اكتشاف الحالات الشاذة

كشف الحالات الشاذة هو أسلوب يُستخدم في التعلم الآلي (ML) لتحديد العناصر أو الأحداث أو الملاحظات النادرة التي تثير الشكوك من خلال اختلافها بشكل كبير عن غالبية البيانات. تُعرف هذه الحالات غير المطابقة باسم الحالات الشاذة أو القيم المتطرفة أو المستجدات. الهدف الأساسي هو التمييز بين نقاط البيانات العادية وغير الطبيعية تلقائيًا. هذه القدرة ضرورية في مجموعة واسعة من المجالات، لأنها تمكن من التحديد الاستباقي للمشكلات مثل فشل المعدات والاحتيال المالي والاختراقات الأمنية والمشاكل الطبية. في سياق الرؤية الحاسوبية (CV)، يتضمن كشف الحالات الشاذة العثور على أنماط أو كائنات غير عادية في الصور ومقاطع الفيديو التي لا تتوافق مع السلوك المتوقع.

كشف الحالات الشاذة مقابل الكشف عن الكائنات

من المهم التمييز بين الكشف عن الحالات الشاذة واكتشاف الأجسام.

• اكتشاف الكائنات: تركز هذه المهمة على تحديد وتحديد مواقع مثيلات لفئات الكائنات المعروفة داخل الصورة. على سبيل المثال، يتم تدريب نموذج اكتشاف الكائنات للعثور على جميع السيارات والمشاة وإشارات المرور في صورة لمنظر الشارع. يعرف النموذج ما الذي يبحث عنه بناءً على الفئات المحددة مسبقًا في بيانات التدريب الخاصة به.
• اكتشاف الحالات الشاذة: تدور هذه المهمة حول تحديد أي شيء ينحرف عن تعريف متعلم لـ "الطبيعي". في كثير من الحالات، لا يعرف النظام كيف سيبدو الشذوذ مسبقًا. على سبيل المثال، قد يتم تدريبه على آلاف الصور لمنتجات لا تشوبها شائبة ومكلفًا بالإبلاغ عن أي عيب، سواء كان خدشًا أو انبعاجًا أو تغيرًا في اللون - أنواع العيوب التي ربما لم يرها من قبل.

في حين أن نموذجًا مثل Ultralytics YOLO يمكن تدريبه بشكل مخصص لأداء نسخة من اكتشاف الحالات الشاذة من خلال التعامل مع عيوب معينة ككائنات، إلا أن الأساليب الأساسية تختلف. يتطلب اكتشاف الكائنات التقليدي أمثلة لكل فئة يجب أن يجدها، في حين أن العديد من طرق اكتشاف الحالات الشاذة تتطلب فقط بيانات تمثل حالة طبيعية.

طرق الكشف عن الحالات الشاذة

يمكن تصنيف تقنيات كشف الحالات الشاذة على نطاق واسع بناءً على توفر التصنيفات في مجموعة البيانات:

• التعلم الخاضع للإشراف (Supervised Learning): تتطلب هذه الطريقة مجموعة بيانات تم تصنيفها بأمثلة "عادية" و"شاذة". يتم تدريب نموذج التصنيف للتمييز بين الاثنين. هذا النهج فعال للغاية ولكنه محدود بالحاجة إلى مجموعة بيانات كبيرة ومصنفة جيدًا، والتي قد يكون من الصعب الحصول عليها لأن الحالات الشاذة، بحكم تعريفها، نادرة.
• التعلم 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 المتعلم باعتبارها شاذة. هذا عملي للغاية للسيناريوهات التي تكون فيها الحالات الشاذة متنوعة ولا يمكن التنبؤ بها.
• التعلم غير الخاضع للإشراف (Unsupervised Learning): تعمل هذه الطريقة بدون أي تسميات. وهي تعمل على افتراض أن الحالات الشاذة قليلة ومتميزة عن نقاط البيانات العادية. تُستخدم خوارزميات مثل التجميع (مثل DBSCAN) أو الطرق الإحصائية لتجميع نقاط البيانات، مع تحديد النقاط المعزولة أو المجموعات الصغيرة على أنها حالات شاذة. يمكن العثور على نظرة عامة شاملة على الطرق المختلفة في الدراسات الاستقصائية الأكاديمية حول هذا الموضوع، مثل "التعلم العميق لاكتشاف الحالات الشاذة: دراسة استقصائية (Deep Learning for Anomaly Detection: A Survey)".

تطبيقات واقعية

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

1. مراقبة جودة التصنيع: على خط التجميع، يمكن لأنظمة الرؤية الحاسوبية مراقبة المنتجات في الوقت الفعلي. يمكن لنموذج مدرب على صور العناصر المثالية اكتشاف العيوب على الفور مثل الشقوق أو الاختلالات أو المكونات المفقودة. هذا الفحص الآلي، الذي يتم استكشافه غالبًا في التصنيع الذكي، يحسن الجودة ويقلل النفايات بكفاءة أكبر بكثير من الفحوصات اليدوية.
2. الأمن والمراقبة: في الأماكن العامة أو المرافق الآمنة، يمكن لأنظمة المراقبة المدعومة بالذكاء الاصطناعي اكتشاف الأحداث غير الطبيعية. تتضمن الأمثلة تحديد مركبة تسير عكس اتجاه حركة المرور، أو اكتشاف حقيبة مهجورة في مطار، أو الإبلاغ عن الوصول غير المصرح به إلى منطقة محظورة. يمكن لهذه الأنظمة توفير تنبيهات في الوقت الفعلي لموظفي الأمن.
3. الذكاء الاصطناعي في الرعاية الصحية: يساعد اكتشاف الحالات الشاذة في تحليل الصور الطبية من خلال إبراز الخلايا التي يحتمل أن تكون سرطانية في الفحوصات أو تحديد عدم انتظام ضربات القلب من بيانات تخطيط كهربية القلب.
4. الكشف عن الاحتيال المالي: تستخدم البنوك والمؤسسات المالية الكشف عن الحالات الشاذة لمراقبة تدفقات المعاملات وتحديد الأنماط التي تشير إلى 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 الشبكة للكشف عن الأنماط غير العادية التي قد تشير إلى هجوم إلكتروني أو خرق للبيانات. تؤكد منظمات مثل وكالة الأمن السيبراني وأمن البنية التحتية (CISA) على مثل هذه التدابير الاستباقية.

الأدوات والتقنيات

غالبًا ما يتضمن تطوير أنظمة قوية للكشف عن الحالات الشاذة مجموعة من مكتبات تعلم الآلة القياسية والمنصات المتخصصة.

• الأطر: يوفر PyTorch و TensorFlow الأدوات الأساسية لبناء وتدريب نماذج التعلم العميق المخصصة.
• المكتبات: بالنسبة للمهام غير المتعلقة بالرؤية، تقدم مكتبات مثل Scikit-learn وحدة مخصصة للكشف عن القيم المتطرفة والشاذة مع خوارزميات مختلفة.
• المنصات: يوفر Ultralytics HUB بيئة متكاملة تبسّط دورة حياة النموذج بأكملها، بدءًا من التدريب المستند إلى السحابة ووصولًا إلى خيارات نشر النموذج المتنوعة، مما يسهل تطوير تطبيقات الرؤية الاصطناعية.