Anomali Tespiti

Anomali tespiti, verilerin çoğundan önemli ölçüde farklılık göstererek şüphe uyandıran nadir öğeleri, olayları veya gözlemleri belirlemek için Makine Öğreniminde (ML) kullanılan bir tekniktir. Bu uyumsuz örnekler anomaliler, aykırı değerler veya yenilikler olarak bilinir. Birincil hedef, normal veri noktalarını anormal olanlardan otomatik olarak ayırt etmektir. Bu yetenek, ekipman arızası, finansal dolandırıcılık, güvenlik ihlalleri ve tıbbi sorunlar gibi sorunların proaktif olarak tespit edilmesini sağladığından çok çeşitli alanlarda kritik öneme sahiptir. Bilgisayarla Görme (CV) bağlamında, anormallik tespiti, görüntülerde ve videolarda beklenen davranışa uymayan olağandışı desenleri veya nesneleri bulmayı içerir.

Anomali Tespiti ve Nesne Tespiti

Anomali tespitini nesne tespitinden ayırmak önemlidir.

• Nesne Algılama: Bu görev, bir görüntü içindeki bilinen nesne sınıflarının örneklerini tanımlamaya ve bulmaya odaklanır. Örneğin, bir nesne algılama modeli bir sokak görüntüsündeki tüm arabaları, yayaları ve trafik işaretlerini bulmak için eğitilir. Model, eğitim verilerindeki önceden tanımlanmış kategorilere dayanarak ne aradığını bilir.
• Anormallik Tespiti: Bu görev, öğrenilmiş bir "normal" tanımından sapan herhangi bir şeyi tanımlamakla ilgilidir. Çoğu durumda, sistem anormalliğin neye benzeyeceğini önceden bilmez. Örneğin, kusursuz ürünlerin binlerce görüntüsü üzerinde eğitilebilir ve daha önce hiç görmediği kusur türleri olan çizik, göçük veya renk değişikliği gibi herhangi bir kusuru işaretlemekle görevlendirilebilir.

Ultralytics YOLO gibi bir model, belirli kusurları nesneler olarak ele alarak anomali tespitinin bir versiyonunu gerçekleştirmek için özel olarak eğitilebilirken, temel yaklaşımlar farklıdır. Geleneksel nesne tespiti, bulması gereken her sınıftan örnekler gerektirirken, birçok anomali tespit yöntemi yalnızca normal durumu temsil eden verilere ihtiyaç duyar.

Anomali Tespit Yöntemleri

Anomali tespit teknikleri, veri kümesindeki etiketlerin mevcudiyetine göre genel olarak kategorize edilebilir:

• Gözetimli Öğrenme: Bu yöntem hem "normal" hem de "anormal" örneklerle etiketlenmiş bir veri kümesi gerektirir. İkisi arasında ayrım yapmak için bir sınıflandırma modeli eğitilir. Bu yaklaşım oldukça etkilidir ancak büyük ve iyi etiketlenmiş bir veri kümesine ihtiyaç duyulmasıyla sınırlıdır ve anomaliler tanım gereği nadir olduğundan elde edilmesi zor olabilir.
• Yarı Denetimli Öğrenme: Bu, modelin yalnızca normal örneklerden oluşan bir veri kümesi üzerinde eğitildiği en yaygın yaklaşımdır. Sistem normal kalıpları öğrenir ve bu öğrenilen modelden sapan herhangi bir veri noktasını anomali olarak işaretler. Bu, anomalilerin çeşitli ve öngörülemez olduğu senaryolar için oldukça pratiktir.
• Denetimsiz Öğrenme: Bu yöntem herhangi bir etiket olmadan çalışır. Anomalilerin az sayıda olduğu ve normal veri noktalarından farklı olduğu varsayımıyla çalışır. Veri noktalarını gruplamak için kümeleme (örn. DBSCAN) gibi algoritmalar veya istatistiksel yöntemler kullanılır; izole noktalar veya küçük kümeler anomali olarak tanımlanır. Çeşitli yöntemlere kapsamlı bir genel bakış, konuyla ilgili akademik araştırmalarda bulunabilir, örneğin"Anomali Tespiti için Derin Öğrenme: Bir Araştırma".

Gerçek Dünya Uygulamaları

Anomali tespiti, birçok akıllı sistemin temel taşıdır ve sektörler genelinde kritik içgörüler sağlar.

1. Üretim Kalite Kontrolü: Bir montaj hattında, bilgisayarlı görüş sistemleri ürünleri gerçek zamanlı olarak izleyebilir. Mükemmel ürünlerin görüntüleri üzerinde eğitilen bir model, çatlaklar, yanlış hizalamalar veya eksik bileşenler gibi kusurları anında tespit edebilir. Akıllı üretimde sıklıkla araştırılan bu otomatik denetim, kaliteyi artırır ve israfı manuel kontrollerden çok daha verimli bir şekilde azaltır.
2. Güvenlik ve Gözetim: Kamusal alanlarda veya güvenli tesislerde, yapay zeka destekli gözetim sistemleri anormal olayları tespit edebilir. Örnekler arasında trafiğe aykırı hareket eden bir aracın tanımlanması, havaalanında terk edilmiş bir çantanın tespit edilmesi veya kısıtlı bir alana yetkisiz erişimin işaretlenmesi sayılabilir. Bu sistemler güvenlik personeline gerçek zamanlı uyarılar sağlayabilir.
3. Sağlık Hizmetlerinde Yapay Zeka: Anomali tespiti, taramalarda potansiyel olarak kanserli hücreleri vurgulayarak veya EKG verilerinden düzensiz kalp atışlarını belirleyerek tıbbi görüntü analizine yardımcı olur.
4. Finansal Dolandırıcılık Tespiti: Bankalar ve finans kurumları, işlem akışlarını izlemek ve Kaggle'daki Kredi Kartı Dolandırıcılık Tespiti veri kümesi gibi halka açık veri kümelerinde bulunanlar gibi dolandırıcılık faaliyetlerini gösteren kalıpları belirlemek için anormallik tespitini kullanır.
5. Siber Güvenlik: Ağ trafiği, bir siber saldırı veya veri ihlaline işaret edebilecek olağandışı kalıpları tespit etmek için izlenir. Siber Güvenlik ve Altyapı Güvenliği Ajansı (CISA) gibi kuruluşlar bu tür proaktif önlemleri vurgulamaktadır.

Araçlar ve Teknolojiler

Sağlam anomali tespit sistemleri geliştirmek genellikle standart makine öğrenimi kütüphaneleri ve özel platformların bir kombinasyonunu içerir.

• Çerçeveler: PyTorch ve TensorFlow, özel derin öğrenme modelleri oluşturmak ve eğitmek için temel araçlar sağlar.
• Kütüphaneler: Vizyon dışı görevler için Scikit-learn gibi kütüphaneler, çeşitli algoritmalarla aykırı değer ve anomali tespiti için özel bir modül sunar.
• Platformlar: Ultralytics HUB, bulut tabanlı eğitimden çeşitli model dağıtım seçeneklerine kadar tüm model yaşam döngüsünü kolaylaştıran ve Vision AI uygulamalarının geliştirilmesini basitleştiren entegre bir ortam sunar.