网站分析

使用AI进行异常检测

2020年9月3日,星期四

介绍:

异常检测是数据挖掘中的一个阶段,该阶段从数据集中偏离的数据点,事件和/或观测值’的正常行为。异常数据可能会导致严重事件,例如特殊故障,或可能的机会,例如客户行为的调整。动态地利用AI来自动进行异常检测。

需要异常检测:

当前的组织开始理解相互关联的活动的重要性,以获取其业务的完整形象。此外,他们必须立即对信息的快速变化做出反应,尤其是在应该出现网络安全威胁的情况下。异常检测可能是阐明此类中断的关键,因为在区分异常的同时,普通行为的烦恼表明存在拟议或意料之外的攻击,缺陷,错误以及其他威胁。

异常检测的过程:

  • 进行异常检测的监督机器学习:

该技术需要一个标记的训练集,其中包含典型样本和异常样本,以建立预测模型。假设地,接受监督方法以提供优于无监督技术的优选识别率。

监督的神经系统,训练模型的定义,支持向量机学习,k近邻,贝叶斯系统和决策树。 K最近邻居(k-NN)是在监督学习中用于异常识别的最常规的非参数技术之一。

它确定输入向量上各个点之间的近似间隔,然后将未标记的高亮区域归为其K最近邻居的类别。贝叶斯系统是另一种众所周知的模型,可以对引起人们兴趣的因素之间的概率联系进行编码。此方法通常与统计计划结合用于异常识别。这些受监督的技术具有一些优势,包括对因素之间的相互依赖性进行编码和预测事件的能力,以及融合早期知识和信息的能力。

异常检测

  • 进行异常检测的未经监督的机器学习

这些方法不’需要训练数据。它们取决于两个基本假设。首先,他们假设绝大多数系统关联都是正常流量,而只有有限的速率异常。

其次,他们预见到恶意流量相对于典型流量在统计上是唯一的。

使用这两个假设,时常出现的可比较案例的信息收集被认为是正常流量,而不一致的数据组则被视为恶意数据。

最广泛认可的无监督计算是自组织映射(SOM),K-均值,C-均值,期望最大化元算法(EM),自适应共振理论(ART)和一类支持向量机。一种著名的方法是自组织图(SOM)。 SOM的主要目标是减少数据可视化的元素。

机器学习方法目前正在异常检测分析人员中接受广泛的考虑,以解决信息库检测策略的缺点。

异常检测可以充分帮助获取欺诈,在大型和复杂的大数据集中发现异常活动。这最终会在倾向于进行恶意练习的领域(例如银行安全,自然科学,医学和市场营销)有所帮助。使用该机器,学习协会可以加强搜索并增加其高级业务活动的充分性。

异常检测的应用:

  • 卫生保健中的异常检测:

医疗保健和临床失误的不利情况每年导致大量意外死亡和超过100万例超额伤害。

医学中的异常检测是一个重要的任务,尤其是在放射肿瘤学领域,其中很少发生过失,但是异常危险,甚至具有破坏性

为了避免放射疾病治疗中的医疗失误,应格外注意以确保准确使用预期的治疗计划。

在此,我们介绍了这项工作,该工作带来了一个重要的有价值的预测分析工具,用于自动检测癌症放射治疗中的灾难性失误,包括对患者安全的重大保护。

在此,根据数千种前列腺癌治疗方法的使用信息,制定了一种动态模型化和预测放射治疗方案与预期计划的偏差(智能工具)的策略,以自然地识别并突出放射治疗方案中可能存在的错误。建立模型。

智能工具根据先前制造的医疗错误预测模型(PMME)来确定治疗界限是否有效。 Smart Tool使用放射疗法治疗来管理系统,在执行之前以及专家QA完成之后在后台检查所有治疗参数。

利用本发明的智能算法以全自动和无人监督的方式识别出任何异常处理参数,并且通过突出显示人为调解的可疑参数来使操作员欢呼。此外,该框架是自学习的并且不断发展,并且该模型会随着新的治疗信息而动态更新。

  • 制造部门的异常检测:

异常检测对于提高Industry 4.0系统的可靠性和强度变得越来越重要。

在此,考虑到机器在运行和磨损条件下的波动,在制造机器上进行异常检测的各种策略。

我们可以看到可访问信息的类型(包括是否异常)对于算法决策很重要,同时讨论了统计机器学习方法和控制图。

最后,开发自动异常检测策略,该策略在信息上接近于一种。所创建的策略在结构上不依赖于机器用户的持续重新校准和手动调整,以这种方式允许其有力且有效地布置在进行中的域中。

  • 电子商务定价系统的异常检测:

与实体店相比,在线零售商会执行大量的价格更新。的确,即使是一些被误认为的事情也会产生明显的业务影响,并导致失去客户信任。以自动实时方式及早识别异常是这种评估系统的重要组成部分。

这里的系统利用实际零售信息分析测试集上不同方法的性能,并将该方法完全发送到生产环境中。该系统能够以高精度找到最重要的异常。

结论:

异常检测已成为检测故障检测,欺诈检测和许多其他数据差异的致命武器之一。一些组织正在使用“异常检测”来实现具有成本效益和无风险的业务运营。 像素解决方案z的我们将提供端到端的AI异常检测解决方案。要利用我们的服务,请不要犹豫 联系我们.

发表评论

您的电子邮件地址不会被公开。 必需的地方已做标记 *

让我们建立一个伟大的项目

拖我们一条线