anomaliatunnistuksesta

Anomaliatunnistus, joka tunnetaan myös poikkeamien havaitsemisena tai outolier-analyysinä, on menetelmä, jolla pyritään tunnistamaan datajoukoista harvinaisia havaintoja, tapahtumia tai kohteita, jotka poikkeavat merkittävästi suuresta osasta dataa. Näitä poikkeamia kutsutaan anomalioiksi, poikkeamiksi tai outoliereiksi. Anomaliatunnistuksen päätavoite on löytää sellaisia dataelementtejä, jotka ovat epätavallisia ja epäilyttäviä.

Menetelmää käytetään monilla eri aloilla. Esimerkiksi rahoitusmaailmassa sitä hyödynnetään luottokorttipetosten ja rahanpesun havaitsemisessa. Terveysalalla anomaliatunnistusta voidaan käyttää sairauksien tai poikkeavien potilastulosten tunnistamiseen. Teollisuudessa sitä voidaan käyttää laitteiden vikojen ennakoivassa tunnistamisessa. Kyberturvallisuudessa se auttaa havaitsemaan tunkeutumisyrityksiä tai haittaohjelmia.

Anomaliatunnistukseen on kehitetty useita erilaisia algoritmeja ja tekniikoita. Yksinkertaisimpia menetelmiä ovat tilastolliset lähestymistavat, kuten Z-pisteet tai interkvartiiliväli, jotka perustuvat datan jakaumaan. Koneoppimismenetelmät ovat yleistyneet huomattavasti, ja ne voidaan jakaa esimerkiksi valvottuihin, valvomattomiin ja puolivalvottuihin lähestymistapoihin. Valvomattomassa oppimisessa ei tarvita valmiita merkintöjä normaalista ja poikkeavasta datasta, mikä tekee siitä soveltuvan moniin todellisen maailman tilanteisiin, joissa poikkeamat ovat harvinaisia ja tuntemattomia. Yleisiä valvomattomia menetelmiä ovat esimerkiksi etäisyyteen perustuvat menetelmät, klusterointi ja tiheysperusteiset menetelmät.