AI/MLにおける異常検知は、データの異常なパターンを特定し、不正防止やヘルスケアなどに応用されます。
アノマリー検出とは、データ分析や機械学習(ML)において、データの大部分と大きく異なることによって疑惑を持たれるような、まれな項目、事象、または観察を特定するために使用される技術である。これらの不適合なパターンは、しばしば異常、外れ値、例外、または特異性と呼ばれる。核となる考え方は、まずデータセット内の「正常な」振る舞いを構成するものについての明確な理解を確立し、次にこの規範から大きく逸脱したデータポイントやパターンにフラグを立てることである。これは、潜在的なリスク、エラー、またはユニークな機会を特定するために、様々な領域で極めて重要である。
異常検知システムは通常、訓練データセットに存在する正常なパターンを学習する。この学習は様々な方法によって行われる:
どの方法を選択するかは、データの性質と特定のアプリケーションの要件に依存する。
異常検知を、関連するコンピュータビジョン(CV)やMLタスクと区別することは重要である:
異常検知の応用範囲は広い:
異常検知システムの開発には、標準的なMLライブラリや特殊なプラットフォームが使われることが多い。例えば PyTorchや TensorFlowのようなフレームワークは、カスタムモデルを構築するための基本的なツールを提供する。視覚ベースのタスクには Ultralytics YOLOのようなモデルを適応させることができる。事前にトレーニングされたYOLO モデルは、一般的なオブジェクトの検出に優れていますが、特定のデータセットでカスタムトレーニングすることで、固有の欠陥や異常な視覚パターンなど、ドメイン固有の異常を識別することができます。Ultralytics HUBのようなプラットフォームは、このようなモデルを効率的にトレーニング、デプロイ、管理するための統合環境を提供します。
異常検知は、現代のAIとMLにおいて不可欠な機能であり、多くの業界において重大な問題や逸脱を事前に特定することを可能にします。関連概念については、Ultralytics 用語集をご覧ください。