اكتشاف الحالات الشاذة

الكشف عن الشذوذ مقابل الكشف عن الكائنات

من المهم التفريق بين اكتشاف الشذوذ واكتشاف الكائنات.

• اكتشاف الكائنات: تركّز هذه المهمة على تحديد وتحديد مواقع مثيلات فئات الكائنات المعروفة داخل الصورة. على سبيل المثال، يتم تدريب نموذج الكشف عن الكائنات للعثور على جميع السيارات والمشاة وإشارات المرور في صورة من منظر الشارع. يعرف النموذج ما يبحث عنه بناءً على الفئات المحددة مسبقًا في بيانات التدريب الخاصة به.
• اكتشاف الشذوذ: تتمحور هذه المهمة حول تحديد أي شيء ينحرف عن التعريف المكتسب لـ "الطبيعي". في كثير من الحالات، لا يعرف النظام كيف سيبدو الشذوذ مسبقاً. على سبيل المثال، قد يتم تدريبه على آلاف الصور لمنتجات خالية من العيوب ويكلف بالإبلاغ عن أي عيب، سواء كان خدشًا أو انبعاجًا أو تغيرًا في اللون، وهي أنواع من العيوب التي ربما لم يسبق له أن رآها من قبل.

في حين أن نموذج مثل Ultralytics YOLO يمكن تدريبه بشكل مخصص لأداء نسخة من الكشف عن الشذوذ من خلال التعامل مع عيوب محددة كأشياء، إلا أن الأساليب الأساسية تختلف. يتطلب الكشف التقليدي عن الكائنات أمثلة لكل فئة يجب أن يجدها، في حين أن العديد من طرق الكشف عن الشذوذ تتطلب فقط بيانات تمثل الحالة الطبيعية.

طرق الكشف عن الحالات الشاذة

يمكن تصنيف تقنيات اكتشاف الشذوذ بشكل عام بناءً على توافر التسميات في مجموعة البيانات:

• التعلم الخاضع للإشراف: تتطلب هذه الطريقة مجموعة بيانات تم تصنيفها بأمثلة "عادية" وأمثلة "شاذة". يتم تدريب نموذج تصنيف للتمييز بين الاثنين. هذه الطريقة فعالة للغاية ولكنها محدودة بسبب الحاجة إلى مجموعة بيانات كبيرة وجيدة التسمية، والتي قد يكون من الصعب الحصول عليها لأن الحالات الشاذة نادرة بحكم تعريفها.
• التعلّم شبه الخاضع للإشراف: هذا هو النهج الأكثر شيوعًا، حيث يتم تدريب النموذج فقط على مجموعة بيانات من الأمثلة العادية. يتعلم النظام الأنماط العادية ويضع علامة على أي نقطة بيانات تنحرف عن هذا النموذج المكتسب على أنها حالة شاذة. وهذا عملي للغاية في السيناريوهات التي تكون فيها الحالات الشاذة متنوعة وغير متوقعة.
• التعلم غير الخاضع للإشراف: تعمل هذه الطريقة بدون أي تسميات. وهي تعمل على افتراض أن الحالات الشاذة قليلة ومتميزة عن نقاط البيانات العادية. يتم استخدام خوارزميات مثل التجميع (على سبيل المثال، DBSCAN) أو الأساليب الإحصائية لتجميع نقاط البيانات، مع تحديد النقاط المعزولة أو المجموعات الصغيرة على أنها حالات شاذة. يمكن العثور على نظرة عامة شاملة على الأساليب المختلفة في الدراسات الاستقصائية الأكاديمية حول هذا الموضوع، مثل"التعلم العميق للكشف عن الحالات الشاذة: دراسة استقصائية".

التطبيقات الواقعية

يُعد الكشف عن الحالات الشاذة حجر الزاوية في العديد من الأنظمة الذكية، حيث يوفر رؤى مهمة في مختلف الصناعات.

1. مراقبة جودة التصنيع: على خط التجميع، يمكن لأنظمة الرؤية الحاسوبية مراقبة المنتجات في الوقت الفعلي. يمكن للنموذج المدرّب على صور العناصر المثالية أن يكتشف على الفور العيوب مثل الشقوق أو المحاذاة الخاطئة أو المكونات المفقودة. هذا الفحص الآلي الذي غالبًا ما يتم استكشافه في التصنيع الذكي، يحسّن الجودة ويقلل من الهدر بكفاءة أكبر بكثير من الفحوصات اليدوية.
2. الأمن والمراقبة: في الأماكن العامة أو المرافق الآمنة، يمكن لأنظمة المراقبة التي تعمل بالذكاء الاصطناعي اكتشاف الأحداث غير الطبيعية. وتشمل الأمثلة على ذلك تحديد مركبة تسير عكس حركة المرور، أو اكتشاف حقيبة متروكة في المطار، أو الإبلاغ عن دخول غير مصرح به إلى منطقة محظورة. يمكن أن توفر هذه الأنظمة تنبيهات في الوقت الفعلي لموظفي الأمن.
3. الذكاء الاصطناعي في الرعاية الصحية: يساعد الكشف عن الشذوذ في تحليل الصور الطبية من خلال تسليط الضوء على الخلايا السرطانية المحتملة في عمليات المسح أو تحديد ضربات القلب غير المنتظمة من بيانات تخطيط القلب.
4. كشف الاحتيال المالي: تستخدم البنوك والمؤسسات المالية الكشف عن الحالات الشاذة لمراقبة تدفقات المعاملات وتحديد الأنماط التي تشير إلى وجود نشاط احتيالي، مثل تلك الموجودة في مجموعات البيانات العامة مثل مجموعة بيانات الكشف عن الاحتيال في بطاقات الائتمان على Kaggle.
5. الأمن السيبراني: تتم مراقبة حركة مرور البيانات على الشبكة لاكتشاف الأنماط غير الاعتيادية التي قد تشير إلى هجوم إلكتروني أو اختراق للبيانات. وتؤكد منظمات مثل وكالة الأمن السيبراني وأمن البنية التحتية (CISA ) على مثل هذه التدابير الاستباقية.

الأدوات والتقنيات

وغالباً ما يتضمن تطوير أنظمة قوية للكشف عن الحالات الشاذة مزيجاً من مكتبات تعلّم الآلة القياسية والمنصات المتخصصة.

• أطر العمل: توفر PyTorch و TensorFlow الأدوات الأساسية لبناء نماذج التعلم العميق المخصصة وتدريبها.
• المكتبات: بالنسبة للمهام غير المتعلقة بالرؤية، تقدم مكتبات مثل Scikit-learn وحدة مخصصة للكشف عن الحالات الشاذة والمتطرفة باستخدام خوارزميات مختلفة.
• المنصات: توفر منصة Ultralytics HUB بيئة متكاملة تعمل على تبسيط دورة حياة النموذج بالكامل، بدءاً من التدريب القائم على السحابة إلى خيارات نشر النماذج المختلفة، مما يسهل تطوير تطبيقات Vision AI.