Détection des anomalies

Comment fonctionne la détection des anomalies

Les systèmes de détection des anomalies apprennent généralement les schémas normaux présents dans un ensemble de données d'apprentissage. Cet apprentissage peut se faire par le biais de différentes méthodes :

1. Méthodes statistiques : Ces méthodes utilisent les propriétés statistiques des données, comme la moyenne, l'écart-type ou les distributions de probabilité, pour définir une plage normale. Les points de données qui se situent en dehors de cette fourchette sont considérés comme des anomalies.
2. Approches d'apprentissage automatique :
   • Regroupement : Les algorithmes tels que DBSCAN regroupent les points de données similaires. Les points qui n'appartiennent à aucune grappe ou qui appartiennent à de très petites grappes peuvent être signalés comme des anomalies.
   • Classification : Des techniques telles que les machines à vecteurs de support (SVM) ou les réseaux neuronaux (NN) peuvent être formées pour distinguer les données normales des données anormales, ce qui nécessite souvent des exemples étiquetés des deux(apprentissage supervisé).
   • Autoencodeurs : Ces réseaux neuronaux apprennent à compresser et à reconstruire des données normales. Les anomalies entraînent souvent des erreurs de reconstruction élevées, ce qui les rend détectables. Il s'agit d'une forme d'apprentissage non supervisé car il apprend principalement à partir de données normales.

Le choix de la méthode dépend de la nature des données et des exigences spécifiques de l'application.

Détection des anomalies et concepts connexes

Il est important de distinguer la détection d'anomalies des tâches connexes de vision par ordinateur (VA) et de ML :

• Détection d'objets: Cette tâche se concentre sur l'identification et la localisation de types d'objets connus dans une image (par exemple, trouver toutes les voitures et tous les piétons). La détection d'anomalies, en particulier dans le domaine de la vision, peut permettre d'identifier un objet inattendu ou un défaut qui n'appartient pas à une classe prédéfinie. Par exemple, détecter une fissure sur une surface plutôt que d'identifier la surface elle-même.
• Classification des images: Elle attribue une image à l'une de plusieurs catégories prédéfinies (par exemple, classer une image comme contenant un "chat" ou un "chien"). La détection des anomalies identifie les images ou les modèles qui ne correspondent pas bien à l'une des catégories normales et attendues.

Applications dans le monde réel

La détection des anomalies a des applications très variées :

• Contrôle de la qualité de la fabrication : Identifier les défauts comme les rayures, les fissures ou les composants mal alignés sur les lignes de production à l'aide de systèmes de vision. L 'IA dans la fabrication en tire parti pour empêcher les produits défectueux d'atteindre les consommateurs. Par exemple, un système pourrait signaler comme une anomalie une bouteille dont l'étiquette est mal imprimée. Tu peux en savoir plus sur la façon dont la vision par ordinateur améliore le contrôle de la qualité.
• Cybersécurité : Détection de modèles inhabituels de trafic réseau, de tentatives de connexion à partir d'endroits inattendus ou de comportements anormaux du système qui pourraient indiquer des logiciels malveillants, des intrusions ou des attaques par déni de service. Des organisations comme l'Agence pour la cybersécurité et la sécurité des infrastructures (CISA) soulignent l'importance de ces méthodes de détection.
• Détection des fraudes financières : Identifier des modèles de transactions atypiques, comme des achats d'un montant inhabituellement élevé ou des transactions effectuées à partir de lieux inconnus, qui pourraient signaler une activité frauduleuse. Explore l'impact de l'IA sur la finance.
• Santé : Détecter des résultats anormaux dans l'analyse d'images médicales, comme identifier des tumeurs dans des scanners ou signaler des signes vitaux inhabituels chez un patient. Vois comment les modèles YOLO peuvent être utilisés pour la détection des tumeurs.
• Surveillance de la santé du système : Surveillance des capteurs et des journaux de l'équipement industriel ou de l'infrastructure informatique pour prédire les pannes ou détecter les problèmes de performance en fonction des écarts par rapport aux paramètres de fonctionnement normaux. Découvre la surveillance des systèmes existants avec YOLO11.

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. Des plateformes comme Ultralytics HUB offrent des environnements intégrés pour former, déployer et gérer efficacement de tels modèles.

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 .