Detección de anomalías

Detección de anomalías frente a detección de objetos

Es importante diferenciar la detección de anomalías de la detección de objetos.

• Detección de objetos: Esta tarea se centra en identificar y localizar instancias de clases de objetos conocidas dentro de una imagen. Por ejemplo, un modelo de detección de objetos se entrena para encontrar todos los coches, peatones y señales de tráfico en una imagen de una calle. El modelo sabe lo que busca basándose en categorías predefinidas en sus datos de entrenamiento.
• Detección de anomalías: Esta tarea consiste en identificar cualquier cosa que se desvíe de una definición aprendida de "normal". En muchos casos, el sistema no sabe de antemano qué aspecto tendrá la anomalía. Por ejemplo, puede entrenarse con miles de imágenes de productos impecables y encargársele que señale cualquier imperfección, ya sea un arañazo, una abolladura o una decoloración, tipos de defectos que puede no haber visto nunca.

Aunque un modelo como Ultralytics YOLO puede entrenarse a medida para realizar una versión de la detección de anomalías tratando defectos específicos como objetos, los enfoques fundamentales difieren. La detección de objetos tradicional requiere ejemplos de cada clase que debe encontrar, mientras que muchos métodos de detección de anomalías solo requieren datos que representen un estado normal.

Métodos de detección de anomalías

Las técnicas de detección de anomalías pueden clasificarse a grandes rasgos en función de la disponibilidad de etiquetas en el conjunto de datos:

• Aprendizaje supervisado: Este método requiere un conjunto de datos etiquetados con ejemplos "normales" y "anómalos". Se entrena un modelo de clasificación para distinguir entre ambos. Este método es muy eficaz, pero se ve limitado por la necesidad de un conjunto de datos amplio y bien etiquetado, que puede ser difícil de obtener, ya que las anomalías son, por definición, poco frecuentes.
• Aprendizaje semisupervisado: Este es el enfoque más común, en el que el modelo se entrena sólo en un conjunto de datos de ejemplos normales. El sistema aprende los patrones normales y marca como anomalía cualquier punto de datos que se desvíe de este modelo aprendido. Resulta muy práctico en situaciones en las que las anomalías son diversas e impredecibles.
• Aprendizaje no supervisado: Este método funciona sin etiquetas. Parte del supuesto de que las anomalías son pocas y distintas de los puntos de datos normales. Se utilizan algoritmos como el clustering (por ejemplo, DBSCAN) o métodos estadísticos para agrupar los puntos de datos, y los puntos aislados o los pequeños clusters se identifican como anomalías. En estudios académicos sobre el tema, como"Deep Learning for Anomaly Detection: A Survey".

Aplicaciones reales

La detección de anomalías es la piedra angular de muchos sistemas inteligentes y proporciona información crítica en todos los sectores.

1. Control de calidad de la fabricación: En una cadena de montaje, los sistemas de visión por ordenador pueden controlar los productos en tiempo real. Un modelo entrenado en imágenes de artículos perfectos puede detectar al instante defectos como grietas, desalineaciones o componentes que faltan. Esta inspección automatizada, a menudo explorada en la fabricación inteligente, mejora la calidad y reduce los residuos de forma mucho más eficaz que los controles manuales.
2. Seguridad y vigilancia: En espacios públicos o instalaciones seguras, los sistemas de vigilancia basados en IA pueden detectar sucesos anómalos. Por ejemplo, identificar un vehículo que circula en sentido contrario a la circulación, detectar una maleta abandonada en un aeropuerto o señalar el acceso no autorizado a una zona restringida. Estos sistemas pueden alertar en tiempo real al personal de seguridad.
3. La IA en la sanidad: La detección de anomalías ayuda en el análisis de imágenes médicas destacando células potencialmente cancerosas en las exploraciones o identificando latidos irregulares a partir de datos de ECG.
4. Detección de fraudes financieros: Los bancos y las instituciones financieras utilizan la detección de anomalías para supervisar flujos de transacciones e identificar patrones indicativos de actividad fraudulenta, como los que se encuentran en conjuntos de datos públicos como el conjunto de datos de detección de fraudes con tarjetas de crédito en Kaggle.
5. Ciberseguridad: El tráfico de la red se controla para detectar patrones inusuales que podrían indicar un ciberataque o una violación de datos. Organizaciones como la Agencia de Ciberseguridad y Seguridad de las Infraestructuras (CISA ) hacen hincapié en este tipo de medidas proactivas.

Herramientas y tecnologías

El desarrollo de sistemas robustos de detección de anomalías suele implicar una combinación de bibliotecas ML estándar y plataformas especializadas.

• Marcos de trabajo: PyTorch y TensorFlow proporcionan las herramientas básicas para crear y entrenar modelos de aprendizaje profundo personalizados.
• Bibliotecas: Para tareas ajenas a la visión, bibliotecas como Scikit-learn ofrecen un módulo dedicado a la detección de valores atípicos y anomalías con diversos algoritmos.
• Plataformas: Ultralytics HUB ofrece un entorno integrado que agiliza todo el ciclo de vida del modelo, desde la formación basada en la nube hasta las distintas opciones de despliegue del modelo, lo que simplifica el desarrollo de aplicaciones Vision AI.