A deteção de anomalias é uma técnica utilizada na análise de dados e na aprendizagem automática (ML) para identificar itens, eventos ou observações raros que levantam suspeitas por diferirem significativamente da maioria dos dados. Estes padrões não conformes são frequentemente designados por anomalias, outliers, excepções ou peculiaridades. A ideia central é, em primeiro lugar, estabelecer um entendimento claro do que constitui um comportamento "normal" num conjunto de dados e, em seguida, assinalar quaisquer pontos de dados ou padrões que se desviem substancialmente desta norma. Isto é crucial em vários domínios para identificar potenciais riscos, erros ou oportunidades únicas.
Como funciona a deteção de anomalias
Os sistemas de deteção de anomalias aprendem normalmente os padrões normais presentes num conjunto de dados de treino. Esta aprendizagem pode ser efectuada através de vários métodos:
- Métodos estatísticos: Estes métodos utilizam propriedades estatísticas dos dados, como a média, o desvio padrão ou as distribuições de probabilidade, para definir um intervalo normal. Os pontos de dados que se situam fora deste intervalo são considerados anomalias.
- Abordagens de aprendizagem automática:
- Agrupamento: Algoritmos como o DBSCAN agrupam pontos de dados semelhantes. Os pontos que não pertencem a nenhum cluster ou que pertencem a clusters muito pequenos podem ser assinalados como anomalias.
- Classificação: Técnicas como as Máquinas de Vectores de Suporte (SVM) ou as Redes Neuronais (NN) podem ser treinadas para distinguir entre dados normais e anómalos, exigindo frequentemente exemplos rotulados de ambos(Aprendizagem Supervisionada).
- Autoencodificadores: Estas redes neuronais aprendem a comprimir e a reconstruir dados normais. As anomalias resultam frequentemente em erros de reconstrução elevados, tornando-as detectáveis. Esta é uma forma de aprendizagem não supervisionada, uma vez que aprende principalmente a partir de dados normais.
A escolha do método depende da natureza dos dados e dos requisitos específicos da aplicação.
Deteção de anomalias vs. conceitos relacionados
É importante distinguir a deteção de anomalias das tarefas relacionadas com a visão computacional (CV) e o ML:
- Deteção de objectos: Esta tarefa centra-se na identificação e localização de tipos conhecidos de objectos numa imagem (por exemplo, encontrar todos os carros e peões). A deteção de anomalias, particularmente na visão, pode identificar um objeto inesperado ou um defeito que não pertença a uma classe predefinida. Por exemplo, detetar uma fenda numa superfície em vez de identificar a própria superfície.
- Classificação de imagens: Atribui uma imagem a uma de várias categorias predefinidas (por exemplo, classifica uma imagem como contendo um "gato" ou um "cão"). A deteção de anomalias identifica imagens ou padrões que não se enquadram bem em nenhuma das categorias normais e esperadas.
Aplicações no mundo real
A deteção de anomalias tem uma vasta gama de aplicações:
- Controlo de qualidade de fabrico: Identifica defeitos como riscos, fissuras ou componentes desalinhados nas linhas de produção utilizando sistemas de visão. A IA no fabrico tira partido disto para evitar que produtos defeituosos cheguem aos consumidores. Por exemplo, um sistema pode assinalar uma garrafa com um rótulo mal impresso como uma anomalia. Podes saber mais sobre como a visão por computador melhora o controlo de qualidade.
- Cibersegurança: Detecta padrões incomuns de tráfego de rede, tentativas de login de locais inesperados ou comportamento anormal do sistema que podem indicar malware, intrusões ou ataques de negação de serviço. Organizações como a Cybersecurity and Infrastructure Security Agency (CISA) enfatizam a importância desses métodos de deteção.
- Deteção de fraude financeira: Identifica padrões de transação atípicos, tais como compras invulgarmente grandes ou transacções de locais desconhecidos, que podem indicar atividade fraudulenta. Explora o impacto da IA nas finanças.
- Cuidados de saúde: Detecta resultados anormais na análise de imagens médicas, como a identificação de tumores em exames ou a sinalização de sinais vitais invulgares de pacientes. Vê como os modelos YOLO podem ser utilizados para a deteção de tumores.
- Monitorização do estado do sistema: Monitorização de sensores e registos de equipamentos industriais ou infra-estruturas de TI para prever falhas ou detetar problemas de desempenho com base em desvios dos parâmetros de funcionamento normais. Verifica a monitorização de sistemas antigos com o YOLO11.
Ferramentas e tecnologias
O desenvolvimento de sistemas de deteção de anomalias envolve frequentemente bibliotecas ML padrão e plataformas especializadas. Frameworks como PyTorch e TensorFlow fornecem ferramentas fundamentais para a construção de modelos personalizados. Para tarefas baseadas na visão, modelos como o Ultralytics YOLO da Ultralytics podem ser adaptados. Embora os modelos YOLO pré-treinados sejam excelentes na deteção de objectos comuns, podem ser treinados de forma personalizada em conjuntos de dados específicos para identificar anomalias específicas do domínio, como defeitos únicos ou padrões visuais invulgares. Plataformas como o Ultralytics HUB oferecem ambientes integrados para treinar, implantar e gerenciar esses modelos de forma eficiente.
A deteção de anomalias é uma capacidade vital na IA e no ML modernos, permitindo a identificação proactiva de problemas e desvios críticos em vários sectores. Explora mais sobre conceitos relacionados no nosso GlossárioUltralytics .
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI
