Anomali tespiti, bir veri kümesi içinde beklenen veya normal davranıştan önemli ölçüde sapan veri noktalarını, olayları veya gözlemleri belirleme sürecidir. Genellikle aykırı değer tespiti olarak adlandırılan bu süreç, hatalar, dolandırıcılık veya sistem arızaları gibi kritik olaylara işaret edebilecek olağandışı kalıpları işaretleyerek çeşitli alanlarda çok önemli bir rol oynar. Yapay Zeka (AI) ve Makine Öğrenimi (ML) bağlamında, anomali tespit sistemleri normal davranış kalıplarını öğrenmek ve daha sonra bu öğrenilen kalıplardan sapmaları belirlemek için eğitilir. Bu sistemler birçok sektörde emniyet, güvenlik ve operasyonel verimliliğin sağlanması için hayati önem taşımaktadır.
Anomali Tespiti Nasıl Çalışır?
Anomali tespit teknikleri verileri analiz ederek bir normallik tabanı oluşturur. Bu temel çizginin dışında kalan her şey anomali olarak işaretlenir. Kullanılan yöntemler, ortalamadan uzak noktaları belirlemek gibi basit istatistiksel yaklaşımlardan, yüksek boyutlu verilerdeki karmaşık kalıpları anlayabilen karmaşık derin öğrenme modellerine kadar değişebilir. Temel yaklaşımlar şunları içerir:
- Denetimli Öğrenme: Hem normal hem de anormal örnekler içeren etiketli bir veri kümesi gerektirir. Etkili olmakla birlikte, anomaliler genellikle nadir ve beklenmedik olduğundan etiketli anomali verilerini elde etmek zor olabilir.
- Yarı Denetimli Öğrenme: Yalnızca normal verileri içeren bir veri kümesi üzerinde eğitim verir. Model normal kalıpları öğrenir ve buna uymayan herhangi bir veri noktası anormal olarak kabul edilir. Bu, anomaliler çeşitli olduğunda veya kötü tanımlandığında kullanışlıdır.
- Denetimsiz Öğrenme: Etiketli veri gerektirmez. Çoğunluktan izole veya farklı olan veri noktalarını belirlemek için kümeleme (örn. DBSCAN) veya boyut azaltma (örn. PCA) gibi teknikler kullanır. Otomatik kodlayıcılar da burada yaygın olarak kullanılır.
Anomali Tespiti ve İlgili Kavramlar
Diğer veri analizi görevleriyle ilişkili olsa da, anomali tespitinin farklı hedefleri vardır:
- Nesne Algılama: Sınırlayıcı kutular kullanarak bir görüntü içindeki bilinen nesne örneklerini (arabalar, insanlar gibi) tanımlamayı ve konumlandırmayı amaçlar. Anomali tespiti, özellikle bilgisayarla görmede, önceden tanımlanmış nesne sınıflarına karşılık gelmeyebilecek, normlara uymayan beklenmedik görsel kalıpları veya kusurları belirlemeye odaklanır.
- Görüntü Sınıflandırma: Bir görüntünün tamamına tek bir etiket atar (örneğin, 'kedi' veya 'köpek'). Anomali tespiti çeşitli veri türleri (görüntüler, zaman serileri, ağ günlükleri) üzerinde çalışabilir ve tüm veri noktasını sınıflandırmak yerine veri içinde olağandışı olan belirli örnekleri veya kalıpları tanımlar.
- Aykırı Değer Tespiti: Genellikle anomali tespiti ile birbirinin yerine kullanılır. Bununla birlikte, "aykırı değer" tipik olarak diğerlerinden istatistiksel olarak uzak bir veri noktasını ifade ederken, "anomali" basit istatistiksel aykırı değerler olmayabilecek olağandışı modeller veya bağlamsal düzensizlikler dahil olmak üzere daha karmaşık sapmaları kapsayabilir.
Gerçek Dünya Uygulamaları
Anomali tespiti birçok alanda kritik öneme sahiptir:
- Üretim Kalite Kontrolü: Görüş sistemleri kullanarak bir montaj hattındaki ürünlerde çatlak, çizik veya yanlış hizalama gibi kusurların belirlenmesi. Örneğin, uçak bileşenlerindeki küçük çatlakları veya farmasötik ürünlerdeki yanlış basılmış etiketleri tespit etmek.
- Siber Güvenlik: İzinsiz girişleri, kötü amaçlı yazılım bulaşmalarını veya hizmet reddi saldırılarını gösterebilecek olağandışı ağ trafiği modellerini, oturum açma girişimlerini veya sistem davranışlarını tespit etmek. Güvenlik alarm sistemleri şüpheli faaliyetleri işaretlemek için anomali tespitinden yararlanabilir.
- Finansal Dolandırıcılık Tespiti: Yetkisiz kredi kartı işlemlerinin, olağandışı ticari faaliyetlerin veya tipik müşteri davranışından sapan sigorta taleplerinin belirlenmesi.
- Sağlık Hizmetleri ve Tıbbi Görüntü Analizi: Tıbbi taramalarda (X-ışınları veya MRI'lar gibi) tümörlere veya hastalıklara işaret edebilecek anormalliklerin tespit edilmesi ve genellikle radyologlara yardımcı olunması. Tümör tespiti için YOLO11 ' in kullanılması buna bir örnektir.
- Sistem Sağlığı İzleme: Arızaları önlemek için BT sistemlerindekiCPU kullanımı, bellek sızıntıları) veya endüstriyel makinelerdeki(kestirimci bakım) olağandışı performans ölçümlerini tespit etme.
- Çevresel İzleme: Kirlilik olaylarının, uydu görüntü analizi yoluyla yasadışı ormansızlaşmanın veya ekosistemlerdeki olağandışı değişikliklerin belirlenmesi.
Araçlar ve Teknolojiler
Anomali tespit sistemleri geliştirmek genellikle standart makine öğrenimi kütüphanelerini ve özel platformları içerir. Gibi çerçeveler PyTorch ve TensorFlow özel modeller oluşturmak için temel araçlar sağlar. Görme tabanlı görevler için, aşağıdaki gibi modeller Ultralytics YOLO uyarlanabilir. Önceden eğitilmiş YOLO modelleri yaygın nesneleri tespit etmede mükemmel olsa da, COCO gibi veri kümeleri tarafından kapsanmayan benzersiz kusurlar veya olağandışı görsel desenler gibi alana özgü anormallikleri belirlemek için belirli veri kümeleri üzerinde özel olarak eğitilebilirler. Ultralytics HUB gibi platformlar, Ultralytics HUB SDK gibi araçları kullanarak bulut eğitimi, dağıtım(model dağıtım seçenekleri) ve bu tür modellerin verimli bir şekilde yönetilmesi için entegre ortamlar sunar. Scikit-learn gibi kütüphaneler de aykırı değer ve anomali tespiti için çeşitli algoritmalar sunmaktadır.
Anomali tespiti, modern yapay zeka ve makine öğreniminde hayati bir yetenektir ve birçok sektörde kritik sorunların ve sapmaların proaktif olarak tanımlanmasını sağlar. Ultralytics Sözlüğümüzde ilgili kavramlar hakkında daha fazlasını keşfedin.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
