Anomali tespiti, veri analizinde ve makine öğreniminde (ML), verilerin çoğundan önemli ölçüde farklılık göstererek şüphe uyandıran nadir öğeleri, olayları veya gözlemleri tanımlamak için kullanılan bir tekniktir. Bu uyumsuz örüntüler genellikle anomaliler, aykırı değerler, istisnalar veya tuhaflıklar olarak adlandırılır. Temel fikir, öncelikle bir veri kümesinde "normal" davranışı neyin oluşturduğuna dair net bir anlayış oluşturmak ve ardından bu normdan önemli ölçüde sapan veri noktalarını veya örüntüleri işaretlemektir. Bu, potansiyel riskleri, hataları veya benzersiz fırsatları belirlemek için çeşitli alanlarda çok önemlidir.
Anomali Tespiti Nasıl Çalışır?
Anomali tespit sistemleri tipik olarak bir eğitim veri setinde bulunan normal örüntüleri öğrenir. Bu öğrenme çeşitli yöntemlerle gerçekleşebilir:
- İstatistiksel Yöntemler: Bu yöntemler, normal bir aralık tanımlamak için ortalama, standart sapma veya olasılık dağılımları gibi verilerin istatistiksel özelliklerini kullanır. Bu aralığın dışında kalan veri noktaları anomali olarak kabul edilir.
- Makine Öğrenimi Yaklaşımları:
- Kümeleme: DBSCAN gibi algoritmalar benzer veri noktalarını bir araya getirir. Herhangi bir kümeye ait olmayan veya çok küçük kümelere ait olan noktalar anomali olarak işaretlenebilir.
- Sınıflandırma: Destek Vektör Makineleri (SVM) veya Sinir Ağları (NN ) gibi teknikler, normal ve anormal verileri ayırt etmek için eğitilebilir ve genellikle her ikisinin de etiketli örneklerini gerektirir(Denetimli Öğrenme).
- Otomatik kodlayıcılar: Bu sinir ağları normal verileri sıkıştırmayı ve yeniden yapılandırmayı öğrenir. Anomaliler genellikle yüksek yeniden yapılandırma hatalarıyla sonuçlanır ve bu da onları tespit edilebilir hale getirir. Bu, öncelikle normal verilerden öğrendiği için bir Denetimsiz Öğrenme biçimidir.
Yöntem seçimi, verilerin niteliğine ve özel uygulama gereksinimlerine bağlıdır.
Anomali Tespiti ve İlgili Kavramlar
Anomali tespitini ilgili bilgisayarla görme (CV) ve makine öğrenimi görevlerinden ayırmak önemlidir:
- Nesne Algılama: Bu görev, bir görüntüdeki bilinen nesne türlerini tanımlamaya ve konumlandırmaya odaklanır (örneğin, tüm arabaları ve yayaları bulmak). Anomali tespiti, özellikle görme alanında, önceden tanımlanmış bir sınıfa ait olmayan beklenmedik bir nesneyi veya bir kusuru tespit edebilir. Örneğin, yüzeyin kendisini tanımlamak yerine yüzeydeki bir çatlağı tespit etmek gibi.
- Görüntü Sınıflandırma: Bu, bir görüntüyü önceden tanımlanmış birkaç kategoriden birine atar (örneğin, bir görüntüyü 'kedi' veya 'köpek' içeriyor olarak sınıflandırmak). Anormallik tespiti, normal, beklenen kategorilerden herhangi birine uymayan görüntüleri veya desenleri tanımlar.
Gerçek Dünya Uygulamaları
Anomali tespitinin geniş kapsamlı uygulamaları vardır:
- Üretim Kalite Kontrolü: Üretim hatlarındaki çizikler, çatlaklar veya yanlış hizalanmış bileşenler gibi kusurların görüş sistemleri kullanılarak tespit edilmesi. Üretimde yapay zeka, hatalı ürünlerin tüketicilere ulaşmasını önlemek için bundan yararlanır. Örneğin, bir sistem yanlış basılmış etikete sahip bir şişeyi anormallik olarak işaretleyebilir. Bilgisayarla görmenin kalite kontrolünü nasıl geliştirdiği hakkında daha fazla bilgi edinebilirsiniz.
- Siber Güvenlik: Olağandışı ağ trafiği modellerini, beklenmedik konumlardan oturum açma girişimlerini veya kötü amaçlı yazılım, izinsiz giriş veya hizmet reddi saldırılarına işaret edebilecek anormal sistem davranışlarını tespit etmek. Siber Güvenlik ve Altyapı Güvenliği Ajansı (CISA) gibi kuruluşlar bu tür tespit yöntemlerinin önemini vurgulamaktadır.
- Finansal Dolandırıcılık Tespiti: Alışılmadık büyüklükteki satın alımlar veya bilinmeyen konumlardan yapılan işlemler gibi dolandırıcılık faaliyetine işaret edebilecek alışılmadık işlem modellerinin belirlenmesi. Yapay zekanın finansı nasıl etkilediğini keşfedin.
- Sağlık Hizmetleri: Tıbbi görüntü analizinde anormal sonuçları tespit etmek, örneğin taramalarda tümörleri tanımlamak veya olağandışı hasta yaşamsal belirtilerini işaretlemek. YOLO modellerinin tümör tespiti için nasıl kullanılabileceğini görün.
- Sistem Sağlığı İzleme: Arızaları tahmin etmek veya normal çalışma parametrelerinden sapmalara dayalı performans sorunlarını tespit etmek için endüstriyel ekipman veya BT altyapısından sensörlerin ve günlüklerin izlenmesi. YOLO11 ile eski sistemlerin izlenmesine göz atın.
Araçlar ve Teknolojiler
Anomali tespit sistemleri geliştirmek genellikle standart makine öğrenimi kütüphanelerini ve özel platformları içerir. Gibi çerçeveler PyTorch ve TensorFlow özel modeller oluşturmak için temel araçlar sağlar. Görme tabanlı görevler için, aşağıdaki gibi modeller Ultralytics YOLO uyarlanabilir. Önceden eğitilmiş YOLO modelleri yaygın nesneleri tespit etmede mükemmel olsa da, benzersiz kusurlar veya olağandışı görsel desenler gibi alana özgü anormallikleri belirlemek için belirli veri kümeleri üzerinde özel olarak eğitilebilirler. Ultralytics HUB gibi platformlar, bu tür modelleri verimli bir şekilde eğitmek, dağıtmak ve yönetmek için entegre ortamlar sunar.
Anomali tespiti, modern yapay zeka ve makine öğreniminde hayati bir yetenektir ve birçok sektörde kritik sorunların ve sapmaların proaktif olarak tanımlanmasını sağlar. Ultralytics Sözlüğümüzde ilgili kavramlar hakkında daha fazlasını keşfedin.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
