การตรวจจับความผิดปกติคืออะไร และมีประโยชน์ต่อบริษัทของคุณอย่างไร?

การตรวจจับความผิดปกติสามารถช่วยให้คุณระบุแนวโน้มที่จะเกิดขึ้นก่อนคู่แข่งได้ สามารถระบุธุรกรรมการฉ้อโกงได้โดยการตรวจสอบปริมาณการใช้ร้านค้าออนไลน์ และตรวจจับความรุนแรงในที่สาธารณะ ทำให้ทีมรักษาความปลอดภัยของคุณมีโอกาสที่จะเข้าไปแทรกแซงก่อนที่ผู้คนจะได้รับบาดเจ็บ

สนใจ? มีบริษัทตรวจจับความผิดปกติโดยเฉพาะที่สามารถช่วยคุณสร้างและผสานรวมซอฟต์แวร์ที่กำหนดเองซึ่งออกแบบมาเพื่อตรวจจับความเบี่ยงเบนทางพฤติกรรมในภาคส่วนการดำเนินงานของคุณ

ดังนั้นการตรวจจับความผิดปกติคืออะไร? มันทำงานอย่างไร? และคุณจะรวมสิ่งนี้เข้ากับกระบวนการและเวิร์กโฟลว์ของบริษัทของคุณได้อย่างไร?

ภาพรวมเนื้อหา

• การตรวจจับความผิดปกติคืออะไร?
• การตรวจจับความผิดปกติทำงานอย่างไร
• กรณีการใช้งานการตรวจจับความผิดปกติที่สำคัญ
• เริ่มต้นใช้งานการตรวจจับความผิดปกติ
• ITRex สามารถช่วยตรวจจับความผิดปกติได้อย่างไร

การตรวจจับความผิดปกติคืออะไร?

การตรวจจับความผิดปกติเป็นประเภทของการขุดข้อมูลที่วิเคราะห์ข้อมูลของบริษัทเพื่อตรวจจับจุดข้อมูลที่เบี่ยงเบนไปจากเส้นฐานที่กำหนดไว้ (เช่น พฤติกรรมมาตรฐานของชุดข้อมูล) โดยทั่วไปค่าผิดปกติเหล่านี้จะบ่งบอกถึงเหตุการณ์ต่างๆ เช่น ความผิดพลาดทางเทคนิคในอุปกรณ์ การเปลี่ยนแปลงความพึงพอใจของลูกค้า และความผิดปกติประเภทอื่นๆ ซึ่งทำให้บริษัทสามารถดำเนินการได้ก่อนที่ความเสียหายจะเสร็จสิ้น

ความผิดปกติคืออะไร?

ความผิดปกติคือจุดข้อมูลที่ไม่สอดคล้องกันซึ่งเบี่ยงเบนไปจากรูปแบบที่คุ้นเคย แม้ว่าจะไม่ได้แสดงถึงข้อกังวลที่สำคัญเสมอไป แต่ก็คุ้มค่าที่จะตรวจสอบเพื่อป้องกันการบานปลายที่อาจเกิดขึ้น ตัวอย่างเช่น ยอดขายผลิตภัณฑ์ที่เพิ่มขึ้นอาจเป็นผลมาจากแคมเปญการตลาดที่ประสบความสำเร็จ หรืออาจชี้ไปที่การเปลี่ยนแปลงของแนวโน้มและพฤติกรรมของลูกค้า ซึ่งบริษัทจะต้องปรับตัวด้วย

ความผิดปกติของข้อมูลธุรกิจแบ่งออกเป็นสามประเภท:

• ค่าผิดปกติส่วนกลาง คือจุดข้อมูลที่อยู่ห่างไกลจากข้อมูลที่เหลืออย่างผิดปกติ สมมติว่าคุณได้รับเงิน 7,000 ดอลลาร์ในบัญชีธนาคารของคุณในแต่ละเดือน หากคุณได้รับการโอนเงินจำนวน 50,000 ดอลลาร์อย่างกะทันหัน นั่นจะถือเป็นค่าผิดปกติทั่วโลก
• ค่าผิดปกติตามบริบท เบี่ยงเบนไปจากส่วนที่เหลือของข้อมูลภายในบริบทเดียวกัน ตัวอย่างเช่น หากคุณอาศัยอยู่ในประเทศที่โดยปกติแล้วหิมะตกในฤดูหนาวและอากาศอบอุ่นในฤดูร้อน หิมะตกหนักในฤดูหนาวก็ถือเป็นเรื่องปกติ แต่การประสบกับหิมะตกในช่วงฤดูร้อนอาจเป็นสิ่งที่ผิดบริบท
• ค่าผิดปกติโดยรวม คือเมื่อชุดย่อยของจุดข้อมูลเบี่ยงเบนไปจากชุดข้อมูลทั้งหมด ตัวอย่างเช่น หากคุณสังเกตเห็นยอดขายลดลงอย่างผิดปกติของผลิตภัณฑ์หลายรายการที่ดูเหมือนจะไม่เกี่ยวข้องกัน แต่แล้วคุณพบว่าสิ่งนี้มีความเชื่อมโยงกัน การสังเกตของคุณจะถูกรวมเข้าด้วยกันเป็นค่าผิดปกติกลุ่มเดียว

เหตุใดเราจึงต้องใช้ AI ในการตรวจจับความผิดปกติ

บริษัทส่วนใหญ่จัดการกับข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างจำนวนมาก โดยข้อมูลหลังนี้ประกอบด้วยข้อมูลมากถึง 90% ที่สร้างขึ้นภายในกำแพงของบริษัท เป็นไปไม่ได้ที่จะประมวลผลข้อมูลทั้งหมดนี้ด้วยตนเองและสร้างข้อมูลเชิงลึกที่มีความหมาย โดยเฉพาะอย่างยิ่งหากเราพูดถึงข้อมูลที่ไม่มีโครงสร้างซึ่งประกอบด้วยรูปภาพ ธุรกรรม ข้อความที่มีรูปแบบอิสระ ฯลฯ

ผลการวิจัยแสดงให้เห็นว่าเทคนิคการเรียนรู้ของเครื่อง (ML) เป็นตัวเลือกที่ดีที่สุดสำหรับการประมวลผลชุดข้อมูลขนาดใหญ่ที่ไม่มีโครงสร้าง ฟิลด์นี้มีอัลกอริธึมมากมาย และคุณสามารถเลือกสิ่งที่เหมาะกับคุณที่สุดได้ คุณยังสามารถรวมเทคนิค ML หลายอย่างเข้าด้วยกันเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

การตรวจจับความผิดปกติทำงานอย่างไร

เทคนิคการตรวจจับความผิดปกติบนพื้นฐาน AI และ ML มีสามประเภทหลัก

• การตรวจจับความผิดปกติภายใต้การดูแล ที่นี่ โมเดล ML ได้รับการฝึกและทดสอบด้วยชุดข้อมูลที่มีป้ายกำกับครบถ้วนซึ่งมีพฤติกรรมปกติและผิดปกติ วิธีการนี้ใช้ได้ดีเมื่อตรวจจับความเบี่ยงเบนที่เป็นส่วนหนึ่งของชุดข้อมูลการฝึกอบรม แต่เทคโนโลยีจะสะดุดเมื่อเผชิญกับความผิดปกติใหม่ที่ไม่เคยเห็นในการฝึกอบรม เทคนิคที่ได้รับการดูแลต้องใช้ความพยายามด้วยตนเองและความเชี่ยวชาญด้านโดเมนเนื่องจากต้องมีคนติดป้ายกำกับข้อมูล
• การตรวจจับความผิดปกติที่ไม่ได้รับการดูแล วิธีนี้ไม่จำเป็นต้องมีการติดป้ายกำกับข้อมูลด้วยตนเอง แบบจำลองสันนิษฐานว่ามีจุดข้อมูลเพียงเล็กน้อยเท่านั้นที่แตกต่างจากข้อมูลที่เหลืออย่างมากที่ก่อให้เกิดความผิดปกติ เทคนิคที่ไม่ได้รับการดูแลยังคงสามารถระบุความผิดปกติใหม่ๆ ที่พวกเขาไม่เห็นในระหว่างการฝึกอบรมได้อย่างดีเยี่ยม เนื่องจากสามารถตรวจจับค่าผิดปกติตามคุณลักษณะมากกว่าสิ่งที่พวกเขาเรียนรู้ระหว่างการฝึกอบรม อย่างไรก็ตาม อัลกอริธึมเหล่านี้ค่อนข้างซับซ้อนและสถาปัตยกรรมของมันคือกล่องดำ ซึ่งหมายความว่าผู้ใช้จะไม่ได้รับคำอธิบายว่าเครื่องมือทำการตัดสินใจอย่างไร
• การตรวจจับความผิดปกติแบบกึ่งกำกับดูแล เทคนิคเหล่านี้เกี่ยวข้องกับข้อมูลทั้งที่มีป้ายกำกับและไม่มีป้ายกำกับ ซึ่งช่วยลดค่าใช้จ่ายในการใส่คำอธิบายประกอบด้วยตนเอง นอกจากนี้ โมเดลการตรวจจับความผิดปกติแบบกึ่งกำกับดูแลยังสามารถเรียนรู้หลังจากการปรับใช้ และตรวจจับความผิดปกติที่ไม่เคยเห็นในการฝึก เช่นเดียวกับเทคนิคที่ไม่ได้รับการดูแล โมเดลเหล่านี้ยังสามารถทำงานกับข้อมูลที่ไม่มีโครงสร้างได้อีกด้วย

วิธีการตรวจจับความผิดปกติบนพื้นฐาน AI

การตรวจจับความผิดปกติอาศัยปัญญาประดิษฐ์ (AI) และชนิดย่อย รวมถึง ML ต่อไปนี้เป็นเทคนิค ML ห้าประการที่ใช้บ่อยในบริบทนี้

ตัวเข้ารหัสอัตโนมัติ

ตัวเข้ารหัสอัตโนมัติคือโครงข่ายประสาทเทียมที่ไม่ได้รับการดูแล ซึ่งจะบีบอัดข้อมูลแล้วสร้างใหม่ให้มีลักษณะคล้ายกับรูปแบบดั้งเดิมให้ใกล้เคียงที่สุด อัลกอริธึมเหล่านี้สามารถเพิกเฉยต่อสัญญาณรบกวนและสร้างข้อความ รูปภาพ และข้อมูลประเภทอื่น ๆ ขึ้นมาใหม่ได้อย่างมีประสิทธิภาพ โปรแกรมเข้ารหัสอัตโนมัติมีสองส่วน:

• ตัวเข้ารหัสซึ่งบีบอัดข้อมูลอินพุต
• ตัวถอดรหัสซึ่งจะขยายขนาดข้อมูลให้ใกล้เคียงกับรูปแบบดั้งเดิม

เมื่อใช้โปรแกรมเข้ารหัสอัตโนมัติ ให้ใส่ใจกับขนาดของโค้ด เนื่องจากจะเป็นตัวกำหนดอัตราการบีบอัด พารามิเตอร์ที่สำคัญอีกประการหนึ่งคือจำนวนเลเยอร์ เมื่อมีเลเยอร์น้อยลง อัลกอริธึมจะเร็วขึ้น แต่อาจทำงานกับฟีเจอร์ที่น้อยลงได้

เครือข่ายแบบเบย์

เทคนิคนี้เป็นแบบจำลองที่ใช้กราฟความน่าจะเป็นประเภทหนึ่ง ซึ่งจะคำนวณความน่าจะเป็นตามการอนุมานแบบเบย์ โหนดในกราฟสอดคล้องกับตัวแปรสุ่ม ในขณะที่ขอบแสดงถึงการขึ้นต่อกันแบบมีเงื่อนไขซึ่งทำให้โมเดลทำการอนุมานได้

เครือข่ายแบบเบย์ถูกนำมาใช้ในการวินิจฉัย การสร้างแบบจำลองเชิงสาเหตุ การใช้เหตุผล และอื่นๆ ในการตรวจจับความผิดปกติ วิธีการนี้มีประโยชน์อย่างยิ่งสำหรับการตรวจจับความเบี่ยงเบนเล็กๆ น้อยๆ ที่ตรวจพบได้ยากโดยใช้เทคนิคอื่นๆ วิธีนี้สามารถทนต่อข้อมูลที่ขาดหายไประหว่างการฝึก และจะยังคงมีประสิทธิภาพที่มั่นคงหากฝึกกับชุดข้อมูลขนาดเล็ก

แบบจำลองตามความหนาแน่น

นี่เป็นเทคนิคการจัดกลุ่ม ML ที่ไม่มีผู้ดูแล ซึ่งจะตรวจจับรูปแบบที่อาศัยตำแหน่งเชิงพื้นที่และระยะห่างระหว่างเพื่อนบ้านเพียงอย่างเดียว โดยจะเปรียบเทียบค่าความหนาแน่นของจุดข้อมูลกับความหนาแน่นของจุดข้อมูลข้างเคียง ค่าผิดปกติ (ความผิดปกติ) จะมีค่าความหนาแน่นต่ำกว่าประชากรข้อมูลอื่นๆ

รองรับเครื่องเวกเตอร์ (SVM)

นี่คืออัลกอริธึม ML ที่มีการดูแลซึ่งมักใช้สำหรับการจัดหมวดหมู่ อย่างไรก็ตาม ส่วนขยาย SVM ยังสามารถทำงานในสภาพแวดล้อมที่ไม่ได้รับการดูแลได้ เทคนิคนี้ใช้ไฮเปอร์เพลนเพื่อแบ่งจุดข้อมูลออกเป็นคลาสต่างๆ

แม้ว่าโดยทั่วไปแล้ว SVM จะทำงานกับคลาสตั้งแต่สองคลาสขึ้นไป แต่ในการตรวจหาความผิดปกติก็สามารถวิเคราะห์ปัญหาคลาสเดียวได้ โดยจะเรียนรู้ “บรรทัดฐาน” สำหรับคลาสเดียวนี้ และกำหนดว่าจุดข้อมูลสามารถอยู่ในคลาสนี้ได้หรือไม่ หรือเป็นจุดที่ผิดปกติหรือไม่

แบบจำลองส่วนผสมแบบเกาส์เซียน (GMM)

GMM เป็นเทคนิคการจัดกลุ่มความน่าจะเป็น เทคนิคนี้จัดประเภทข้อมูลเป็นกลุ่มต่างๆ ตามการแจกแจงความน่าจะเป็น โดยถือว่าจุดข้อมูลเป็นของการแจกแจงแบบเกาส์เซียนผสมกับพารามิเตอร์ที่ไม่รู้จัก และตรวจพบความผิดปกติโดยการระบุข้อมูลในบริเวณที่มีความหนาแน่นต่ำ

กรณีการใช้งานการตรวจจับความผิดปกติที่สำคัญ

ตอนนี้คุณรู้แล้วว่าการตรวจจับความผิดปกติทำงานอยู่เบื้องหลังและเทคนิค AI ที่ใช้การตรวจจับความผิดปกติอย่างไร ถึงเวลาศึกษาตัวอย่างการตรวจจับความผิดปกติในอุตสาหกรรมต่างๆ

การตรวจหาความผิดปกติในการดูแลสุขภาพ

การตรวจหาความผิดปกติจะเป็นประโยชน์ต่อภาคส่วนการแพทย์โดยการช่วยให้แพทย์ระบุปัญหาใดๆ เกี่ยวกับสุขภาพของผู้ป่วย ตรวจจับการลุกลามในผู้ป่วยใน แจ้งเจ้าหน้าที่ทางการแพทย์ก่อนที่จะสายเกินไป และช่วยในการวินิจฉัยและการเลือกการรักษา ทั้งหมดนี้ช่วยลดการทำงานด้วยตนเองและภาระการรับรู้ที่แพทย์ต้องเผชิญ

อย่างไรก็ตาม การตรวจหาความผิดปกติมีความท้าทายเฉพาะในด้านการดูแลสุขภาพ

ปัญหาหนึ่งก็คือ การสร้างพื้นฐาน (เช่น พฤติกรรมปกติ) อาจเป็นเรื่องยากเมื่อพูดถึงแผนภาพทางการแพทย์ต่างๆ ตัวอย่างเช่น ภาพคลื่นไฟฟ้าสมองของบุคคลที่มีสุขภาพดีจะแตกต่างกันไปตามลักษณะเฉพาะของแต่ละบุคคล นักวิจัยระบุความแตกต่างในเด็กเป็นอย่างมาก และผู้ใหญ่ก็มีความแตกต่างกันขึ้นอยู่กับกลุ่มอายุและเพศ

อีกแง่มุมหนึ่งคือโมเดล ML ต้องมีความแม่นยำสูง เนื่องจากชีวิตของผู้คนจะขึ้นอยู่กับประสิทธิภาพของพวกเขา

อัลกอริธึมการตรวจจับความผิดปกติทางการแพทย์สามารถวิเคราะห์ข้อมูลต่อไปนี้:

• สัญญาณชีพและพารามิเตอร์อื่นๆ ที่วัดโดยอุปกรณ์ IoT ทางการแพทย์
• ภาพทางการแพทย์ เช่น ภาพเอกซเรย์และซีทีสแกน ที่มีสัญญาณของเนื้องอกที่ไม่ร้ายแรงและร้ายแรง การติดเชื้อ และสภาวะสุขภาพอื่นๆ
• การเคลมประกันสุขภาพ ช่วยระบุและบล็อกกิจกรรมการฉ้อโกง นี่อาจเป็นตัวเปลี่ยนเกมในการประกันสุขภาพ เนื่องจากค่าใช้จ่าย Medicare และ Medicaid ต่อปีสูงถึง 10% นำไปสู่การเรียกร้องค่าสินไหมทดแทนที่เป็นการฉ้อโกง

ตัวอย่างหนึ่งของการตรวจจับความผิดปกติมาจากทีมวิจัยในแอฟริกาใต้ พวกเขาประสบความสำเร็จในการรวมตัวเข้ารหัสอัตโนมัติและเทคนิคการเพิ่มการไล่ระดับสีขั้นสุดเพื่อติดตามตัวแปรทางสรีรวิทยาของผู้ป่วยโควิด-19 และตรวจจับความผิดปกติที่อาจบ่งบอกถึงความเสื่อมโทรมของสุขภาพ

อีกทีมหนึ่งไม่เพียงแต่มุ่งเน้นไปที่การตรวจจับความผิดปกติ แต่ยังอธิบายว่าทำไมเครื่องมือจึงติดธงทำเครื่องหมายไว้เช่นนั้น ดังนั้น อันดับแรก พวกเขาใช้เทคนิคการตรวจจับความผิดปกติเพื่อระบุความเบี่ยงเบน จากนั้นจึงใช้อัลกอริธึมการขุดแง่มุมเพื่อร่างชุดคุณลักษณะที่จุดข้อมูลบางจุดถือเป็นค่าผิดปกติ

การตรวจจับความผิดปกติในวงการบันเทิง

สภาพแวดล้อมด้านกีฬาและความบันเทิงอาศัยการตรวจสอบความปลอดภัยผ่านวิดีโอที่ครอบคลุมด้วยกล้องหลายร้อยตัว ดังนั้นจึงเป็นไปไม่ได้ที่ทีมรักษาความปลอดภัยจะตรวจพบและตอบสนองต่ออุบัติเหตุได้ทันเวลาหากตรวจสอบภาพด้วยตนเอง ต้องขอบคุณ ML ที่ทำให้อัลกอริธึมสามารถวิเคราะห์วิดีโอที่สตรีมจากกล้องแต่ละตัวในโรงงานและตรวจจับการละเมิดความปลอดภัยได้

เนื่องจากโมเดล ML ยังคงเรียนรู้เกี่ยวกับงานต่อไป จึงสามารถตรวจพบภัยคุกคามและการละเมิดที่ผู้ปฏิบัติงานที่เป็นมนุษย์ของคุณไม่อาจสังเกตเห็นได้ อัลกอริธึมเหล่านี้สามารถตรวจจับการก่อกวน ความไม่สงบในหมู่ผู้ชม ควัน วัตถุต้องสงสัย และอื่นๆ อีกมากมาย และแจ้งเตือนเจ้าหน้าที่รักษาความปลอดภัยเพื่อให้มีเวลาดำเนินการและป้องกันความรับผิดและความเสียหายต่อชื่อเสียง

โครงการดังกล่าวโครงการหนึ่งออกมาจากพอร์ตโฟลิโอของเราโดยตรง บริษัทบันเทิงในสหรัฐฯ ที่มีห้องเล่นเกมตั้งอยู่ทั่วประเทศหันมาใช้ ITRex เพื่อสร้างโซลูชันการตรวจจับความผิดปกติที่ขับเคลื่อนด้วย ML ที่จะรวมเข้ากับระบบกล้องวงจรปิดบนคลาวด์ แอปพลิเคชั่นนี้จะตรวจจับพฤติกรรมที่เป็นอันตรายและรุนแรง เช่น การทำลายเครื่องสล็อต นอกจากนี้ยังจะปรับปรุงกระบวนการบริหารจัดการโดยการตรวจจับสิ่งของที่ถูกลืมและเครื่องที่ไม่เป็นระเบียบ

ทีมของเราสร้างโมเดล ML แบบกำหนดเองโดยใช้ตัวเข้ารหัสอัตโนมัติแบบแปรผัน เรารวบรวมชุดข้อมูลการฝึกอบรมวิดีโอ 150 รายการที่แสดงความรุนแรงทางกายภาพและความเสียหายต่อทรัพย์สิน และประมวลผลวิดีโอเหล่านี้ล่วงหน้าด้วยเฟรมเวิร์ก OpenCV จากนั้น เราอาศัยไลบรารี torchvision เพื่อทำให้ข้อมูลเป็นมาตรฐานและเพิ่มข้อมูล และใช้มันเพื่อฝึกฝนอัลกอริทึม ML

วิธีแก้ปัญหาที่ได้นั้นอาศัยการตรวจสอบข้ามเพื่อระบุความผิดปกติ ตัวอย่างเช่น มันสามารถระบุสล็อตแมชชีนที่ทำงานผิดปกติได้โดย “อ่าน” ข้อความแสดงข้อผิดพลาดบนหน้าจอ และตรวจสอบความถูกต้องกับเทมเพลตหน้าจอที่มีอยู่ โซลูชันขั้นสุดท้ายที่ผสานรวมเข้ากับระบบรักษาความปลอดภัยบนคลาวด์ของลูกค้าได้อย่างราบรื่น มีการตรวจสอบสล็อตแมชชีนทุกวันตลอด 24 ชั่วโมง และแจ้งเตือนเจ้าหน้าที่รักษาความปลอดภัยทุกครั้งที่ตรวจพบความผิดปกติ

การตรวจจับความผิดปกติในการผลิต

เมื่อกระบวนการผลิตกลายเป็นแบบอัตโนมัติมากขึ้น เครื่องจักรก็มีความซับซ้อนมากขึ้น และสิ่งอำนวยความสะดวกก็ใหญ่ขึ้น ดังนั้นวิธีการติดตามแบบเดิมๆ จึงไม่เพียงพออีกต่อไป

เทคนิคการตรวจจับความผิดปกติสามารถแสดงให้เห็นความเบี่ยงเบนที่แตกต่างจากปกติในสถานประกอบการของคุณ และแจ้งให้คุณทราบก่อนที่สิ่งเหล่านั้นจะบานปลาย และเรียนรู้ที่จะแยกแยะระหว่างปัญหาเล็กๆ น้อยๆ และข้อกังวลเร่งด่วน

มีประโยชน์หลายประการในการตรวจจับความผิดปกติสำหรับการผลิต เครื่องมือเหล่านี้สามารถตรวจพบปัญหาต่อไปนี้:

• อุปกรณ์ทำงานผิดปกติ . ด้วยความร่วมมือกับการผลิตเซ็นเซอร์ Internet of Things (IoT) อัลกอริธึม AI สามารถตรวจสอบพารามิเตอร์ต่างๆ ของอุปกรณ์ เช่น การสั่นสะเทือน อุณหภูมิ ฯลฯ และตรวจจับความเบี่ยงเบนจากบรรทัดฐานได้ การเปลี่ยนแปลงดังกล่าวสามารถบ่งชี้ได้ว่าอุปกรณ์มีการใช้งานมากเกินไป แต่ก็อาจหมายถึงจุดเริ่มต้นของการพังด้วย อัลกอริธึมจะแฟล็กอุปกรณ์เพื่อการตรวจสอบเพิ่มเติม สิ่งนี้เรียกว่าการบำรุงรักษาเชิงคาดการณ์
• การใช้อุปกรณ์น้อยเกินไป โซลูชันการตรวจจับความผิดปกติที่ใช้ ML สามารถดูได้ว่าอุปกรณ์ใดไม่ได้ใช้งานเป็นเวลานาน และกระตุ้นให้ผู้ปฏิบัติงานสร้างสมดุลในการกระจายโหลด
• อันตรายจากความปลอดภัย . ด้วยการตรวจสอบฟีดของกล้องรักษาความปลอดภัย ซอฟต์แวร์ตรวจจับความผิดปกติสามารถตรวจจับพนักงานที่ไม่ปฏิบัติตามระเบียบการด้านความปลอดภัยของโรงงาน ซึ่งเป็นอันตรายต่อสวัสดิภาพของพวกเขา หากพนักงานของคุณใช้อุปกรณ์สวมใส่เพื่อการตรวจสอบความปลอดภัย ML สามารถวิเคราะห์ข้อมูลเซ็นเซอร์เพื่อระบุพนักงานที่เหนื่อยล้าและป่วย และกระตุ้นให้พวกเขาหยุดพักหรือออกจากระบบในวันนั้น
• ปัญหาด้านโครงสร้างพื้นฐาน อัลกอริธึม ML สามารถตรวจจับการรั่วไหลของน้ำหรือก๊าซ และความเสียหายต่อโครงสร้างพื้นฐานอื่นๆ และแจ้งผู้จัดการไซต์ที่เกี่ยวข้อง

ตัวอย่างของโซลูชันการตรวจจับความผิดปกติในการผลิตมาจาก Hemlock Semiconductor ผู้ผลิตโพลีซิลิคอนบริสุทธิ์สูงในสหรัฐฯ บริษัทใช้การตรวจจับความผิดปกติเพื่อให้มองเห็นกระบวนการต่างๆ และบันทึกการเบี่ยงเบนจากรูปแบบการผลิตที่เหมาะสมที่สุด บริษัทรายงานว่าประหยัดการใช้ทรัพยากรได้ประมาณ 300,000 เหรียญต่อเดือน

การตรวจจับความผิดปกติในการขายปลีก

การตรวจจับความผิดปกติสามารถช่วยให้ผู้ค้าปลีกระบุรูปแบบพฤติกรรมที่ผิดปกติ และใช้ข้อมูลเชิงลึกเหล่านี้เพื่อปรับปรุงการดำเนินงานและปกป้องธุรกิจและลูกค้าของพวกเขา อัลกอริธึม AI สามารถติดตามความต้องการของลูกค้าที่เปลี่ยนแปลงไป และแจ้งเตือนผู้ค้าปลีกให้หยุดรับผลิตภัณฑ์ที่จะไม่ขายในขณะที่เติมสต็อกสินค้าที่เป็นที่ต้องการ นอกจากนี้ ความผิดปกติยังแสดงถึงโอกาสทางธุรกิจในระยะแรกๆ อีกด้วย ทำให้ผู้ค้าปลีกสามารถใช้ประโยชน์จากโอกาสเหล่านั้นได้ก่อนการแข่งขัน ในกรณีของอีคอมเมิร์ซ เจ้าของเว็บไซต์สามารถปรับใช้โมเดลการตรวจจับความผิดปกติเพื่อติดตามปริมาณข้อมูล เพื่อค้นหาพฤติกรรมที่ผิดปกติที่อาจส่งสัญญาณถึงกิจกรรมการฉ้อโกง

นอกจากนี้ ผู้ค้าปลีกยังสามารถใช้เทคนิคการตรวจจับความผิดปกติเพื่อรักษาความปลอดภัยให้กับสถานที่ของตนได้ ที่ ITRex เราได้จัดทำชุด PoC เพื่อสร้างโซลูชันที่สามารถตรวจจับการแสดงออกถึงความรุนแรง เช่น การต่อสู้ ในวิดีโอที่สตรีมโดยกล้องวงจรปิดที่วางอยู่ในห้างสรรพสินค้าและสถานที่สาธารณะอื่นๆ โซลูชันนี้อาศัยวิธีการตรวจจับความผิดปกติของโครงข่ายประสาทเทียมแบบ 3 มิติ ซึ่งได้รับการฝึกฝนบนชุดข้อมูลการต่อสู้ที่กว้างขวาง เป็นที่ทราบกันว่าอัลกอริทึม ML ประเภทนี้ทำงานได้ดีกับงานการตรวจจับการกระทำ หากคุณสนใจโซลูชันดังกล่าว เราสามารถแสดงให้คุณดูการสาธิตแบบเต็มได้ตั้งแต่เริ่มต้น จากนั้น ทีมงานของเราจะปรับแต่งอัลกอริธึมและปรับการตั้งค่าให้ตรงกับสถานที่ตั้งและธุรกิจของคุณโดยเฉพาะ และเราจะรวมเข้ากับระบบรักษาความปลอดภัยที่มีอยู่ของคุณได้อย่างราบรื่น

เริ่มต้นใช้งานการตรวจจับความผิดปกติ

อย่างที่คุณเห็น การฝึกโมเดล AI แบบกำหนดเองเพื่อการตรวจจับความผิดปกติแบบเฉพาะจุดอาจเป็นความท้าทายทางเทคนิค นั่นเป็นเหตุผลที่ทีมงานของเราเตรียมคำแนะนำห้าขั้นตอนสำหรับบริษัทที่กำลังมองหาเทคโนโลยีใหม่ เลื่อนลงเพื่อดูเคล็ดลับจากผู้เชี่ยวชาญ และลองดาวน์โหลดคู่มือธุรกิจเกี่ยวกับ AI หากคุณยังใหม่กับ AI หรือค้นหาข้อมูลเพิ่มเติมเกี่ยวกับแอปพลิเคชัน AI และต้นทุนโครงการ

ขั้นตอนที่ 1: พิจารณาว่าคุณจะจัดการกับการตรวจจับความผิดปกติอย่างไร

มีสองตัวเลือกที่นี่ คุณกำลังมองหาความผิดปกติเฉพาะเจาะจงในข้อมูลของคุณ หรือต้องการตั้งค่าสถานะทุกสิ่งที่เบี่ยงเบนไปจากลักษณะการทำงานมาตรฐาน สิ่งที่คุณเลือกที่นี่จะส่งผลต่อข้อมูลการฝึกของคุณและจำกัดการเลือกเทคนิค AI

หากคุณต้องการตรวจจับทุกเหตุการณ์ที่เบี่ยงเบนไปจากเส้นฐาน คุณจะต้องฝึกโมเดลบนชุดข้อมูลขนาดใหญ่ที่แสดงถึงพฤติกรรมปกติ ตัวอย่างเช่น หากคุณกำลังทำงานเกี่ยวกับความปลอดภัยในการขับขี่และการจราจร ชุดข้อมูลของคุณจะประกอบด้วยวิดีโอที่แสดงการขับขี่อย่างปลอดภัย

สมมติว่าคุณต้องการตรวจจับความผิดปกติบางอย่าง เช่น รถชน แต่ไม่ใช่การละเมิดเล็กๆ น้อยๆ เช่น การขับรถฝ่าไฟแดง ในกรณีนี้ ชุดข้อมูลการฝึกอบรมจะรวมวิดีโอหรือรูปภาพอุบัติเหตุรถชน

ขั้นตอนที่ 2: รวบรวมและประมวลผลชุดข้อมูลการฝึกอบรมล่วงหน้า

ผลลัพธ์ของขั้นตอนก่อนหน้าจะช่วยให้คุณตัดสินใจได้ว่าต้องการข้อมูลประเภทใด

รวบรวมข้อมูลจากแหล่งที่มาภายในบริษัทของคุณหรือใช้ชุดข้อมูลที่เปิดเผยต่อสาธารณะ จากนั้น ทำความสะอาดข้อมูลนี้เพื่อกำจัดรายการที่ซ้ำกันและรายการที่ไม่ถูกต้องหรือไม่สมดุล เมื่อล้างชุดข้อมูลแล้ว คุณสามารถใช้การปรับขนาด การทำให้เป็นมาตรฐาน และเทคนิคการแปลงข้อมูลอื่นๆ เพื่อทำให้ชุดข้อมูลเหมาะสมกับอัลกอริธึม AI แบ่งชุดข้อมูลของคุณออกเป็นสามส่วน:

• ข้อมูลการฝึกอบรมเพื่อสอนโมเดล
• ข้อมูลการตรวจสอบเพื่อประเมินประสิทธิภาพของแบบจำลองระหว่างการฝึก
• การทดสอบข้อมูลเพื่อให้คะแนนประสิทธิภาพหลังจากเสร็จสิ้นกระบวนการฝึกอบรม

หากต้องการข้อมูลเพิ่มเติม โปรดดูคำแนะนำโดยละเอียดเกี่ยวกับวิธีเตรียมข้อมูลสำหรับการเรียนรู้ของเครื่อง

ขั้นตอนที่ 3: เลือกเทคนิคการตรวจจับความผิดปกติของคุณ

ขั้นตอนนี้เกี่ยวข้องเฉพาะในกรณีที่คุณต้องการสร้างโซลูชันแบบกำหนดเอง คุณหรือผู้จำหน่ายเทคโนโลยีของคุณจะเลือกเทคนิค AI ที่เหมาะสมที่สุดเพื่อจัดการกับปัญหาทางธุรกิจ มีปัจจัยสำคัญสามประการที่ต้องพิจารณาที่นี่:

• งานที่ทำอยู่ (ดูขั้นตอนที่ 1 ด้านบน) หากคุณต้องการตรวจจับความผิดปกติที่กำหนดไว้โดยเฉพาะ Variational Autoencoder (VAE) เป็นตัวเลือกที่ยอดเยี่ยม
• ข้อกำหนดทางเทคนิค ซึ่งอาจรวมถึงระดับความแม่นยำและรายละเอียดที่คุณตั้งเป้าไว้ ตัวอย่างเช่น หากคุณต้องการฝึกโมเดล ML ที่ตรวจพบความผิดปกติในวิดีโอ การตัดสินใจเลือกอัตราเฟรมที่เหมาะสมเป็นสิ่งสำคัญ เนื่องจากอัลกอริทึมที่ต่างกันจะวิเคราะห์เฟรมด้วยความเร็วที่ต่างกัน ตราบใดที่ความผิดปกติที่คุณต้องการตรวจจับสามารถเกิดขึ้นได้ภายในหนึ่งวินาที ขอแนะนำให้คุณศึกษาทุกเฟรมในวิดีโอคลิป และการใช้อัลกอริธึมที่ช้ากว่า เช่น VAE จะกลายเป็นสิ่งที่ใช้ไม่ได้จริง ในทางกลับกัน การสลายตัวของค่าเอกพจน์ (SVD) สามารถทำงานได้เร็วขึ้นมาก
• ขนาดของชุดข้อมูลการฝึกของคุณ โมเดลบางรุ่น เช่น ตัวเข้ารหัสอัตโนมัติ ไม่สามารถฝึกอย่างถูกต้องกับชุดข้อมูลขนาดเล็กได้

ขั้นตอนที่ 4: สร้าง/ซื้อและฝึกโมเดล

คุณสามารถซื้อซอฟต์แวร์ตรวจจับความผิดปกติสำเร็จรูป หรือใช้ระบบที่กำหนดเองซึ่งจะสอดคล้องกับความต้องการเฉพาะของคุณ และปรับแต่งให้เหมาะกับประเภทความผิดปกติที่คุณสนใจ

คุณสามารถเลือกระบบการตรวจจับความผิดปกติที่มีอยู่ทั่วไปได้เมื่อคุณมีทรัพยากรทางการเงินที่จำกัด ไม่มีชุดข้อมูลการฝึกอบรมที่กำหนดเอง หรือไม่มีเวลาสำหรับการฝึกอบรมโมเดล และคุณสามารถค้นหาผู้จำหน่ายที่นำเสนอโซลูชันที่สามารถตรวจจับประเภทความผิดปกติได้แล้ว คุณมีความกังวลกับ แต่โปรดจำไว้ว่าโซลูชันเหล่านี้มีสมมติฐานในตัวเกี่ยวกับคุณลักษณะของข้อมูล และจะทำงานได้ดีตราบเท่าที่สมมติฐานเหล่านี้ยังคงอยู่ อย่างไรก็ตาม หากข้อมูลบริษัทของคุณเบี่ยงเบนไปจากพื้นฐานนั้น อัลกอริธึมอาจตรวจไม่พบความผิดปกติด้วยความแม่นยำเท่ากัน

หากคุณมีข้อมูลเพียงพอที่จะฝึกอัลกอริธึม AI คุณสามารถจ้างบริษัทพัฒนา ML เพื่อสร้างและฝึกอบรมโซลูชันการตรวจจับความผิดปกติแบบกำหนดเองได้ ตัวเลือกนี้จะได้รับการออกแบบมาเพื่อตอบสนองความต้องการทางธุรกิจของคุณและเหมาะสมกับกระบวนการของคุณ ข้อดีอีกประการหนึ่งคือคุณยังคงสามารถปรับโซลูชันนี้ให้เหมาะสมได้แม้หลังจากการปรับใช้แล้ว คุณสามารถปรับแต่งการตั้งค่าเพื่อให้ทำงานเร็วขึ้นหรือมุ่งเน้นไปที่พารามิเตอร์ที่แตกต่างกัน ขึ้นอยู่กับความต้องการทางธุรกิจที่เปลี่ยนแปลงของคุณ

ขั้นตอนที่ 5: ปรับใช้และตรวจสอบโซลูชัน

คุณจะปรับใช้โซลูชันการตรวจจับความผิดปกติทั้งภายในเครื่องหรือในระบบคลาวด์ หากคุณร่วมงานกับ ITRex เราจะมีสองทางเลือกให้คุณเลือก:

• การตรวจจับความผิดปกติบนคลาวด์ โดยที่เรารวบรวมข้อมูลจากระบบซอฟต์แวร์ อุปกรณ์ และบริการของบุคคลที่สามของคุณ และส่งไปยังคลาวด์เพื่อจัดเก็บและประมวลผลเพื่อลดภาระทรัพยากรในพื้นที่ของคุณ
• การตรวจจับความผิดปกติของ Edge โดยที่อัลกอริธึม ML วิเคราะห์ข้อมูลของคุณภายในเครื่องและอัปโหลดข้อมูลเพียงบางส่วนไปยังคลาวด์เท่านั้น แนวทางนี้เหมาะที่สุดสำหรับระบบที่มีภารกิจสำคัญซึ่งไม่ยอมให้มีความล่าช้า เช่น ยานพาหนะอัตโนมัติและโซลูชัน IoT ทางการแพทย์

อัลกอริธึม ML ยังคงเรียนรู้งานต่อไป ซึ่งช่วยให้สามารถปรับให้เข้ากับข้อมูลประเภทใหม่ได้ แต่นี่ก็หมายความว่าพวกเขาสามารถมีอคติและแนวโน้มที่ไม่พึงประสงค์อื่นๆ ได้ เพื่อหลีกเลี่ยงสถานการณ์นี้ คุณสามารถจัดกำหนดการการตรวจสอบเพื่อประเมินประสิทธิภาพของอัลกอริทึมอีกครั้ง และดำเนินการปรับเปลี่ยนที่จำเป็น

ITRex สามารถช่วยตรวจจับความผิดปกติได้อย่างไร

ที่ ITRex Group เรามีประสบการณ์มากมายกับโมเดล ML เช่น Beta-Variational Autoencoders (Beta-VAE) และ Gaussian Mixture Models (GMM), IoT, การวิเคราะห์ข้อมูล และการแสดงข้อมูลเป็นภาพ เราได้นำเทคโนโลยีเหล่านี้ไปใช้ในอุตสาหกรรมต่างๆ ดังนั้นเราจึงทราบถึงความเฉพาะเจาะจงที่ภาคส่วนที่มีการควบคุมอย่างเข้มงวด เช่น การดูแลสุขภาพ นำมาซึ่ง เราใช้การผสมผสานระหว่างเทคโนโลยีโอเพ่นซอร์สและเทคโนโลยีที่เป็นกรรมสิทธิ์ เช่น เครื่องมือขุดข้อมูลและเฟรมเวิร์ก ML เพื่อพัฒนาโซลูชันที่กำหนดเองและรวมเข้ากับกระบวนการทางธุรกิจของคุณ

โซลูชันที่ใช้ AI แบบกำหนดเองของเราสำหรับการตรวจจับความผิดปกติสามารถทำงานได้ทั้งสองงาน — การตรวจจับความผิดปกติที่กำหนดไว้ล่วงหน้าและการตรวจจับความเบี่ยงเบนจากพฤติกรรมมาตรฐานที่กำหนดไว้ คุณสามารถเลือกใช้ระบบคลาวด์เพื่อประหยัดโครงสร้างพื้นฐาน หรือเราจะทำให้ระบบทำงานภายในเครื่องเพื่อรองรับแอปพลิเคชันที่สำคัญซึ่งไม่ยอมให้มีเวลาแฝงได้

สนใจติดตั้งระบบตรวจจับความผิดปกติหรือไม่? วางสายเรา ! เราช่วยคุณสร้างและฝึกอบรมโมเดล ML แบบกำหนดเองได้ แม้ว่าคุณจะเลือกใช้โซลูชันสำเร็จรูป แต่หากเป็นโอเพ่นซอร์สและมี API เรายังคงสามารถฝึกอบรมใหม่โดยใช้ข้อมูลของคุณเองเพื่อให้เข้ากับระบบของคุณได้ดีขึ้น!

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 1 สิงหาคม 2023