Detección de Anomalías

La detección de anomalías es una técnica utilizada en Machine Learning (ML) para identificar elementos, eventos u observaciones raras que levantan sospechas al diferir significativamente de la mayoría de los datos. Estas instancias no conformes se conocen como anomalías, valores atípicos o novedades. El objetivo principal es distinguir automáticamente los puntos de datos normales de los anormales. Esta capacidad es fundamental en una amplia gama de campos, ya que permite la identificación proactiva de problemas como fallas de equipos, fraude financiero, violaciones de seguridad y problemas médicos. En el contexto de la Visión Artificial (CV), la detección de anomalías implica encontrar patrones u objetos inusuales en imágenes y videos que no se ajustan al comportamiento esperado.

Detección de anomalías vs. Detección de objetos

Es importante diferenciar la detección de anomalías de la detección de objetos.

• Detección de Objetos: Esta tarea se centra en identificar y localizar instancias de clases de objetos conocidas dentro de una imagen. Por ejemplo, un modelo de detección de objetos se entrena para encontrar todos los coches, peatones y señales de tráfico en una imagen de vista de calle. El modelo sabe lo que está buscando basándose en categorías predefinidas en sus datos de entrenamiento.
• Detección de anomalías: Esta tarea consiste en identificar cualquier cosa que se desvíe de una definición aprendida de "normal". En muchos casos, el sistema no sabe de antemano cómo será la anomalía. Por ejemplo, podría ser entrenado con miles de imágenes de productos impecables y encargado de marcar cualquier imperfección, ya sea un rasguño, una abolladura o una decoloración, tipos de defectos que puede que nunca haya visto antes.

Si bien un modelo como Ultralytics YOLO puede ser entrenado a medida para realizar una versión de detección de anomalías tratando defectos específicos como objetos, los enfoques fundamentales difieren. La detección de objetos tradicional requiere ejemplos de cada clase que debe encontrar, mientras que muchos métodos de detección de anomalías solo requieren datos que representen un estado normal.

Métodos de detección de anomalías

Las técnicas de detección de anomalías se pueden clasificar ampliamente según la disponibilidad de etiquetas en el conjunto de datos:

• Aprendizaje Supervisado: Este método requiere un conjunto de datos etiquetado con ejemplos tanto "normales" como "anómalos". Se entrena un modelo de clasificación para distinguir entre ambos. Este enfoque es muy eficaz, pero está limitado por la necesidad de un conjunto de datos grande y bien etiquetado, lo que puede ser difícil de obtener, ya que las anomalías son, por definición, raras.
• Aprendizaje Semisupervisado: Este es el enfoque más común, donde el modelo se entrena solo en un conjunto de datos de ejemplos normales. El sistema aprende los patrones normales y marca cualquier punto de datos que se desvíe de este modelo aprendido como una anomalía. Esto es muy práctico para escenarios donde las anomalías son diversas e impredecibles.
• Aprendizaje No Supervisado: Este método funciona sin etiquetas. Opera bajo la suposición de que las anomalías son pocas y distintas de los puntos de datos normales. Se utilizan algoritmos como el clustering (p. ej., DBSCAN) o métodos estadísticos para agrupar puntos de datos, y los puntos aislados o los pequeños clústeres se identifican como anomalías. Se puede encontrar una visión general completa de varios métodos en encuestas académicas sobre el tema, como "Deep Learning for Anomaly Detection: A Survey".

Aplicaciones en el mundo real

La detección de anomalías es una piedra angular de muchos sistemas inteligentes, que proporciona información crítica en todas las industrias.

1. Control de calidad en la fabricación: En una línea de montaje, los sistemas de visión artificial pueden supervisar los productos en tiempo real. Un modelo entrenado con imágenes de artículos perfectos puede detectar al instante defectos como grietas, desalineaciones o componentes que faltan. Esta inspección automatizada, a menudo explorada en la fabricación inteligente, mejora la calidad y reduce los residuos de forma mucho más eficiente que las comprobaciones manuales.
2. Seguridad y Vigilancia: En espacios públicos o instalaciones seguras, los sistemas de vigilancia impulsados por IA pueden detectar eventos anómalos. Los ejemplos incluyen la identificación de un vehículo que circula en sentido contrario, la detección de una bolsa abandonada en un aeropuerto o el señalamiento de un acceso no autorizado a un área restringida. Estos sistemas pueden proporcionar alertas en tiempo real al personal de seguridad.
3. IA en el sector salud: La detección de anomalías ayuda en el análisis de imágenes médicas resaltando células potencialmente cancerosas en escaneos o identificando latidos cardíacos irregulares a partir de datos de ECG.
4. Detección de Fraude Financiero: Los bancos y las instituciones financieras utilizan la detección de anomalías para supervisar los flujos de transacciones e identificar patrones indicativos de actividad fraudulenta, como los que se encuentran en conjuntos de datos públicos como el conjunto de datos de detección de fraude con tarjetas de crédito en Kaggle.
5. Ciberseguridad: Se supervisa el tráfico de la red para detectar patrones inusuales que podrían indicar un ciberataque o una violación de datos. Organizaciones como la Agencia de Ciberseguridad y Seguridad de la Infraestructura (CISA) enfatizan tales medidas proactivas.

Herramientas y tecnologías

El desarrollo de sistemas robustos de detección de anomalías a menudo implica una combinación de bibliotecas estándar de ML y plataformas especializadas.

• Frameworks: PyTorch y TensorFlow proporcionan las herramientas fundamentales para construir y entrenar modelos personalizados de aprendizaje profundo.
• Bibliotecas: Para tareas que no son de visión, bibliotecas como Scikit-learn ofrecen un módulo dedicado para la detección de valores atípicos y anomalías con varios algoritmos.
• Plataformas: Ultralytics HUB ofrece un entorno integrado que agiliza todo el ciclo de vida del modelo, desde el entrenamiento basado en la nube hasta varias opciones de implementación de modelos, simplificando el desarrollo de aplicaciones de Visión Artificial.