Rilevamento delle anomalie

Il rilevamento delle anomalie è una tecnica utilizzata nel Machine Learning (ML) per identificare elementi, eventi o osservazioni rare che sollevano sospetti in quanto differiscono in modo significativo dalla maggior parte dei dati. Queste istanze non conformi sono note come anomalie, outlier o novità. L'obiettivo principale è distinguere automaticamente i punti di dati normali da quelli anomali. Questa capacità è fondamentale in un'ampia gamma di settori, in quanto consente di identificare in modo proattivo problemi quali guasti alle apparecchiature, frodi finanziarie, violazioni della sicurezza e problemi medici. Nel contesto della Computer Vision (CV), il rilevamento delle anomalie consiste nel trovare modelli o oggetti insoliti in immagini e video che non sono conformi al comportamento previsto.

Rilevamento di anomalie e rilevamento di oggetti

È importante distinguere il rilevamento delle anomalie dal rilevamento degli oggetti.

• Rilevamento di oggetti: Questo compito si concentra sull'identificazione e la localizzazione di istanze di classi di oggetti noti all'interno di un'immagine. Ad esempio, un modello di rilevamento degli oggetti viene addestrato per trovare tutte le auto, i pedoni e i segnali stradali in un'immagine street-view. Il modello sa cosa sta cercando in base a categorie predefinite nei dati di addestramento.
• Rilevamento di anomalie: Questo compito consiste nell'identificare tutto ciò che si discosta da una definizione appresa di "normale". In molti casi, il sistema non conosce in anticipo l'aspetto dell'anomalia. Ad esempio, potrebbe essere addestrato su migliaia di immagini di prodotti impeccabili e incaricato di segnalare qualsiasi imperfezione, sia essa un graffio, un'ammaccatura o uno scolorimento, tipi di difetti che potrebbe non aver mai visto prima.

Sebbene un modello come Ultralytics YOLO possa essere addestrato in modo personalizzato per eseguire una versione del rilevamento delle anomalie trattando difetti specifici come oggetti, gli approcci fondamentali differiscono. Il rilevamento tradizionale degli oggetti richiede esempi di ogni classe che deve trovare, mentre molti metodi di rilevamento delle anomalie richiedono solo dati che rappresentano uno stato normale.

Metodi di rilevamento delle anomalie

Le tecniche di rilevamento delle anomalie possono essere ampiamente classificate in base alla disponibilità di etichette nel set di dati:

• Apprendimento supervisionato: Questo metodo richiede un set di dati etichettati con esempi "normali" e "anomali". Un modello di classificazione viene addestrato per distinguere tra i due. Questo approccio è molto efficace, ma limitato dalla necessità di un set di dati ampio e ben etichettato, che può essere difficile da ottenere poiché le anomalie sono, per definizione, rare.
• Apprendimento semi-supervisionato: È l'approccio più comune, in cui il modello viene addestrato solo su un insieme di esempi normali. Il sistema apprende i modelli normali e segnala come anomalia qualsiasi punto di dati che si discosti dal modello appreso. Questo approccio è molto pratico per gli scenari in cui le anomalie sono diverse e imprevedibili.
• Apprendimento non supervisionato: Questo metodo funziona senza etichette. Parte dal presupposto che le anomalie siano poche e distinte dai punti di dati normali. Algoritmi come il clustering (ad esempio, DBSCAN) o metodi statistici vengono utilizzati per raggruppare i punti di dati, con punti isolati o piccoli cluster identificati come anomalie. Una panoramica completa dei vari metodi può essere trovata in studi accademici sull'argomento, come"Deep Learning for Anomaly Detection: A Survey".

Applicazioni del mondo reale

Il rilevamento delle anomalie è una pietra miliare di molti sistemi intelligenti, che forniscono approfondimenti critici in tutti i settori.

1. Controllo qualità della produzione: In una catena di montaggio, i sistemi di visione computerizzata possono monitorare i prodotti in tempo reale. Un modello addestrato su immagini di articoli perfetti può individuare istantaneamente difetti come crepe, disallineamenti o componenti mancanti. Questa ispezione automatizzata, spesso esplorata nella produzione intelligente, migliora la qualità e riduce gli sprechi in modo molto più efficiente rispetto ai controlli manuali.
2. Sicurezza e sorveglianza: Negli spazi pubblici o nelle strutture sicure, i sistemi di sorveglianza alimentati dall'intelligenza artificiale possono rilevare eventi anomali. Ad esempio, possono identificare un veicolo che guida contro il traffico, rilevare una borsa abbandonata in un aeroporto o segnalare un accesso non autorizzato a un'area riservata. Questi sistemi possono fornire avvisi in tempo reale al personale di sicurezza.
3. L'intelligenza artificiale nell'assistenza sanitaria: Il rilevamento delle anomalie aiuta nell'analisi delle immagini mediche, evidenziando le cellule potenzialmente cancerose nelle scansioni o identificando i battiti cardiaci irregolari dai dati ECG.
4. Rilevamento delle frodi finanziarie: Le banche e le istituzioni finanziarie utilizzano il rilevamento delle anomalie per monitorare i flussi di transazioni e identificare gli schemi indicativi di attività fraudolente, come quelli trovati nei dataset pubblici come il dataset Credit Card Fraud Detection su Kaggle.
5. Cybersecurity: Il traffico di rete viene monitorato per rilevare modelli insoliti che potrebbero segnalare un attacco informatico o una violazione dei dati. Organizzazioni come la Cybersecurity and Infrastructure Security Agency (CISA) sottolineano queste misure proattive.

Strumenti e tecnologie

Lo sviluppo di robusti sistemi di rilevamento delle anomalie spesso richiede una combinazione di librerie ML standard e piattaforme specializzate.

• Framework: PyTorch e TensorFlow forniscono gli strumenti fondamentali per la costruzione e l'addestramento di modelli di deep learning personalizzati.
• Librerie: Per le attività non di visione, librerie come Scikit-learn offrono un modulo dedicato al rilevamento di anomalie e outlier con vari algoritmi.
• Piattaforme: Ultralytics HUB offre un ambiente integrato che semplifica l'intero ciclo di vita del modello, dall'addestramento basato su cloud alle varie opzioni di distribuzione del modello, semplificando lo sviluppo di applicazioni Vision AI.