Détection des anomalies

Comment fonctionne la détection des anomalies

Les techniques de détection des anomalies analysent les données pour établir une base de normalité. Tout ce qui sort de cette ligne de base est signalé comme une anomalie. Les méthodes utilisées peuvent aller d'approches statistiques simples, comme l'identification de points éloignés de la moyenne, à des modèles d'apprentissage profond complexes capables de comprendre des schémas complexes dans des données à haute dimension. Les principales approches comprennent :

• Apprentissage supervisé: Nécessite un ensemble de données étiquetées contenant à la fois des exemples normaux et anormaux. Bien qu'efficace, l'obtention de données d'anomalies étiquetées peut s'avérer difficile car les anomalies sont souvent rares et inattendues.
• Apprentissage semi-supervisé: S'entraîne sur un ensemble de données ne contenant que des données normales. Le modèle apprend les modèles normaux, et tout point de données qui ne s'y conforme pas est considéré comme anormal. Cette méthode est utile lorsque les anomalies sont diverses ou mal définies.
• Apprentissage non supervisé: Ne nécessite pas de données étiquetées. Il utilise des techniques telles que le regroupement (par exemple, DBSCAN) ou la réduction de la dimensionnalité (par exemple, PCA) pour identifier les points de données qui sont isolés ou différents de la majorité. Les autoencodeurs sont également couramment utilisés ici.

Détection des anomalies et concepts connexes

Bien que liée à d'autres tâches d'analyse de données, la détection d'anomalies a des objectifs distincts :

• Détection d'objets: Vise à identifier et à localiser des instances d'objets connus (comme des voitures, des personnes) dans une image à l'aide de boîtes de délimitation. La détection d'anomalies, en particulier dans le domaine de la vision par ordinateur, se concentre sur l'identification de modèles visuels inattendus ou de défauts qui ne correspondent pas à la norme, qui peuvent ne pas correspondre à des classes d'objets prédéfinies.
• Classification d'images: Attribue une seule étiquette à une image entière (par exemple, "chat" ou "chien"). La détection des anomalies peut fonctionner sur différents types de données (images, séries chronologiques, journaux de réseau) et identifie des instances ou des modèles spécifiques au sein des données qui sont inhabituels, plutôt que de classer l'ensemble du point de données.
• Détection des valeurs aberrantes : Souvent utilisée de façon interchangeable avec la détection des anomalies. Cependant, le terme "aberration" fait généralement référence à un point de données qui est statistiquement éloigné des autres, tandis que le terme "anomalie" peut englober des écarts plus complexes, notamment des modèles inhabituels ou des irrégularités contextuelles qui pourraient ne pas être de simples aberrations statistiques.

Applications dans le monde réel

La détection des anomalies est essentielle dans de nombreux domaines :

• Contrôle de la qualité de la fabrication: Identifier les défauts tels que les fissures, les rayures ou les mauvais alignements des produits sur une chaîne de montage à l'aide de systèmes de vision. Par exemple, détecter de minuscules fissures dans les composants d'un avion ou des étiquettes mal imprimées sur des produits pharmaceutiques.
• Cybersécurité: Détecter des modèles inhabituels de trafic réseau, des tentatives de connexion ou des comportements du système qui pourraient indiquer des intrusions, des infections par des logiciels malveillants ou des attaques par déni de service. Les systèmes d'alarme de sécurité peuvent exploiter la détection d'anomalies pour signaler les activités suspectes.
• Détection des fraudes financières: Identifier les transactions non autorisées par carte de crédit, les activités commerciales inhabituelles ou les demandes d'assurance qui s'écartent du comportement habituel des clients.
• Analyse d'images médicales et de soins de santé: Repérer les anomalies dans les scans médicaux (comme les rayons X ou les IRM) qui pourraient indiquer des tumeurs ou des maladies, souvent en aidant les radiologues. L 'utilisation de YOLO11 pour la détection des tumeurs en est un exemple.
• Surveillance de la santé du système : Détecter des mesures de performance inhabituelles dans les systèmes informatiquesCPU utilisation duCPU , fuites de mémoire) ou les machines industrielles(maintenance prédictive) afin de prévenir les pannes.
• Surveillance de l'environnement: Identifier les événements de pollution, la déforestation illégale via l'analyse d'images satellites, ou les changements inhabituels dans les écosystèmes.

Outils et technologies

Le développement de systèmes de détection d'anomalies fait souvent appel à des bibliothèques ML standard et à des plateformes spécialisées. Des frameworks comme PyTorch et TensorFlow fournissent des outils fondamentaux pour construire des modèles personnalisés. Pour les tâches basées sur la vision, des modèles comme Ultralytics YOLO peuvent être adaptés. Alors que les modèles YOLO pré-entraînés excellent dans la détection d'objets communs, ils peuvent être entraînés sur mesure sur des ensembles de données spécifiques pour identifier des anomalies propres à un domaine, comme des défauts uniques ou des modèles visuels inhabituels non couverts par des ensembles de données tels que COCO. Des plateformes comme Ultralytics HUB offrent des environnements intégrés pour l'entraînement dans le nuage, le déploiement(options de déploiement de modèles) et la gestion efficace de ces modèles à l'aide d'outils comme le SDKUltralytics HUB. Des bibliothèques comme Scikit-learn proposent également divers algorithmes pour la détection des valeurs aberrantes et des anomalies.

La détection des anomalies est une capacité essentielle de l'IA et de la ML modernes, qui permet d'identifier de manière proactive les problèmes et les écarts critiques dans de nombreux secteurs d'activité. Explore davantage les concepts connexes dans notre glossaireUltralytics .