Deteção de anomalias

Como funciona a deteção de anomalias

As técnicas de deteção de anomalias analisam os dados para estabelecer uma linha de base de normalidade. Qualquer coisa que esteja fora desta linha de base é assinalada como uma anomalia. Os métodos utilizados podem variar desde abordagens estatísticas simples, como a identificação de pontos afastados da média, até modelos complexos de aprendizagem profunda capazes de compreender padrões intrincados em dados de elevada dimensão. As principais abordagens incluem:

• Aprendizagem supervisionada: Requer um conjunto de dados rotulados contendo exemplos normais e anómalos. Embora eficaz, a obtenção de dados de anomalias rotulados pode ser um desafio, uma vez que as anomalias são frequentemente raras e inesperadas.
• Aprendizagem semi-supervisionada: Treina em um conjunto de dados que contém apenas dados normais. O modelo aprende os padrões normais, e qualquer ponto de dados que não esteja em conformidade é considerado anómalo. Isto é útil quando as anomalias são diversas ou mal definidas.
• Aprendizagem não supervisionada: Não requer dados rotulados. Utiliza técnicas como o agrupamento (por exemplo, DBSCAN) ou a redução da dimensionalidade (por exemplo, PCA) para identificar pontos de dados isolados ou diferentes da maioria. Os autoencoders também são normalmente utilizados aqui.

Deteção de anomalias vs. conceitos relacionados

Embora relacionada com outras tarefas de análise de dados, a deteção de anomalias tem objectivos distintos:

• Deteção de objectos: Procura identificar e localizar instâncias de objectos conhecidos (como carros, pessoas) dentro de uma imagem utilizando caixas delimitadoras. A deteção de anomalias, especialmente na visão por computador, centra-se na identificação de padrões visuais inesperados ou defeitos que não se enquadram na norma, que podem não corresponder a classes de objectos predefinidas.
• Classificação de imagens: Atribui um único rótulo a uma imagem inteira (por exemplo, "gato" ou "cão"). A deteção de anomalias pode funcionar em vários tipos de dados (imagens, séries temporais, registos de rede) e identifica instâncias ou padrões específicos nos dados que são invulgares, em vez de classificar todo o ponto de dados.
• Deteção de anomalias: Frequentemente utilizada de forma intercambiável com a deteção de anomalias. No entanto, "outlier" refere-se normalmente a um ponto de dados que está estatisticamente distante dos outros, enquanto que "anomalia" pode abranger desvios mais complexos, incluindo padrões invulgares ou irregularidades contextuais que podem não ser simples outliers estatísticos.

Aplicações no mundo real

A deteção de anomalias é fundamental em vários domínios:

• Controlo de qualidade de fabrico: Identificação de defeitos como fissuras, riscos ou desalinhamentos em produtos numa linha de montagem utilizando sistemas de visão. Por exemplo, detetar pequenas fissuras em componentes de aeronaves ou rótulos impressos incorretamente em produtos farmacêuticos.
• Cibersegurança: Detecta padrões de tráfego de rede invulgares, tentativas de início de sessão ou comportamentos do sistema que possam indicar intrusões, infecções por malware ou ataques de negação de serviço. Os sistemas de alarme de segurança podem aproveitar a deteção de anomalias para assinalar actividades suspeitas.
• Deteção de fraudes financeiras: Identifica transacções de cartão de crédito não autorizadas, actividades comerciais invulgares ou pedidos de seguro que se desviam do comportamento típico do cliente.
• Cuidados de saúde e análise de imagens médicas: Detecta anomalias em exames médicos (como raios X ou ressonâncias magnéticas) que podem indicar tumores ou doenças, auxiliando frequentemente os radiologistas. A utilização do YOLO11 para a deteção de tumores é um exemplo.
• Monitorização do estado do sistema: Detecta métricas de desempenho invulgares em sistemas de TICPU utilizaçãoCPU , fugas de memória) ou máquinas industriais(manutenção preditiva) para evitar falhas.
• Monitorização ambiental: Identifica eventos de poluição, desflorestação ilegal através da análise de imagens de satélite ou alterações invulgares nos ecossistemas.

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 à medida em conjuntos de dados específicos para identificar anomalias específicas do domínio, como defeitos únicos ou padrões visuais invulgares não abrangidos por conjuntos de dados como o COCO. Plataformas como o Ultralytics HUB oferecem ambientes integrados para formação na nuvem, implementação(opções de implementação de modelos) e gestão eficiente desses modelos utilizando ferramentas como o Ultralytics HUB SDK. Bibliotecas como a Scikit-learn também oferecem vários algoritmos para a deteção de anomalias e de valores atípicos.

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 .