Anomali Tespiti

Anomali tespiti, verilerin çoğunluğundan önemli ölçüde farklılık göstererek şüphe uyandıran nadir öğeleri, olayları veya gözlemleri tanımlamak için Makine Öğreniminde (ML) kullanılan bir tekniktir. Bu uyumsuz örnekler, anormallikler, aykırı değerler veya yenilikler olarak bilinir. Birincil amaç, normal veri noktalarını anormal olanlardan otomatik olarak ayırmaktır. Bu yetenek, ekipman arızası, finansal dolandırıcılık, güvenlik ihlalleri ve tıbbi sorunlar gibi sorunların proaktif olarak tanımlanmasını sağladığı için çok çeşitli alanlarda kritiktir. Bilgisayarlı Görü (CV) bağlamında, anomali tespiti, görüntülerde ve videolarda beklenen davranışa uymayan alışılmadık desenleri veya nesneleri bulmayı içerir.

Anomali Tespiti - Nesne Tespiti Karşılaştırması

Anomali tespiti ile nesne tespitini birbirinden ayırmak önemlidir.

• Nesne Algılama: Bu görev, bir görüntü içindeki bilinen nesne sınıflarının örneklerini tanımlamaya ve konumlandırmaya odaklanır. Örneğin, bir nesne algılama modeli, bir sokak görünümü görüntüsündeki tüm arabaları, yayaları ve trafik işaretlerini bulmak için eğitilir. Model, eğitim verilerindeki önceden tanımlanmış kategorilere göre ne aradığını bilir.
• Anomali Tespiti: Bu görev, öğrenilmiş bir "normal" tanımından sapan her şeyi tanımlamakla ilgilidir. Çoğu durumda, sistem anomali'nin önceden nasıl görüneceğini bilmez. Örneğin, kusursuz ürünlerin binlerce görüntüsü üzerinde eğitilebilir ve çizik, çentik veya renk değişikliği gibi herhangi bir kusuru işaretlemekle görevlendirilebilir; daha önce hiç görmediği kusur türleri.

Ultralytics YOLO gibi bir model, belirli kusurları nesne olarak ele alarak anomali tespiti versiyonunu gerçekleştirmek için özel olarak eğitilebilse de, temel yaklaşımlar farklılık gösterir. Geleneksel nesne tespiti, bulması gereken her sınıfın örneklerini gerektirirken, birçok anomali tespit yöntemi yalnızca normal bir durumu temsil eden verileri gerektirir.

Anomali Tespiti Yöntemleri

Anomali tespit teknikleri, veri kümesindeki etiketlerin kullanılabilirliğine göre geniş bir şekilde kategorize edilebilir:

• Denetimli 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 anormallikler tanım gereği nadir olduğundan, elde edilmesi zor olabilecek büyük ve iyi etiketlenmiş bir veri kümesine duyulan ihtiyaçla sınırlıdır.
• Semi-Supervised Learning (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 anormallik olarak işaretler. Bu, anormalliklerin çeşitli ve öngörülemez olduğu senaryolar için oldukça pratiktir.
• Gözetimsiz Öğrenme: Bu yöntem herhangi bir etiket olmadan çalışır. Anormalliklerin az olduğu ve normal veri noktalarından farklı olduğu varsayımıyla çalışır. Veri noktalarını gruplamak için kümeleme (örneğin, DBSCAN) veya istatistiksel yöntemler gibi algoritmalar kullanılır ve izole edilmiş noktalar veya küçük kümeler anormallik olarak tanımlanır. Çeşitli yöntemlere kapsamlı bir genel bakış, "Anomali Tespiti için Derin Öğrenme: Bir İnceleme" gibi konuyla ilgili akademik araştırmalarda bulunabilir.

Gerçek Dünya Uygulamaları

Anomali tespiti, birçok akıllı sistemin temel taşıdır ve çeşitli sektörlerde kritik bilgiler sağlar.

1. Üretim Kalite Kontrolü: Bir montaj hattında, bilgisayarlı görü sistemleri ürünleri gerçek zamanlı olarak izleyebilir. Mükemmel öğelerin görüntüleri üzerinde eğitilmiş bir model, çatlaklar, yanlış hizalamalar veya eksik bileşenler gibi kusurları anında tespit edebilir. Genellikle akıllı üretimde araştırılan bu otomatik inceleme, kaliteyi artırır ve manuel kontrollere göre israfı çok daha verimli bir şekilde azaltır.
2. Güvenlik ve Gözetim: Kamusal alanlarda veya güvenli tesislerde, AI destekli gözetim sistemleri anormal olayları tespit edebilir. Örnekler arasında trafiğe ters yönde giden bir aracı tanımlamak, bir havaalanında terk edilmiş bir çantayı tespit etmek veya kısıtlı bir alana yetkisiz erişimi işaretlemek yer alır. 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 analizinde yardımcı olur.
4. Finansal Sahtekarlık Tespiti: Bankalar ve finans kurumları, işlem akışlarını izlemek ve Kaggle'daki Kredi Kartı Sahtekarlığı Tespiti veri kümesi gibi kamuya açık veri kümelerinde bulunanlar gibi sahtekarlık faaliyetini gösteren kalıpları belirlemek için anomali tespitini kullanır.
5. Siber Güvenlik: Bir siber saldırıyı veya veri ihlalini işaret edebilecek olağandışı kalıpları tespit etmek için ağ trafiği izlenir. Siber Güvenlik ve Altyapı Güvenliği Ajansı (CISA) gibi kuruluşlar bu tür proaktif önlemleri vurgulamaktadır.

Araçlar ve Teknolojiler

Güçlü anomali tespit sistemleri geliştirmek genellikle standart ML kütüphanelerinin ve özel platformların bir kombinasyonunu içerir.

• Çatı Sistemleri: PyTorch ve TensorFlow, özel derin öğrenme modelleri oluşturmak ve eğitmek için temel araçları sağlar.
• Kütüphaneler: Görüntü işleme harici görevler için, Scikit-learn 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 entegre bir ortam sunarak Görüntü İşleme Yapay Zekası uygulamalarının geliştirilmesini basitleştirir.