Anomáliadetektálás

Anomáliadetektálás olyan módszerek és rendszerek összessége, amelyek célja a normától eltérő, szokatlan vagy potenciálisan káros események felismerése adatokban. Az anomániák lehetnek például rendellenes viselkedések, hibák vagy támadások, amelyek előzetes ismeretek nélkül vagy a meglévő modellek alapján eltérnek a várt válaszoktól.

Az alkalmazott megközelítések három fő csoportba sorolhatók: felügyelet nélküli módszerek (unsupervised), amelyek a normától való eltérést címkézetlen adatokból azonosítják; felügyelt módszerek (supervised), amelyekhez rendelkezésre állnak etiketált példák; és félig felügyelt vagy adaptív megközelítések, amelyek részben tanulnak a kontextusból. Emellett online (valós idejű) és batch (ciklusokra bontott) üzemet is megkülönböztetnek.

Gyakori algoritmusok közé tartoznak a statisztikai modellek (például normál eloszlások, ARIMA), klaszterezési módszerek (k-means, DBSCAN), egyetlen osztályos SVM (one-class SVM), rekonstrukció-alapú módszerek (autoenkóderek), valószínűségi modellek és ensemble technikák.

Értékelésére gyakran használnak olyan mérőszámokat, mint a precizitás, a visszahívás (recall), az F1-score és a ROC-AUC. A kihívások közé tartozik az osztály-aránytalanság, a küszöbértékek kiválasztása, a koncepció-drift és a modell interpretálhatósága.

Alkalmazási területek közé tartozik a pénzügyi csalás elleni védelem, hálózati és számítógépes biztonság, ipari berendezések megelőző karbantartása, egészségügyi megfigyelés és gyártási folyamatok nyomon követése.

Kihívások és korlátok közé tartozik az adatok minősége és reprezentativitása, a magas osztály-imbalancia, adatvédelmi és etikai szempontok, valamint a skálázhatóság és a valós idejű feldolgozás igényei.