이상 징후 탐지

이상 징후 탐지 작동 방식

이상 징후 탐지 시스템은 일반적으로 학습 데이터 세트에 존재하는 정상 패턴을 학습합니다. 이러한 학습은 다양한 방법을 통해 이루어질 수 있습니다:

1. 통계적 방법: 이러한 방법은 평균, 표준 편차 또는 확률 분포와 같은 데이터의 통계적 속성을 사용하여 정상 범위를 정의합니다. 이 범위를 벗어나는 데이터 포인트는 이상 데이터로 간주됩니다.
2. 머신 러닝 접근 방식:
   • 클러스터링: DBSCAN과 같은 알고리즘은 유사한 데이터 포인트를 함께 그룹화합니다. 클러스터에 속하지 않거나 매우 작은 클러스터에 속하는 포인트는 이상 징후로 플래그가 지정될 수 있습니다.
   • 분류: 서포트 벡터 머신(SVM) 또는 신경망(NN) 과 같은 기술은 정상 데이터와 비정상 데이터를 구분하도록 학습할 수 있으며, 종종 두 데이터의 레이블이 지정된 예제(지도 학습)가 필요합니다.
   • 자동 인코더: 이러한 신경망은 정상적인 데이터를 압축하고 재구성하는 방법을 학습합니다. 비정상적인 데이터는 종종 높은 재구성 오류를 발생시켜 이를 감지할 수 있습니다. 이는 주로 정상 데이터에서 학습하므로 비지도 학습의 한 형태입니다.

방법 선택은 데이터의 특성과 특정 애플리케이션 요구 사항에 따라 달라집니다.

이상 징후 탐지 및 관련 개념 비교

이상 징후 탐지를 관련 컴퓨터 비전(CV) 및 머신러닝 작업과 구분하는 것이 중요합니다:

• 물체 감지: 이 작업은 이미지 내에서 알려진 유형의 물체를 식별하고 위치를 찾는 데 중점을 둡니다(예: 모든 자동차와 보행자 찾기). 특히 비전에서 이상 물체 감지는 미리 정의된 클래스에 속하지 않는 예기치 않은 물체나 결함을 식별할 수 있습니다. 예를 들어, 표면 자체를 식별하는 것이 아니라 표면의 균열을 감지하는 것입니다.
• 이미지 분류: 이미지를 미리 정의된 여러 카테고리 중 하나에 할당합니다(예: 이미지를 '고양이' 또는 '개'가 포함된 것으로 분류). 이상 탐지 기능은 정상적이고 예상되는 범주에 잘 맞지 않는 이미지나 패턴을 식별합니다.

실제 애플리케이션

이상 징후 탐지는 광범위하게 활용되고 있습니다:

• 제조 품질 관리: 비전 시스템을 사용하여 생산 라인에서 긁힘, 균열, 잘못 정렬된 구성 요소와 같은 결함을 식별합니다. 제조 분야의 AI는 이를 활용하여 결함이 있는 제품이 소비자에게 전달되는 것을 방지합니다. 예를 들어, 시스템은 라벨이 잘못 인쇄된 병을 비정상적인 것으로 표시할 수 있습니다. 컴퓨터 비전으로 품질 관리를 개선하는 방법에 대해 자세히 알아보세요.
• 사이버 보안: 비정상적인 네트워크 트래픽 패턴, 예상치 못한 위치에서의 로그인 시도 또는 멀웨어, 침입 또는 서비스 거부 공격을 나타낼 수 있는 비정상적인 시스템 동작을 탐지합니다. 사이버 보안 및 인프라 보안 기관(CISA) 과 같은 조직에서는 이러한 탐지 방법의 중요성을 강조합니다.
• 금융 사기 탐지: 비정상적으로 큰 금액의 구매 또는 낯선 위치에서의 거래와 같이 사기 행위의 신호일 수 있는 비정형적인 거래 패턴을 식별합니다. AI가 금융에 미치는 영향에 대해 알아보세요.
• 헬스케어: 스캔에서 종양을 식별하거나 비정상적인 환자 바이탈 사인을 표시하는 등 의료 이미지 분석에서 비정상적인 결과를 감지할 수 있습니다. 종양 탐지에 YOLO 모델을 어떻게 사용할 수 있는지 알아보세요.
• 시스템 상태 모니터링: 산업용 장비 또는 IT 인프라의 센서와 로그를 모니터링하여 고장을 예측하거나 정상 작동 매개변수와의 편차를 기반으로 성능 문제를 감지합니다. YOLO11 레거시 시스템 모니터링에 대해 알아보세요.

도구 및 기술

이상 징후 탐지 시스템을 개발하려면 표준 머신 러닝 라이브러리와 전문 플랫폼이 필요한 경우가 많습니다. 다음과 같은 프레임워크 PyTorch 및 TensorFlow 와 같은 프레임워크는 맞춤형 모델을 구축하기 위한 기본 도구를 제공합니다. 비전 기반 작업의 경우 다음과 같은 모델을 사용할 수 있습니다. Ultralytics YOLO 와 같은 모델을 적용할 수 있습니다. 사전 학습된 YOLO 모델은 일반적인 객체를 감지하는 데 탁월하지만, 특정 데이터 세트에 대해 사용자 정의 학습을 수행하여 고유한 결함이나 비정상적인 시각적 패턴과 같은 도메인별 이상 징후를 식별할 수 있습니다. 이러한 모델을 효율적으로 훈련, 배포 및 관리할 수 있는 통합 환경을 제공하는 플랫폼이 바로 Ultralytics HUB입니다.

이상 징후 탐지는 최신 AI 및 ML의 핵심 기능으로, 수많은 산업에서 중요한 문제와 편차를 사전에 식별할 수 있게 해줍니다. 관련 개념에 대한 자세한 내용은 Ultralytics 용어집에서 살펴보세요.