Anomalie-Erkennung

Wie Anomalie-Erkennung funktioniert

Bei der Erkennung von Anomalien werden Daten analysiert, um eine Basislinie für die Normalität festzulegen. Alles, was von dieser Basislinie abweicht, wird als Anomalie gekennzeichnet. Die verwendeten Methoden reichen von einfachen statistischen Ansätzen, wie der Identifizierung von Punkten, die weit vom Mittelwert abweichen, bis hin zu komplexen Deep-Learning-Modellen, die komplexe Muster in hochdimensionalen Daten erkennen können. Zu den wichtigsten Ansätzen gehören:

• Überwachtes Lernen: Benötigt einen markierten Datensatz, der sowohl normale als auch anomale Beispiele enthält. Es ist zwar effektiv, aber es kann schwierig sein, markierte Anomaliedaten zu erhalten, da Anomalien oft selten und unerwartet sind.
• Semi-Supervised Learning: Das Modell wird mit einem Datensatz trainiert, der nur normale Daten enthält. Das Modell lernt die normalen Muster, und jeder Datenpunkt, der nicht damit übereinstimmt, wird als anomal betrachtet. Dies ist nützlich, wenn Anomalien vielfältig oder schlecht definiert sind.
• Unüberwachtes Lernen: Benötigt keine gelabelten Daten. Es nutzt Techniken wie Clustering (z. B. DBSCAN) oder Dimensionalitätsreduktion (z. B. PCA), um Datenpunkte zu identifizieren, die isoliert sind oder sich von der Mehrheit unterscheiden. Auch Autoencoder werden hier häufig eingesetzt.

Anomalie-Erkennung und verwandte Konzepte

Die Erkennung von Anomalien ist zwar mit anderen Aufgaben der Datenanalyse verwandt, hat aber andere Ziele:

• Objekterkennung: Ziel ist es, bekannte Objekte (z. B. Autos, Menschen) in einem Bild mithilfe von Begrenzungsrahmen zu identifizieren und zu lokalisieren. Die Erkennung von Anomalien, insbesondere in der Computer Vision, konzentriert sich auf die Identifizierung von unerwarteten visuellen Mustern oder Defekten, die nicht der Norm entsprechen und möglicherweise nicht den vordefinierten Objektklassen entsprechen.
• Bildklassifizierung: Weist einem ganzen Bild eine einzige Bezeichnung zu (z. B. "Katze" oder "Hund"). Die Erkennung von Anomalien kann mit verschiedenen Datentypen arbeiten (Bilder, Zeitreihen, Netzwerkprotokolle) und identifiziert bestimmte Instanzen oder Muster innerhalb der Daten, die ungewöhnlich sind, anstatt den gesamten Datenpunkt zu klassifizieren.
• Ausreißer-Erkennung: Wird oft gleichbedeutend mit der Erkennung von Anomalien verwendet. Der Begriff "Ausreißer" bezieht sich jedoch in der Regel auf einen Datenpunkt, der statistisch gesehen von anderen abweicht, während "Anomalie" komplexere Abweichungen umfassen kann, einschließlich ungewöhnlicher Muster oder kontextueller Unregelmäßigkeiten, die keine einfachen statistischen Ausreißer sind.

Anwendungen in der realen Welt

Die Erkennung von Anomalien ist in vielen Bereichen wichtig:

• Qualitätskontrolle in der Fertigung: Erkennen von Fehlern wie Rissen, Kratzern oder Ausrichtungsfehlern in Produkten auf einer Montagelinie mithilfe von Bildverarbeitungssystemen. Zum Beispiel, um winzige Risse in Flugzeugteilen oder falsch gedruckte Etiketten auf pharmazeutischen Produkten zu erkennen.
• Cybersecurity: Erkennung von ungewöhnlichen Netzwerkverkehrsmustern, Anmeldeversuchen oder Systemverhalten, die auf Einbrüche, Malware-Infektionen oder Denial-of-Service-Angriffe hindeuten könnten. Sicherheitsalarmsysteme können die Anomalieerkennung nutzen, um verdächtige Aktivitäten zu erkennen.
• Aufdeckung von Finanzbetrug: Erkennen von nicht autorisierten Kreditkartentransaktionen, ungewöhnlichen Handelsaktivitäten oder Versicherungsansprüchen, die vom typischen Kundenverhalten abweichen.
• Gesundheitswesen und medizinische Bildanalyse: Das Erkennen von Anomalien in medizinischen Aufnahmen (wie Röntgenaufnahmen oder MRTs), die auf Tumore oder Krankheiten hinweisen könnten, hilft Radiologen oft weiter. Der Einsatz von YOLO11 zur Tumorerkennung ist ein Beispiel dafür.
• Überwachung des Systemzustands: Erkennung ungewöhnlicher Leistungskennzahlen in IT-SystemenCPU , Speicherlecks) oder Industriemaschinen(vorausschauende Wartung), um Ausfälle zu verhindern.
• Umweltüberwachung: Identifizierung von Verschmutzungsereignissen, illegaler Abholzung durch Satellitenbildanalyse oder ungewöhnlichen Veränderungen in Ökosystemen.

Werkzeuge und Technologien

Bei der Entwicklung von Anomalieerkennungssystemen werden oft Standard-ML-Bibliotheken und spezielle Plattformen eingesetzt. Frameworks wie PyTorch und TensorFlow bieten grundlegende Werkzeuge für die Erstellung eigener Modelle. Für bildverarbeitungsbasierte Aufgaben sind Modelle wie Ultralytics YOLO angepasst werden. Vorgefertigte YOLO eignen sich hervorragend für die Erkennung gängiger Objekte. Sie können jedoch auch für bestimmte Datensätze angepasst werden, um domänenspezifische Anomalien zu erkennen, z. B. einzigartige Defekte oder ungewöhnliche visuelle Muster, die von Datensätzen wie COCO nicht erfasst werden. Plattformen wie Ultralytics HUB bieten integrierte Umgebungen für das Training in der Cloud, die Bereitstellung(Optionen für die Modellbereitstellung) und die effiziente Verwaltung solcher Modelle mit Tools wie dem Ultralytics HUB SDK. Bibliotheken wie Scikit-learn bieten außerdem verschiedene Algorithmen zur Erkennung von Ausreißern und Anomalien.

Die Erkennung von Anomalien ist eine wichtige Fähigkeit in der modernen KI und ML, die eine proaktive Identifizierung von kritischen Problemen und Abweichungen in zahlreichen Branchen ermöglicht. Erfahre mehr über verwandte Konzepte in unserem Ultralytics Glossar.