrywanie anomalii opiera się na sztucznej inteligencji (AI) i jej podtypach, w tym ML. Oto pięć technik uczenia maszynowego, które są często stosowane w tym kontekście.

Autoenkodery

Autoenkodery to nienadzorowane sztuczne sieci neuronowe, które kompresują dane, a następnie rekonstruują je tak, aby jak najbardziej przypominały oryginalną formę. Algorytmy te mogą skutecznie ignorować szumy i rekonstruować tekst, obrazy i inne typy danych. Autoenkoder składa się z dwóch części:

  • Enkoder, który kompresuje dane wejściowe
  • Dekoder, który dekompresuje dane w sposób zbliżony do ich pierwotnej postaci

Korzystając z autoenkodera, zwróć uwagę na rozmiar kodu, ponieważ będzie on determinował stopień kompresji. Kolejnym ważnym parametrem jest liczba warstw. Przy mniejszej liczbie warstw algorytm będzie szybszy, ale może działać na mniejszej liczbie funkcji.

Sieci bayesowskie

Technika ta jest rodzajem probabilistycznego modelu opartego na grafach, który oblicza prawdopodobieństwo na podstawie wnioskowania bayesowskiego. Węzły na wykresie odpowiadają zmiennym losowym, natomiast krawędzie reprezentują zależności warunkowe, które pozwalają modelowi na wyciąganie wniosków.

Sieci Bayesa są wykorzystywane w diagnostyce, modelowaniu przyczynowym, wnioskowaniu i nie tylko. W wykrywaniu anomalii metoda ta jest szczególnie przydatna do wykrywania subtelnych odchyleń, które są trudne do wykrycia innymi technikami. Ta metoda może również tolerować brakujące dane podczas uczenia i nadal będzie zapewniać solidną wydajność, jeśli zostanie przeszkolona na małych zestawach danych.

Modele oparte na gęstości

Jest to technika grupowania ML bez nadzoru, która wykrywa wzorce w oparciu wyłącznie o lokalizację przestrzenną i odległości między sąsiadami. Porównuje wartość gęstości punktu danych z gęstością sąsiednich punktów danych. Wartość odstająca (anomalia) będzie miała niższą wartość gęstości niż inne populacje danych.

Maszyna wektorów nośnych (SVM)

Jest to nadzorowany algorytm ML, który jest powszechnie używany do klasyfikacji. Jednak rozszerzenia SVM mogą również działać w środowisku bez nadzoru. Technika ta wykorzystuje hiperpłaszczyznę do podziału punktów danych na klasy.

Mimo że SVM zazwyczaj współpracuje z dwiema lub większą liczbą klas, podczas wykrywania anomalii może analizować problemy jednej klasy. Uczy się „normy” dla tej jednej klasy i określa, czy punkt danych może należeć do tej klasy, czy też jest wartością odstającą.

Modele mieszaniny Gaussa (GMM)

GMM jest probabilistyczną techniką grupowania. Technika ta klasyfikuje dane w różne skupienia w oparciu o rozkład prawdopodobieństwa. Zakłada, że ​​punkty danych należą do mieszanki rozkładów Gaussa o nieznanych parametrach i wykrywa anomalie poprzez wykrywanie danych w obszarach o niskiej gęstości.

Kluczowe przypadki użycia wykrywania anomalii

Teraz, gdy wiesz, jak działa wykrywanie anomalii za kulisami i na jakich technikach AI się opiera, czas przestudiować kilka przykładów wykrywania anomalii w różnych branżach.

Wykrywanie anomalii w służbie zdrowia

Wykrywanie anomalii może przynieść korzyści sektorowi medycznemu, pomagając lekarzom w identyfikowaniu wszelkich problemów zdrowotnych pacjentów, wykrywaniu eskalacji u pacjentów hospitalizowanych, powiadamianiu personelu medycznego, zanim będzie za późno, a także pomocy w diagnozowaniu i wyborze leczenia. Wszystko to ogranicza pracę ręczną i obciążenie poznawcze, jakich doświadczają lekarze.

Jednakże wykrywanie anomalii wiąże się z wyjątkowymi wyzwaniami w opiece zdrowotnej.

Jednym z problemów jest to, że ustalenie punktu bazowego (tj. normalnego zachowania) może być trudne w przypadku różnych diagramów medycznych. Na przykład elektroencefalogram zdrowej osoby różni się w zależności od indywidualnych cech. Naukowcy zidentyfikowali znaczne różnice u dzieci, a u dorosłych występują różnice w zależności od grupy wiekowej i płci.

Innym aspektem jest to, że modele uczenia maszynowego muszą być bardzo dokładne, ponieważ od ich wyników będzie zależeć życie ludzi.

Algorytmy wykrywania anomalii medycznych mogą analizować następujące informacje:

  • Oznaki życiowe i inne parametry mierzone przez medyczne urządzenia IoT
  • Obrazy medyczne, takie jak zdjęcia rentgenowskie i tomografia komputerowa, które noszą oznaki łagodnych i złośliwych nowotworów, infekcji i innych schorzeń
  • Roszczenia z tytułu ubezpieczenia zdrowotnego, pomagające identyfikować i blokować wszelkie nieuczciwe działania. Może to zmienić zasady gry w ubezpieczeniach medycznych, ponieważ aż do 10% rocznych wydatków na Medicare i Medicaid przeznacza się obecnie na fałszywe roszczenia

Jeden z przykładów wykrycia anomalii pochodzi od zespołu badawczego z Republiki Południowej Afryki. Z powodzeniem połączyli techniki autoenkodera i wzmacniania ekstremalnego gradientu, aby monitorować zmienne fizjologiczne pacjentów z Covid-19 i wykrywać wszelkie anomalie, które wskazywałyby na pogorszenie stanu zdrowia.

Inny zespół skupił się nie tylko na wykrywaniu anomalii, ale także na wyjaśnieniu, dlaczego narzędzie oznaczyło je jako takie. Dlatego najpierw wykorzystali techniki wykrywania anomalii w celu wykrycia odchyleń, a następnie wdrożyli algorytmy eksploracji aspektów, aby nakreślić zestaw cech, w przypadku których określony punkt danych jest uważany za wartość odstającą.

Wykrywanie anomalii w rozrywce

Środowiska sportowe i rozrywkowe opierają się na rozbudowanym monitoringu wideo za pomocą setek kamer. Dlatego też zespoły bezpieczeństwa nie byłyby w stanie wykryć i zareagować na wypadek na czas, gdyby materiał filmowy był przeglądany ręcznie. Dzięki ML algorytmy mogą analizować strumienie wideo z każdej kamery w obiekcie i wykrywać naruszenia bezpieczeństwa.

W miarę jak modele ML uczą się w pracy, mogą wykryć zagrożenia i naruszenia, których nie zauważyliby Twoi operatorzy. Algorytmy te mogą wykrywać wandalizm, niepokoje wśród widzów, dym, podejrzane przedmioty i inne zjawiska, a także ostrzegać pracowników ochrony, aby mieli czas na działanie i zapobieganie odpowiedzialności i szkodom reputacji.

Jeden z takich projektów pochodzi prosto z naszego portfolio. Amerykańska firma rozrywkowa posiadająca sale gier zlokalizowane w całym kraju zwróciła się do firmy ITRex z prośbą o zbudowanie rozwiązania do wykrywania anomalii opartego na technologii ML, które można by zintegrować z jej systemem nadzoru wideo opartym na chmurze. Ta aplikacja wykryje wszelkie niebezpieczne i brutalne zachowania, takie jak niszczenie automatów do gier. Usprawniłoby to również proces administracyjny poprzez wykrywanie zapomnianych przedmiotów i maszyn, które nie działają.

Nasz zespół zbudował dostosowany model uczenia maszynowego przy użyciu wariacyjnego autoenkodera. Zebraliśmy zbiór danych szkoleniowych składający się ze 150 filmów przedstawiających przemoc fizyczną i zniszczenia mienia, a następnie wstępnie przetworzyliśmy te filmy za pomocą platformy OpenCV. Następnie wykorzystaliśmy bibliotekę torchvision do normalizacji i rozszerzenia danych oraz wykorzystaliśmy ją do szkolenia algorytmu ML.

Powstałe rozwiązanie opierało się na weryfikacji krzyżowej w celu wykrycia anomalii. Na przykład może zidentyfikować nieprawidłowo działające automaty do gry, „odczytując” komunikat o błędzie na ekranie i sprawdzając go w oparciu o dostępne szablony ekranów. Ostateczne rozwiązanie płynnie integrowało się z opartym na chmurze systemem bezpieczeństwa klienta, monitorowało automaty do gry 24 godziny na dobę, 7 dni w tygodniu i powiadamiało personel ochrony o każdym wykryciu anomalii.

Wykrywanie anomalii w produkcji

W miarę jak procesy produkcyjne stają się coraz bardziej zautomatyzowane, maszyny stają się coraz bardziej złożone, a obiekty stają się coraz większe. W rezultacie tradycyjne metody monitorowania nie są już wystarczające.

Techniki wykrywania anomalii mogą wykryć różne odchylenia od normy w Twojej placówce i powiadomić Cię, zanim się one eskalują, a nawet nauczyć się odróżniać drobne problemy od pilnych problemów.

Istnieje wiele korzyści związanych z wykrywaniem anomalii w produkcji. Narzędzia te mogą wykryć następujące problemy:

  • Sprzęt działa nieprawidłowo . We współpracy z produkcyjnymi czujnikami Internetu Rzeczy (IoT) algorytmy AI mogą monitorować różne parametry urządzenia, takie jak wibracje, temperatura itp., i wychwytywać wszelkie odchylenia od normy. Takie zmiany mogą świadczyć o przeciążeniu sprzętu, ale mogą też oznaczać początek awarii. Algorytm oznaczy sprzęt do dalszej kontroli. Nazywa się to również konserwacją predykcyjną.
  • Niedostateczne wykorzystanie sprzętu . Rozwiązania do wykrywania anomalii oparte na technologii ML mogą zobaczyć, które urządzenia pozostają bezczynne przez dłuższy czas i nakłonić operatora do zrównoważenia rozkładu obciążenia.
  • Zagrożenia bezpieczeństwa . Monitorując obraz z kamer bezpieczeństwa, oprogramowanie do wykrywania anomalii może wykryć pracowników, którzy nie przestrzegają fabrycznych protokołów bezpieczeństwa, zagrażając ich dobremu samopoczuciu. Jeśli Twoi pracownicy korzystają z urządzeń ubieralnych do monitorowania bezpieczeństwa, ML może analizować dane z czujników, aby wykryć wyczerpanych i chorych pracowników i zachęcić ich do zrobienia sobie przerwy lub wylogowania się na ten dzień.
  • Kwestie infrastrukturalne . Algorytmy ML mogą wykryć wyciek wody lub gazu oraz wszelkie inne uszkodzenia infrastruktury i powiadomić odpowiedniego kierownika budowy.

Przykład rozwiązania do wykrywania anomalii produkcyjnych pochodzi od firmy Hemlock Semiconductor, amerykańskiego producenta hiperczystego polikrzemu. Firma wdrożyła funkcję wykrywania anomalii, aby uzyskać wgląd w swoje procesy i rejestrować wszelkie odchylenia od optymalnych wzorców produkcji. Firma zgłosiła oszczędności w wysokości około 300 000 dolarów miesięcznie na zużyciu zasobów.

Wykrywanie anomalii w handlu detalicznym

Wykrywanie anomalii może pomóc sprzedawcom detalicznym zidentyfikować nietypowe wzorce zachowań i wykorzystać te spostrzeżenia do usprawnienia operacji oraz ochrony swojej firmy i klientów. Algorytmy sztucznej inteligencji potrafią wychwytywać zmieniające się wymagania klientów i ostrzegać sprzedawców detalicznych, aby zaprzestali nabywania produktów, które nie będą się sprzedawać, do czasu uzupełnienia zapasów, na które jest popyt. Anomalie mogą również stanowić możliwości biznesowe na wczesnych etapach, umożliwiając sprzedawcom detalicznym wykorzystanie ich przed konkurencją. W przypadku handlu elektronicznego właściciele witryn internetowych mogą wdrożyć modele wykrywania anomalii w celu monitorowania ruchu w celu wykrycia nietypowych zachowań, które mogą sygnalizować oszukańcze działania.

Ponadto sprzedawcy detaliczni mogą stosować techniki wykrywania anomalii w celu zabezpieczenia swoich obiektów. W ITRex przeprowadziliśmy serię PoC, aby zbudować rozwiązanie, które będzie w stanie wykryć przejawy przemocy, takie jak bójki, w filmach przesyłanych strumieniowo z kamer bezpieczeństwa umieszczonych w centrach handlowych i innych miejscach publicznych. Rozwiązanie opiera się na metodzie wykrywania anomalii w splotowych sieciach neuronowych 3D, która została przeszkolona na podstawie obszernego zbioru danych dotyczących walk. Wiadomo, że ten typ algorytmu ML dobrze radzi sobie z zadaniami wykrywania działań. Jeśli jesteś zainteresowany takim rozwiązaniem, możemy na początek pokazać Ci pełne demo. Następnie nasz zespół dopracuje algorytm i dostosuje jego ustawienia do specyfiki Twojej lokalizacji i biznesu, a także bezproblemowo zintegrujemy go z Twoim istniejącym systemem bezpieczeństwa.

Pierwsze kroki z wykrywaniem anomalii

Jak widać, szkolenie niestandardowych modeli sztucznej inteligencji pod kątem wykrywania anomalii może być wyzwaniem technicznym. Dlatego nasz zespół przygotował pięcioetapowy przewodnik dla firm zainteresowanych nowatorską technologią. Przewiń w dół, aby zapoznać się z poradami ekspertów — i rozważ pobranie naszego przewodnika biznesowego po sztucznej inteligencji, jeśli dopiero zaczynasz przygodę ze sztuczną inteligencją lub szukasz więcej informacji na temat zastosowań sztucznej inteligencji i kosztów projektów.

Krok 1: Określ, w jaki sposób podejdziesz do wykrywania anomalii

Istnieją dwie opcje tutaj. Albo szukasz konkretnych anomalii w swoich danych, albo chcesz oznaczyć wszystko, co odbiega od standardowego zachowania. To, co tutaj wybierzesz, będzie miało wpływ na Twoje dane treningowe i ograniczy wybór technik AI.

Jeśli chcesz wychwycić każde zdarzenie odbiegające od wartości bazowej, będziesz szkolić model na dużym zestawie danych reprezentującym normalne zachowanie. Na przykład, jeśli zajmujesz się bezpieczeństwem jazdy i ruchu drogowego, Twój zbiór danych będzie się składał z filmów przedstawiających bezpieczną jazdę.

Załóżmy, że chcesz wykryć określone anomalie — na przykład wypadki samochodowe, ale nie drobne wykroczenia, takie jak przejeżdżanie na czerwonym świetle. W takim przypadku zbiór danych szkoleniowych będzie zawierał filmy lub zdjęcia wypadków samochodowych.

Krok 2: Agreguj i wstępnie przetwarzaj zbiór danych szkoleniowych

Wynik poprzedniego kroku pomoże Ci zdecydować, jakiego rodzaju danych potrzebujesz.

Zbieraj dane z wewnętrznych źródeł firmy lub korzystaj z publicznie dostępnych zbiorów danych. Następnie wyczyść te dane, aby wyeliminować duplikaty oraz wszelkie nieprawidłowe lub niezrównoważone wpisy. Po wyczyszczeniu zbioru danych można zastosować skalowanie, normalizację i inne techniki przekształcania danych, aby dostosować zbiór do algorytmów sztucznej inteligencji. Podziel swój zbiór danych na trzy części:

  • Dane szkoleniowe do uczenia modeli
  • Dane walidacyjne umożliwiające ocenę wydajności modelu podczas uczenia
  • Testowanie danych w celu oceny wydajności po zakończeniu procesu szkoleniowego

Aby uzyskać więcej informacji, zapoznaj się z naszym szczegółowym przewodnikiem na temat przygotowywania danych do uczenia maszynowego.

Krok 3: Wybierz technikę wykrywania anomalii

Ten krok ma znaczenie tylko wtedy, gdy chcesz zbudować rozwiązanie niestandardowe. Ty lub Twój dostawca technologii wybierzesz technikę sztucznej inteligencji najlepiej dostosowaną do rozwiązania problemu biznesowego. Należy tu wziąć pod uwagę trzy kluczowe czynniki:

  • Wykonywane zadanie (patrz krok 1 powyżej). Jeśli chcesz wykryć konkretnie zdefiniowane anomalie, doskonałym rozwiązaniem będzie autoenkoder wariacyjny (VAE).
  • Wymagania techniczne . Może to obejmować docelowy poziom dokładności i szczegółowości. Na przykład, jeśli chcesz wytrenować model uczenia maszynowego, który wykrywa anomalie w filmach, kluczowe znaczenie ma określenie optymalnej liczby klatek na sekundę, ponieważ różne algorytmy analizują klatki z różnymi prędkościami. O ile anomalia, którą chcesz wykryć, może wystąpić w ciągu jednej sekundy, zaleca się przestudiowanie każdej klatki w klipie wideo, ponieważ używanie wolniejszych algorytmów, takich jak VAE, staje się niepraktyczne. Z drugiej strony rozkład wartości osobliwych (SVD) może wykonać to zadanie znacznie szybciej.
  • Rozmiar zbioru danych szkoleniowych . Niektórych modeli, takich jak autoenkodery, nie można odpowiednio przeszkolić na małych zestawach danych.

Krok 4: Zbuduj/kup i wytrenuj model

Możesz kupić gotowe oprogramowanie do wykrywania anomalii lub wdrożyć własny system, który będzie odpowiadał Twoim unikalnym potrzebom i będzie dostosowany do rodzaju anomalii, którymi jesteś zainteresowany.

Możesz zdecydować się na gotowy system wykrywania anomalii, jeśli masz ograniczone zasoby finansowe, nie masz niestandardowego zbioru danych szkoleniowych lub nie masz czasu na szkolenie modeli, a możesz znaleźć dostawcę, który już oferuje rozwiązanie, które może wykryć typ anomalii się martwisz. Należy jednak pamiętać, że rozwiązania te mają wbudowane założenia dotyczące charakterystyki danych i będą działać dobrze, dopóki te założenia będą obowiązywać. Jeśli jednak dane Twojej firmy odbiegają od wartości bazowych, algorytm może nie wykryć anomalii z taką samą dokładnością.

Jeśli masz wystarczającą ilość danych do szkolenia algorytmów AI, możesz zatrudnić firmę zajmującą się rozwojem uczenia maszynowego, aby zbudowała i przeszkoliła niestandardowe rozwiązanie do wykrywania anomalii. Ta opcja zostanie zaprojektowana tak, aby spełniać Twoje potrzeby biznesowe i pasować do Twoich procesów. Kolejną wielką zaletą jest to, że możesz nadal optymalizować to rozwiązanie nawet po wdrożeniu. Możesz dostosować jego ustawienia, aby działać szybciej lub skupić się na innych parametrach, w zależności od zmieniających się wymagań biznesowych.

Krok 5: Wdróż i monitoruj rozwiązanie

Rozwiązanie do wykrywania anomalii wdrożysz lokalnie lub w chmurze. Jeśli współpracujesz z ITRex, będziemy mieli do wyboru dwie opcje:

  • Wykrywanie anomalii w chmurze , podczas którego agregujemy dane z Twoich systemów oprogramowania, urządzeń i usług stron trzecich i przesyłamy je do chmury w celu przechowywania i przetwarzania, aby odciążyć Twoje lokalne zasoby.
  • Wykrywanie anomalii brzegowych , gdzie algorytmy ML analizują dane lokalnie i przesyłają tylko część danych do chmury. To podejście najlepiej sprawdza się w przypadku systemów o znaczeniu krytycznym, które nie tolerują opóźnień, takich jak pojazdy autonomiczne i medyczne rozwiązania IoT.

Algorytmy ML uczą się w trakcie pracy, co pozwala im dostosować się do nowych typów danych. Ale oznacza to również, że mogą nabrać uprzedzeń i innych niepożądanych tendencji. Aby uniknąć tego scenariusza, możesz zaplanować audyt w celu ponownej oceny wydajności algorytmów i wprowadzenia niezbędnych korekt.

Jak ITRex może pomóc w wykrywaniu anomalii

W Grupie ITRex mamy ogromne doświadczenie z modelami ML, takimi jak autoenkodery Beta-wariacyjne (Beta-VAE) i modele mieszaniny Gaussa (GMM), IoT, analityka danych i wizualizacja danych. Wdrożyliśmy te technologie w różnych branżach, dlatego jesteśmy świadomi specyfiki, jaką niosą ze sobą sektory silnie regulowane, takie jak opieka zdrowotna. Korzystamy z kombinacji technologii open source i technologii zastrzeżonych, takich jak narzędzia do eksploracji danych i frameworki ML, aby opracowywać niestandardowe rozwiązania i integrować je z procesami biznesowymi.

Nasze niestandardowe rozwiązania oparte na sztucznej inteligencji do wykrywania anomalii mogą współpracować z obydwoma zadaniami — wykrywać predefiniowane anomalie i wykrywać wszelkie odchylenia od ustalonego standardowego zachowania. Możesz zdecydować się na chmurę, aby zaoszczędzić na infrastrukturze, lub możemy sprawić, że system będzie działał lokalnie w celu obsługi krytycznych aplikacji, które nie tolerują opóźnień.

Jesteś zainteresowany wdrożeniem systemu wykrywania anomalii? Napisz do nas ! Pomożemy Ci zbudować i wyszkolić niestandardowy model uczenia maszynowego. Nawet jeśli zdecydujesz się na gotowe rozwiązanie, jeśli jest ono typu open source i posiada API, nadal możemy je przeszkolić na Twoich własnych danych, tak aby lepiej pasowało do Twojego systemu!

Pierwotnie opublikowano na https://itrexgroup.com 1 sierpnia 2023 r.