اكتشاف الحالات الشاذة

كيف يعمل الكشف عن الحالات الشاذة

تحلل تقنيات الكشف عن الحالات الشاذة البيانات لإنشاء خط أساس للوضع الطبيعي. وأي شيء يقع خارج هذا الخط الأساسي يتم تمييزه على أنه شذوذ. يمكن أن تتراوح الأساليب المستخدمة من الأساليب الإحصائية البسيطة، مثل تحديد النقاط البعيدة عن المتوسط، إلى نماذج التعلم العميق المعقدة القادرة على فهم الأنماط المعقدة في البيانات عالية الأبعاد. تشمل الأساليب الرئيسية ما يلي:

• التعلّم تحت الإشراف: يتطلب مجموعة بيانات مصنفة تحتوي على أمثلة عادية وشاذة. على الرغم من فعاليتها، إلا أن الحصول على بيانات شاذة مصنفة يمكن أن يكون صعبًا لأن الحالات الشاذة غالبًا ما تكون نادرة وغير متوقعة.
• التعلّم شبه الخاضع للإشراف: يتدرب على مجموعة بيانات تحتوي على بيانات عادية فقط. يتعلم النموذج الأنماط العادية، وأي نقطة بيانات غير مطابقة تعتبر شاذة. هذا مفيد عندما تكون الحالات الشاذة متنوعة أو غير محددة بشكل جيد.
• التعلّم غير الخاضع للإشراف: لا يتطلب بيانات مصنفة. ويستخدم تقنيات مثل التجميع (مثل DBSCAN) أو تقليل الأبعاد (مثل PCA) لتحديد نقاط البيانات المعزولة أو المختلفة عن الأغلبية. كما تُستخدم هنا بشكل شائع أيضًا أجهزة الترميز التلقائي.

كشف الشذوذ مقابل المفاهيم ذات الصلة

على الرغم من ارتباطه بمهام تحليل البيانات الأخرى، إلا أن الكشف عن الشذوذ له أهداف متميزة:

• اكتشاف الأجسام: يهدف إلى تحديد وتحديد مواقع مثيلات الكائنات المعروفة (مثل السيارات والأشخاص) داخل الصورة باستخدام المربعات المحدودة. يركز الكشف عن الشذوذ، خاصةً في مجال الرؤية الحاسوبية، على تحديد الأنماط البصرية غير المتوقعة أو العيوب غير المتوقعة التي لا تتناسب مع القاعدة، والتي قد لا تتوافق مع فئات الكائنات المحددة مسبقًا.
• تصنيف الصور: تعيين تسمية واحدة لصورة كاملة (مثل "قطة" أو "كلب"). يمكن أن يعمل الكشف عن الشذوذ على أنواع مختلفة من البيانات (الصور والسلاسل الزمنية وسجلات الشبكة) ويحدد حالات أو أنماط محددة ضمن البيانات غير الاعتيادية، بدلاً من تصنيف نقطة البيانات بأكملها.
• الكشف عن الشذوذ: غالبًا ما يستخدم بالتبادل مع الكشف عن الشذوذ. ومع ذلك، يشير مصطلح "الشذوذ" عادةً إلى نقطة بيانات بعيدة إحصائيًا عن النقاط الأخرى، في حين أن مصطلح "الشذوذ" يمكن أن يشمل انحرافات أكثر تعقيدًا، بما في ذلك الأنماط غير العادية أو المخالفات السياقية التي قد لا تكون مجرد قيم إحصائية متطرفة.

التطبيقات الواقعية

يعد اكتشاف الشذوذ أمرًا بالغ الأهمية في العديد من المجالات:

• مراقبة جودة التصنيع: التعرف على العيوب مثل الشقوق أو الخدوش أو المحاذاة الخاطئة في المنتجات على خط التجميع باستخدام أنظمة الرؤية. على سبيل المثال، اكتشاف الشقوق الصغيرة في مكونات الطائرات أو الملصقات المطبوعة بشكل غير صحيح على المنتجات الصيدلانية.
• الأمن السيبراني: الكشف عن أنماط حركة مرور الشبكة غير الاعتيادية أو محاولات تسجيل الدخول أو سلوكيات النظام التي قد تشير إلى وجود اختراقات أو إصابات بالبرمجيات الخبيثة أو هجمات الحرمان من الخدمة. يمكن لأنظمة الإنذار الأمني الاستفادة من الكشف عن الحالات الشاذة للإبلاغ عن الأنشطة المشبوهة.
• كشف الاحتيال المالي: تحديد معاملات بطاقات الائتمان غير المصرح بها، أو الأنشطة التجارية غير المعتادة، أو مطالبات التأمين التي تنحرف عن السلوك المعتاد للعملاء.
• الرعاية الصحية وتحليل الصور الطبية: اكتشاف التشوهات في الفحوصات الطبية (مثل الأشعة السينية أو التصوير بالرنين المغناطيسي) التي قد تشير إلى وجود أورام أو أمراض، وغالباً ما تساعد أطباء الأشعة. ومن الأمثلة على ذلك استخدام YOLO11 للكشف عن الأورام.
• مراقبة صحة النظام: الكشف عن مقاييس الأداء غير الاعتيادية في أنظمة تكنولوجيا المعلوماتCPU استخدامCPU وتسريبات الذاكرة) أو الآلات الصناعية(الصيانة التنبؤية) لمنع الأعطال.
• الرصد البيئي: تحديد أحداث التلوث، أو إزالة الغابات غير المشروعة عن طريق تحليل صور الأقمار الصناعية، أو التغيرات غير العادية في النظم الإيكولوجية.

الأدوات والتقنيات

غالبًا ما يتضمن تطوير أنظمة الكشف عن الحالات الشاذة مكتبات قياسية لتعلم الآلة ومنصات متخصصة. أطر عمل مثل PyTorch و TensorFlow أدوات أساسية لبناء نماذج مخصصة. بالنسبة للمهام القائمة على الرؤية، توفر نماذج مثل Ultralytics YOLO يمكن تكييفها. في حين تتفوق نماذج YOLO المدربة مسبقًا في اكتشاف الأشياء الشائعة، إلا أنه يمكن تدريبها بشكل مخصص على مجموعات بيانات محددة لتحديد الحالات الشاذة الخاصة بالمجال، مثل العيوب الفريدة أو الأنماط المرئية غير العادية التي لا تغطيها مجموعات البيانات مثل COCO. توفر منصات مثل Ultralytics HUB بيئات متكاملة للتدريب السحابي والنشر(خيارات نشر النماذج) وإدارة هذه النماذج بكفاءة باستخدام أدوات مثل Ultralytics HUB SDK. تقدم مكتبات مثل Scikit-learn أيضًا خوارزميات مختلفة للكشف عن الحالات الشاذة والمتطرفة.

يُعد اكتشاف الشذوذ قدرة حيوية في مجال الذكاء الاصطناعي والتعلم الآلي الحديث، مما يتيح التحديد الاستباقي للمشكلات والانحرافات الحرجة في العديد من الصناعات. استكشف المزيد حول المفاهيم ذات الصلة في مسرد مصطلحاتUltralytics .