Detección de anomalías

Cómo funciona la detección de anomalías

Las técnicas de detección de anomalías analizan los datos para establecer una línea de base de normalidad. Cualquier cosa que se salga de esta línea de base se marca como anomalía. Los métodos utilizados pueden ir desde enfoques estadísticos sencillos, como la identificación de puntos alejados de la media, hasta complejos modelos de aprendizaje profundo capaces de comprender patrones intrincados en datos de alta dimensión. Los enfoques clave incluyen:

• Aprendizaje supervisado: Requiere un conjunto de datos etiquetados que contenga ejemplos normales y anómalos. Aunque es eficaz, obtener datos etiquetados de anomalías puede ser un reto, ya que las anomalías suelen ser raras e inesperadas.
• Aprendizaje semisupervisado: Se entrena en un conjunto de datos que sólo contiene datos normales. El modelo aprende los patrones normales, y cualquier punto de datos que no se ajuste se considera anómalo. Esto es útil cuando las anomalías son diversas o están mal definidas.
• Aprendizaje no supervisado: No requiere datos etiquetados. Utiliza técnicas como la agrupación (por ejemplo, DBSCAN) o la reducción de la dimensionalidad (por ejemplo, PCA) para identificar puntos de datos aislados o diferentes de la mayoría. Aquí también se suelen utilizar autocodificadores.

Detección de anomalías frente a conceptos relacionados

Aunque está relacionada con otras tareas de análisis de datos, la detección de anomalías tiene objetivos distintos:

• Detección de Objetos: Pretende identificar y localizar instancias de objetos conocidos (como coches, personas) dentro de una imagen utilizando cuadros delimitadores. La detección de anomalías, especialmente en visión por ordenador, se centra en identificar patrones visuales inesperados o defectos que no se ajustan a la norma, que podrían no corresponder a clases de objetos predefinidas.
• Clasificación de imágenes: Asigna una única etiqueta a toda una imagen (por ejemplo, "gato" o "perro"). La detección de anomalías puede funcionar con varios tipos de datos (imágenes, series temporales, registros de red) e identifica casos o patrones específicos dentro de los datos que son inusuales, en lugar de clasificar todo el punto de datos.
• Detección de valores atípicos: A menudo se utiliza indistintamente con la detección de anomalías. Sin embargo, "valor atípico" suele referirse a un punto de datos estadísticamente distante de los demás, mientras que "anomalía" puede abarcar desviaciones más complejas, incluidos patrones inusuales o irregularidades contextuales que podrían no ser simples valores atípicos estadísticos.

Aplicaciones en el mundo real

La detección de anomalías es fundamental en numerosos campos:

• Control de calidad en la fabricación: Identificación de defectos como grietas, arañazos o desalineaciones en productos de una cadena de montaje mediante sistemas de visión. Por ejemplo, detectar pequeñas grietas en componentes de aviones o etiquetas mal impresas en productos farmacéuticos.
• Ciberseguridad: Detección de patrones inusuales de tráfico de red, intentos de inicio de sesión o comportamientos del sistema que podrían indicar intrusiones, infecciones de malware o ataques de denegación de servicio. Los sistemas de alarma de seguridad pueden aprovechar la detección de anomalías para señalar actividades sospechosas.
• Detección de fraudes financieros: Identificación de transacciones no autorizadas con tarjetas de crédito, actividades comerciales inusuales o reclamaciones de seguros que se desvían del comportamiento típico de los clientes.
• Análisis de Imágenes Médicas y Sanitarias: Detectar anomalías en exploraciones médicas (como radiografías o resonancias magnéticas) que puedan indicar tumores o enfermedades, a menudo ayudando a los radiólogos. Un ejemplo es el uso de YOLO11 para detectar tumores.
• Monitorización del estado del sistema: Detección de métricas de rendimiento inusuales en sistemas informáticosCPU uso deCPU , fugas de memoria) o maquinaria industrial(mantenimiento predictivo) para evitar fallos.
• Vigilancia medioambiental: Identificación de episodios de contaminación, deforestación ilegal mediante análisis de imágenes por satélite, o cambios inusuales en los ecosistemas.

Herramientas y tecnologías

El desarrollo de sistemas de detección de anomalías suele implicar bibliotecas ML estándar y plataformas especializadas. Frameworks como PyTorch y TensorFlow proporcionan herramientas fundamentales para construir modelos personalizados. Para tareas basadas en la visión, modelos como Ultralytics YOLO pueden adaptarse. Aunque los modelos YOLO preentrenados destacan en la detección de objetos comunes, pueden entrenarse a medida en conjuntos de datos específicos para identificar anomalías propias del dominio, como defectos únicos o patrones visuales inusuales no cubiertos por conjuntos de datos como COCO. Plataformas como Ultralytics HUB ofrecen entornos integrados para el entrenamiento en la nube, el despliegue(opciones de despliegue de modelos) y la gestión eficaz de dichos modelos mediante herramientas como el SDK deUltralytics HUB. Bibliotecas como Scikit-learn también ofrecen varios algoritmos para la detección de valores atípicos y anomalías.

La detección de anomalías es una capacidad vital en la IA y el ML modernos, que permite la identificación proactiva de problemas críticos y desviaciones en numerosos sectores. Explora más sobre conceptos relacionados en nuestro GlosarioUltralytics .