tag AIOps

Anomaly Detection (Anomali (Aykırılık) Tespiti)

Bu sayfada AIOps (Anomaly Detection (Anomali (Aykırılık) Tespiti)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.

Anomali tespiti (anomaly detection), bir veri kümesindeki normal davranış kalıplarının dışına çıkan nokta, olay veya davranışı otomatik olarak belirleyen makine öğrenmesi tekniğidir. Sık kullanılan eşdeğerleri arasında aykırı değer tespiti (outlier detection) ve yenilik tespiti (novelty detection) yer almaktadır. Dolandırıcılık tespiti, ağ güvenliği, üretim kalite kontrolü ve sağlık izleme gibi kritik alanlarda hayati öneme sahiptir. Anomali tespit yöntemleri üç ana kategoride incelenir. İstatistiksel yöntemler, verinin normal dağılıma uygunluğunu ölçer ve Z-skoru, IQR gibi metriklerle aykırı değerleri saptar. Makine öğrenmesi tabanlı yöntemler ise Isolation Forest, Local Outlier Factor (LOF), One-Class SVM ve Autoencoder gibi algoritmaları kapsar. Derin öğrenme yaklaşımlarında LSTM tabanlı zaman serisi anomali tespiti ve GAN tabanlı sentetik normal veri oluşturma öne çıkmaktadır. Denetimli, yarı denetimli ve denetimsiz anomali tespiti birbirinden farklıdır. Denetimli yaklaşımda hem normal hem de anormal örneklere ait etiketler gerekir; ancak gerçek dünya verilerinde anomaliler nadir olduğu için etiketli veri elde etmek genellikle güçtür. Yarı denetimli yaklaşımda yalnızca normal örnekler üzerinde eğitim yapılır; test aşamasında normalden sapan örnekler anomali sayılır. Denetimsiz yöntemler ise hiçbir etiket olmaksızın yoğunluk tahmini veya kümeleme yoluyla aykırı değerleri bulur. Eşik değeri seçimi anomali tespitinin en kritik adımlarından biridir. Çok düşük eşik yanlış pozitif (normal örneklerin anomali sanılması) üretirken çok yüksek eşik gerçek anomalilerin gözden kaçmasına neden olur. Precision-Recall eğrisi, bu dengeyi optimize etmek için kullanılan temel görselleştirme aracıdır. Gerçek zamanlı akış verilerinde (streaming data) anomali tespiti ayrıca zorluk taşır. Apache Kafka ile entegre çalışabilen Kafka Streams, Apache Flink veya Amazon Kinesis gibi platformlar, milyonlarca olayı saniyede işleme kapasitesi sunarken uygulanan modellerin çok hızlı karar vermesi gerekir. Bu gereksinim, hafif ve hızlı modellerin tercih edilmesini veya sinir ağlarının kuantizasyon teknikleriyle sıkıştırılmasını zorunlu kılar.