اكتشاف الحالات الشاذة

كيف يعمل الكشف عن الحالات الشاذة

تتعلم أنظمة اكتشاف الشذوذ عادةً الأنماط العادية الموجودة في مجموعة بيانات التدريب. يمكن أن يحدث هذا التعلم من خلال طرق مختلفة:

1. الطرق الإحصائية: تستخدم هذه الأساليب الخصائص الإحصائية للبيانات، مثل المتوسط أو الانحراف المعياري أو التوزيعات الاحتمالية، لتحديد نطاق طبيعي. وتُعتبر نقاط البيانات التي تقع خارج هذا النطاق حالات شاذة.
2. مناهج التعلم الآلي:
   • التجميع: تقوم الخوارزميات مثل DBSCAN بتجميع نقاط البيانات المتشابهة معًا. يمكن وضع علامة على النقاط التي لا تنتمي إلى أي مجموعة أو التي تنتمي إلى مجموعات صغيرة جدًا على أنها نقاط شاذة.
   • التصنيف: يمكن تدريب تقنيات مثل آلات دعم المتجهات (SVM) أو الشبكات العصبية (NN) للتمييز بين البيانات العادية والشاذة، وغالبًا ما تتطلب أمثلة مصنفة لكليهما(التعلم تحت الإشراف).
   • أجهزة الترميز التلقائي: تتعلم هذه الشبكات العصبية ضغط البيانات العادية وإعادة بنائها. غالبًا ما تؤدي الحالات الشاذة إلى أخطاء عالية في إعادة البناء، مما يجعلها قابلة للكشف. هذا شكل من أشكال التعلّم غير الخاضع للإشراف لأنه يتعلم في المقام الأول من البيانات العادية.

يعتمد اختيار الطريقة على طبيعة البيانات ومتطلبات التطبيق المحددة.

كشف الشذوذ مقابل المفاهيم ذات الصلة

من المهم التمييز بين اكتشاف الحالات الشاذة ومهام الرؤية الحاسوبية ذات الصلة ومهام تعلّم الآلة:

• اكتشاف الأجسام: تركز هذه المهمة على تحديد الأنواع المعروفة من الأجسام داخل الصورة وتحديد موقعها (على سبيل المثال، العثور على جميع السيارات والمشاة). قد يحدد اكتشاف الشذوذ، خاصة في مجال الرؤية، كائنًا غير متوقع أو عيبًا لا ينتمي إلى فئة محددة مسبقًا. على سبيل المثال، اكتشاف تشقق على سطح ما بدلاً من تحديد السطح نفسه.
• تصنيف الصور: هذا يعين صورة إلى واحدة من عدة فئات محددة مسبقًا (على سبيل المثال، تصنيف صورة على أنها تحتوي على "قطة" أو "كلب"). يحدد الكشف عن الشذوذ الصور أو الأنماط التي لا تتناسب بشكل جيد مع أي من الفئات العادية المتوقعة.

التطبيقات الواقعية

للكشف عن الشذوذ تطبيقات واسعة النطاق:

• مراقبة جودة التصنيع: تحديد العيوب مثل الخدوش أو الشقوق أو المكونات غير المتناسقة على خطوط الإنتاج باستخدام أنظمة الرؤية. يستفيد الذكاء الاصطناعي في التصنيع من ذلك لمنع وصول المنتجات المعيبة إلى المستهلكين. على سبيل المثال، يمكن للنظام أن يضع علامة على زجاجة بها ملصق مطبوع بشكل خاطئ باعتبارها حالة شاذة. يمكنك معرفة المزيد حول كيفية تحسين الرؤية الحاسوبية لمراقبة الجودة.
• الأمن السيبراني: الكشف عن أنماط حركة مرور الشبكة غير الاعتيادية، أو محاولات تسجيل الدخول من مواقع غير متوقعة، أو سلوك النظام غير الطبيعي الذي قد يشير إلى وجود برمجيات خبيثة أو اختراقات أو هجمات الحرمان من الخدمة. تشدد منظمات مثل وكالة الأمن السيبراني وأمن البنية التحتية (CISA ) على أهمية طرق الكشف هذه.
• كشف الاحتيال المالي: تحديد أنماط المعاملات غير النمطية، مثل عمليات الشراء الكبيرة غير المعتادة أو المعاملات من مواقع غير مألوفة، والتي قد تشير إلى نشاط احتيالي. استكشف كيف يؤثر الذكاء الاصطناعي على التمويل.
• الرعاية الصحية: الكشف عن النتائج غير الطبيعية في تحليل الصور الطبية، مثل تحديد الأورام في الفحوصات أو تحديد العلامات الحيوية غير العادية للمريض. شاهد كيف يمكن استخدام نماذج YOLO للكشف عن الأورام.
• مراقبة صحة النظام: مراقبة المستشعرات والسجلات من المعدات الصناعية أو البنية التحتية لتكنولوجيا المعلومات للتنبؤ بالأعطال أو اكتشاف مشكلات الأداء بناءً على الانحرافات عن معايير التشغيل العادية. تحقق من مراقبة الأنظمة القديمة باستخدام YOLO11.

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. توفر منصات مثل Ultralytics HUB بيئات متكاملة لتدريب ونشر وإدارة هذه النماذج بكفاءة.

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 .