Anomaly Detection

Phát hiện bất thường là một kỹ thuật quan trọng trong các lĩnh vực Trí tuệ nhân tạo (AI) và Học máy (ML), tập trung vào việc xác định các điểm dữ liệu, sự kiện hoặc quan sát khác biệt đáng kể so với hành vi thông thường của tập dữ liệu. Thường được gọi là phát hiện ngoại lệ (outlier detection), quá trình này giả định rằng phần lớn dữ liệu tuân theo một mẫu hoặc phân phối cụ thể, và bất kỳ thứ gì nằm ngoài chuẩn mực đã thiết lập này đều được coi là một điểm bất thường. Những điểm không nhất quán này có thể chỉ ra các sự cố nghiêm trọng, chẳng hạn như lỗi cấu trúc trong sản xuất, lỗi trong dữ liệu văn bản hoặc các vi phạm bảo mật tiềm ẩn trong lưu lượng mạng. Các thuật toán nâng cao, bao gồm cả những thuật toán được sử dụng trong Học sâu (DL), được áp dụng để tự động hóa việc nhận diện các sự kiện hiếm gặp này với độ chính xác cao.

Link to this sectionPhát hiện bất thường so với Phát hiện đối tượng#

Mặc dù cả hai phương pháp đều là nền tảng cho thị giác máy tính (CV) hiện đại, nhưng điều quan trọng là phải phân biệt được phát hiện bất thường với phát hiện đối tượng tiêu chuẩn.

• Phát hiện đối tượng thường là một bài toán tập đóng (closed-set), trong đó mô hình xác định và định vị các lớp cụ thể, đã biết (ví dụ: "xe hơi", "người", "đèn giao thông") bằng cách sử dụng khung bao. Hệ thống được huấn luyện trên các ví dụ đã được gán nhãn chính xác về những gì nó cần tìm.
• Phát hiện bất thường thường được coi là một bài toán tập mở (open-set). Hệ thống học cách biểu diễn "trạng thái bình thường" và gắn cờ các sai lệch chưa biết. Ví dụ, một hệ thống kiểm tra hình ảnh có thể được huấn luyện trên hàng nghìn hình ảnh của các sản phẩm hoàn hảo. Sau đó, nó phải xác định bất kỳ vết trầy xước, vết lõm hoặc sự đổi màu nào là một điểm bất thường, ngay cả khi nó chưa từng gặp loại lỗi cụ thể đó trước đây.

Tuy nhiên, các bộ phát hiện đối tượng mạnh mẽ như Ultralytics YOLO26 hiện đại có thể được điều chỉnh hiệu quả cho việc phát hiện bất thường có giám sát. Bằng cách xử lý các lỗi đã biết như các lớp riêng biệt trong dữ liệu huấn luyện, các kỹ sư có thể huấn luyện các mô hình để xác định chính xác các loại bất thường cụ thể.

Link to this sectionCác ứng dụng trong thực tế#

Khả năng tự động phát hiện các điểm bất thường làm cho phát hiện bất thường trở nên không thể thiếu trong nhiều ngành công nghiệp đòi hỏi độ an toàn cao, nơi việc giám sát thủ công là không khả thi.

• AI trong Sản xuất: Các hệ thống kiểm tra quang học tự động (AOI) giám sát các dây chuyền sản xuất để xác định lỗi cấu trúc trong thời gian thực. Bằng cách triển khai bảo trì dự đoán, các nhà máy có thể phát hiện các rung động bất thường hoặc dấu hiệu nhiệt trong máy móc, ngăn chặn thời gian ngừng hoạt động tốn kém.
• Phân tích hình ảnh y tế: Trong y tế, các thuật toán phân tích kết quả chụp MRI hoặc CT để làm nổi bật các bệnh lý tiềm ẩn. Việc phát hiện các khối u hoặc vết nứt khác biệt so với mô khỏe mạnh giúp các bác sĩ chẩn đoán hình ảnh đưa ra chẩn đoán nhanh hơn, đây là một thành phần quan trọng của AI trong Chăm sóc sức khỏe.
• Phát hiện gian lận tài chính: Các ngân hàng sử dụng phương pháp phát hiện bất thường thống kê để giám sát các luồng giao dịch. Nếu hành vi chi tiêu của người dùng đột ngột thay đổi—chẳng hạn như một khoản mua sắm lớn ở nước ngoài—hệ thống sẽ gắn cờ giao dịch đó là một vi phạm bảo mật tiềm ẩn, như đã mô tả trong các phương pháp phát hiện gian lận tài chính.
• Phát hiện xâm nhập mạng: Các công cụ an ninh mạng giám sát lưu lượng mạng để tìm các đột biến hoặc các dấu hiệu gói tin bất thường. Bằng cách thiết lập đường cơ sở của lưu lượng truy cập bình thường, các hệ thống có thể xác định sớm các cuộc tấn công mạng hoặc nỗ lực đánh cắp dữ liệu.

Link to this sectionTriển khai phát hiện lỗi với YOLO26#

Một phương pháp thực tế để phát hiện bất thường liên quan đến việc huấn luyện một mô hình thị giác để nhận diện các lớp lỗi cụ thể. Các mô hình mới nhất, như YOLO26, được tối ưu hóa cho tác vụ này, mang lại tốc độ và độ chính xác vượt trội so với các phiên bản trước như YOLO11. Ví dụ sau đây minh họa cách tải một mô hình đã được huấn luyện sẵn và chạy suy luận (inference) để xác định các điểm bất thường được gắn nhãn như các đối tượng.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

Link to this sectionCông cụ và Hệ sinh thái#

Việc phát triển các hệ thống phát hiện bất thường hiệu quả đòi hỏi một hệ sinh thái phần mềm mạnh mẽ để xử lý tiền xử lý dữ liệu và quản lý vòng đời mô hình.

• Các khung Học sâu (Deep Learning Frameworks): Các thư viện như PyTorch và TensorFlow cung cấp nền tảng tính toán cho việc huấn luyện các mạng thần kinh (neural networks) phức tạp được sử dụng trong phát hiện dựa trên thị giác.
• Chuẩn bị dữ liệu: Các công cụ cho làm sạch dữ liệu là cần thiết để loại bỏ các điểm ngoại lệ khỏi tập dữ liệu huấn luyện ban đầu để mô hình học được một đường cơ sở "bình thường" sạch sẽ.
• Thư viện thống kê: Đối với dữ liệu phi thị giác, thư viện Scikit-learn cung cấp các thuật toán tiêu chuẩn như Isolation Forest và One-Class Support Vector Machine (SVM).
• Quy trình công việc tích hợp: Ultralytics Platform hợp lý hóa vòng đời của các mô hình này, cung cấp các công cụ để chú thích tập dữ liệu, huấn luyện trên nền tảng đám mây và triển khai các mô hình hiệu quả như YOLO26 lên các thiết bị biên để thực hiện suy luận thời gian thực.