Detecção de Anomalias

A detecção de anomalias é uma técnica usada em Machine Learning (ML) para identificar itens, eventos ou observações raras que levantam suspeitas por diferirem significativamente da maioria dos dados. Essas instâncias não conformes são conhecidas como anomalias, outliers ou novidades. O principal objetivo é distinguir automaticamente os pontos de dados normais dos anormais. Essa capacidade é fundamental em uma ampla gama de campos, pois permite a identificação proativa de problemas como falha de equipamentos, fraude financeira, violações de segurança e problemas médicos. No contexto de Visão Computacional (CV), a detecção de anomalias envolve encontrar padrões ou objetos incomuns em imagens e vídeos que não estão em conformidade com o comportamento esperado.

Detecção de Anomalias vs. Detecção de Objetos

É importante diferenciar a detecção de anomalias da detecção de objetos.

• Detecção de Objetos: Esta tarefa se concentra em identificar e localizar instâncias de classes de objetos conhecidas dentro de uma imagem. Por exemplo, um modelo de detecção de objetos é treinado para encontrar todos os carros, pedestres e sinais de trânsito em uma imagem de rua. O modelo sabe o que está procurando com base em categorias predefinidas em seus dados de treinamento.
• Detecção de Anomalias: Esta tarefa consiste em identificar qualquer coisa que se desvie de uma definição aprendida de "normal". Em muitos casos, o sistema não sabe como será a anomalia de antemão. Por exemplo, ele pode ser treinado em milhares de imagens de produtos impecáveis e ter a tarefa de sinalizar qualquer imperfeição, seja um arranhão, uma amassadura ou uma descoloração - tipos de defeitos que ele pode nunca ter visto antes.

Embora um modelo como o Ultralytics YOLO possa ser treinado de forma personalizada para executar uma versão de deteção de anomalias, tratando defeitos específicos como objetos, as abordagens fundamentais diferem. A deteção de objetos tradicional requer exemplos de cada classe que deve encontrar, enquanto muitos métodos de deteção de anomalias requerem apenas dados que representam um estado normal.

Métodos de Detecção de Anomalias

As técnicas de detecção de anomalias podem ser amplamente categorizadas com base na disponibilidade de rótulos no conjunto de dados:

• Aprendizado Supervisionado: Este método requer um conjunto de dados que tenha sido rotulado com exemplos "normais" e "anómalos". Um modelo de classificação é treinado para distinguir entre os dois. Esta abordagem é altamente eficaz, mas limitada pela necessidade de um conjunto de dados grande e bem rotulado, o que pode ser difícil de obter, uma vez que as anomalias são, por definição, raras.
• Aprendizado Semissupervisionado: Esta é a abordagem mais comum, onde o modelo é treinado apenas em um conjunto de dados de exemplos normais. O sistema aprende os padrões normais e sinaliza qualquer ponto de dados que se desvie desse modelo aprendido como uma anomalia. Isso é altamente prático para cenários onde as anomalias são diversas e imprevisíveis.
• Aprendizado Não Supervisionado: Este método funciona sem rótulos. Ele opera sob a suposição de que as anomalias são poucas e distintas dos pontos de dados normais. Algoritmos como clustering (por exemplo, DBSCAN) ou métodos estatísticos são usados para agrupar pontos de dados, com pontos isolados ou pequenos clusters identificados como anomalias. Uma visão geral abrangente de vários métodos pode ser encontrada em pesquisas acadêmicas sobre o tópico, como "Deep Learning for Anomaly Detection: A Survey".

Aplicações no Mundo Real

A detecção de anomalias é uma pedra angular de muitos sistemas inteligentes, fornecendo insights críticos em vários setores.

1. Controle de Qualidade na Manufatura: Em uma linha de montagem, os sistemas de visão computacional podem monitorar os produtos em tempo real. Um modelo treinado em imagens de itens perfeitos pode identificar instantaneamente defeitos como rachaduras, desalinhamentos ou componentes ausentes. Esta inspeção automatizada, frequentemente explorada na manufatura inteligente, melhora a qualidade e reduz o desperdício de forma muito mais eficiente do que as verificações manuais.
2. Segurança e Vigilância: Em espaços públicos ou instalações seguras, sistemas de vigilância alimentados por IA podem detetar eventos anormais. Os exemplos incluem identificar um veículo a conduzir na contramão, detetar uma mala abandonada num aeroporto ou sinalizar acesso não autorizado a uma área restrita. Estes sistemas podem fornecer alertas em tempo real ao pessoal de segurança.
3. IA na Área da Saúde: A detecção de anomalias ajuda na análise de imagens médicas, destacando células potencialmente cancerosas em exames ou identificando batimentos cardíacos irregulares a partir de dados de ECG.
4. Detecção de Fraudes Financeiras: Bancos e instituições financeiras usam a detecção de anomalias para monitorar fluxos de transações e identificar padrões indicativos de atividade fraudulenta, como os encontrados em conjuntos de dados públicos como o conjunto de dados de Detecção de Fraudes em Cartões de Crédito no Kaggle.
5. Cibersegurança: O tráfego de rede é monitorizado para detetar padrões incomuns que possam indicar um ataque cibernético ou violação de dados. Organizações como a Agência de Segurança Cibernética e de Infraestruturas (CISA) enfatizam essas medidas proativas.

Ferramentas e Tecnologias

O desenvolvimento de sistemas robustos de detecção de anomalias geralmente envolve uma combinação de bibliotecas de ML padrão e plataformas especializadas.

• Frameworks: PyTorch e TensorFlow fornecem as ferramentas fundamentais para construir e treinar modelos personalizados de deep learning.
• Bibliotecas: Para tarefas que não envolvem visão, bibliotecas como o Scikit-learn oferecem um módulo dedicado para detecção de outliers e anomalias com vários algoritmos.
• Plataformas: O Ultralytics HUB oferece um ambiente integrado que simplifica todo o ciclo de vida do modelo, desde o treinamento baseado em nuvem até várias opções de implantação de modelos, simplificando o desenvolvimento de aplicações de Visão de IA.