Was ist Anomalieerkennung?

Eine Anomalie ist eine unerwartete Änderung oder Abweichung von einem erwarteten Muster in einem Datensatz. Die Anomalieerkennung wird verwendet, um abnormales Verhalten zu melden, da Anomalien zeigen, dass etwas anderes passiert als erwartet.

Diagramm zur Erkennung von Anomalien

Anomalien sind nicht notwendigerweise gut oder schlecht, aber Unternehmen sollten über jede Abweichung im Muster Bescheid wissen, um zu beurteilen, ob sie Maßnahmen ergreifen müssen oder nicht.

Unternehmen generieren im täglichen Betrieb Millionen von Datenpunkten, aber viele dieser wertvollen Informationen bleiben ungenutzt und werden vergessen. Aus diesem Grund gewinnt die Erkennung von Anomalien in der Geschäftswelt an Bedeutung: um den Betrieb zu optimieren und Prozesse für eine vorhersehbarere Zukunft zu rationalisieren.

Was ist der Unterschied zwischen Anomalien und Ausreißern?

Viele Geschäftsanwender verwenden die Begriffe Anomalie und Ausreißer synonym, es gibt jedoch wesentliche Unterschiede. Anomalien ähneln Ausreißern, sind aber nicht mit ihnen identisch.

Unter der Annahme, dass alle Daten von einer Reihe von Prozessen generiert werden, sind Ausreißer Punkte mit einer geringen Eintrittswahrscheinlichkeit in einem bestimmten Datensatz. Sie sind Beobachtungspunkte, die von anderen Beobachtungen in der normalen Datenpopulation entfernt sind. Ausreißer stellen jedoch nicht unbedingt abnormales Verhalten oder Verhalten dar, das aufgrund eines anderen Prozesses aufgetreten ist. Ausreißer werden nach demselben Prozess generiert, treten jedoch mit geringerer Wahrscheinlichkeit auf.

Umgekehrt sind Anomalien Muster, die durch verschiedene Prozesse erzeugt werden. Diese unterschiedlichen Prozesse können ein Unternehmen darauf aufmerksam machen, dass sich etwas geändert hat, und können bei wie bei Geräteausfall oder Ermüdung weitere Maßnahmen erfordern.

Manchmal sind Urteilsvermögen und Fachwissen erforderlich, um festzustellen, zu welcher Kategorie ein bestimmter Datenpunkt gehört.

Welchen Wert hat die Anomalieerkennung?

Jeden Tag generieren Unternehmen riesige Datenmengen. Wenn sie richtig genutzt werden, können diese Daten Unternehmen dabei helfen, schneller bessere Entscheidungen zu treffen. Eine Möglichkeit ist die Erkennung von Anomalien. Die Anomalieerkennung kann verhindern, dass ein kleines Problem zu einem weit verbreiteten, zeitaufwändigen Problem wird. Mit den neuesten Methoden des maschinellen Lernens können Unternehmen Trends verfolgen, Chancen und Bedrohungen erkennen und sich mit der Anomalieerkennung einen Wettbewerbsvorteil verschaffen.

E-Book zur Erkennung von Anomalien
Der Leitfaden für Anfänger zur Anomalie-Erkennung
Verschaffen Sie Ihrem Unternehmen einen Wettbewerbsvorteil, indem Sie die Grundlagen der Anomalie-Erkennung erlernen.

Und wie funktioniert das?

Es gibt viele technologische Funktionen und Lösungen, mit denen Anomalien in Echtzeit erkannt oder in einigen Fällen sogar vorhergesagt werden können.

Visual Discovery

Daten- oder Geschäftsanalysten erstellen Datenvisualisierungen, um unerwartetes Verhalten zu finden, das häufig geschäftliche Vorkenntnisse und kreatives Denken erfordert, um die Antworten mit den richtigen Datenvisualisierungen zu finden. Erweiterte Visualisierungen, wie sie aus Hauptkomponenten, TSNE und UMAP generiert wurden, können hochdimensionale Daten über Karten mit niedrigeren Dimensionen zugänglich machen.

Überwachtes Lernen

Beim überwachten Lernen kennzeichnen Personen mit Geschäftskenntnissen in einer bestimmten Branche eine Reihe von Datenpunkten als normal oder anomal. Ein Analytiker verwendet dann diese gekennzeichneten Daten, um Modelle für maschinelles Lernen zu erstellen, die Anomalien bei nicht gekennzeichneten neuen Daten vorhersagen.

Unüberwachtes Lernen

Nicht gekennzeichnete Daten werden verwendet, um Modelle für unüberwachtes maschinelles Lernen zur Vorhersage neuer Daten zu erstellen. Da das Modell auf normale Daten zugeschnitten ist, fällt die geringe Anzahl anomaler Datenpunkte auf.

Verlaufsdiagramm-Techniken

Anomalien werden durch Verlaufsdiagramm-Analysen mit Modellen erkannt, die Trends, Saisonalität und Werte in Zeitreihendaten erfassen. Wenn neue Daten zu stark vom Modell abweichen, wird entweder eine Anomalie oder ein Modellausfall angezeigt.

Autoencoder und maschinelles Lernen

Die neuesten Techniken des maschinellen Lernens und Autoencoder erkennen Anomalien und reagieren darauf in Echtzeit. Ein neuronales Netzwerk kann Anomalien von Transaktionen und Sensordaten vorhersagen.

Clustering

Analysten können versuchen, jeden Datenpunkt in einen von vielen vordefinierten oder entdeckten Clustern einzuordnen. Fälle, die nicht in bekannte Cluster fallen, können als Anomalien betrachtet werden.

Wie wird die Anomalieerkennung aktuell eingesetzt?

In fast allen Branchen gibt es viele wichtige geschäftliche Anwendungsfälle für die Erkennung von Anomalien. Einige der häufigsten Beispiele sind Versicherungen, Finanzdienstleistungen, Gesundheitswesen und Fertigung:

  • Finanzkriminalität
  • Gerätesensoren
  • Betrug im Gesundheitswesen
  • Herstellungsfehler

Bekämpfung der Finanzkriminalität

Im Finanzbereich werden jede Minute Transaktionen im Wert von Billionen von Dollar ausgeführt. Die Erkennung verdächtiger Transaktionen in Echtzeit kann Unternehmen einen Wettbewerbsvorteil verschaffen. Um anormale Transaktionen zu erkennen, setzen Kunden, Lieferanten und führende Finanzunternehmen zunehmend auf Big-Data-Analytik, einschließlich Techniken des maschinellen Lernens, um Anomalien in der riesigen Datenmenge zu entdecken.

Darüber hinaus können führende Finanzunternehmen durch die Erkennung von Anomalien Kosten kontrollieren, indem sie falsch-positive Untersuchungen ausschließen und Betrugsverluste reduzieren.

Sensoren für Überwachungsgeräte

Viele Arten von Geräten, Fahrzeugen und Maschinen verfügen jetzt über integrierte Sensoren. In Ihrem Smartphone befinden sich beispielsweise Umgebungslicht- und rückseitig beleuchtete Sensoren, Beschleunigungsmesser, digitale Kompasse, Gyroskope, Näherungs-, NFC-, GPS- und Fingerabdrucksensoren. Die Überwachung der Sensorausgänge kann entscheidend sein, um Ausfälle und Störungen zu erkennen und zu verhindern.

Datenzentrierte Hersteller können mit verbundenen IoT-Geräten (Internet of Things) alle ihre Geräte, Fahrzeuge und Maschinen in Echtzeit verfolgen. Sie können alle ihre Ausgänge mit einer Lösung zur Erkennung von Anomalien überwachen, um kostspielige Ausfälle und Störungen zu verhindern. Darüber hinaus können sie anomale Datenmuster erkennen, die auf bevorstehende Probleme hinweisen, indem sie unüberwachte Lernalgorithmen wie Autoencoder einsetzen.

Betrug im Gesundheitswesen

Versicherungsbetrug ist im Gesundheitswesen weit verbreitet und beläuft sich auf Milliarden von Dollar, die an Betrüger gezahlt werden. Für Versicherungsunternehmen ist es wichtig, betrügerische Ansprüche zu identifizieren, damit sichergestellt werden kann, dass keine Auszahlungen auf betrügerische Konten erfolgen. In den letzten Jahren haben viele Unternehmen stark in Big-Data-Analytik investiert, um überwachte, unüberwachte und semi-überwachte Modelle zur Aufdeckung von Versicherungsbetrug zu erstellen.

Mit Big-Data-Analytik und Funktionen zur Erkennung von Anomalien können Gesundheits- und Versicherungsanbieter überwachte, unüberwachte und semi-überwachte Modelle erstellen, mit denen sie die Wahrscheinlichkeit von Betrug im Gesundheitswesen für jeden eingereichten Antrag verringern.

Herstellungsfehler

Einige Unternehmen überwachen kontinuierlich Sensordaten an gefertigten Bauteilen mit einem Autoencoder-Modell. Da das Modell neue Daten auswertet, können die Techniker Fehler (Anomalien) sofort erkennen und beheben, sobald sie auftreten.

Die manuelle Überprüfung auf Defekte und Anomalien kann Zeit verschwenden und die Kosten für die Hersteller erhöhen. Aus diesem Grund setzen viele führende Hersteller auf Autoencoder. Unternehmen können Sensordaten von gefertigten Komponenten verwenden, um ungewöhnliche Ereignisse mit einem Autoencoder-Modell in Echtzeit zu überwachen und zu erkennen.

Weitere Anwendungsfälle

Neben diesen häufigsten Anwendungsfällen wird die Anomalieerkennung in vielen anderen Bereichen und Branchen eingesetzt:

  • Militärische Überwachung: Bilderkennung
  • Cybersicherheit: Angriffserkennung
  • Sicherheitssysteme: Störungserkennung
  • Hacking-Schutz: Erkennung von anomalem Netzwerkverkehr
  • Wetter: Auswirkungen von Hitzewelle oder Kälteeinbruch
  • MRT-Bildgebung: Implikation von Alzheimer oder bösartigen Tumoren
  • Raumfahrzeug-Sensoren: Fehlerhafte Bauteilkennung
Leitfaden zur Anomalieerkennung
Whitepaper: Der ultimative Leitfaden zur Anomalieerkennung
Verwenden Sie diesen umfassenden Leitfaden, um besser zu verstehen, wie Visual Discovery, Modelle für überwachtes maschinelles Lernen (ML) und unbeaufsichtigte ML-Techniken wie Autoencoder angewendet werden.

Wie sieht die Zukunft der Anomalieerkennung aus?

Die heutigen Datenmengen wachsen stetig und Unternehmen sammeln mehr Informationen als je zuvor — Prognosen rechnen in Zukunft noch mehr Datenwachstum. Mit einer solchen Fülle von Daten müssen Unternehmen in der Lage sein, Muster zu verfolgen und, was noch wichtiger ist, Anomalien zu erkennen, um größere Geschäftsausfälle wie Fehlfunktionen von Geräten, Betrug und Defekte zu vermeiden.

Die Erkennung von Anomalien in Datenmustern kann Unternehmen dabei helfen, umsetzbare Erkenntnisse zu gewinnen und im digitalen Zeitalter effizienter und wettbewerbsfähiger zu werden. Mit Data-Science-Software können Unternehmen Modelle für maschinelles Lernen verwenden, die das erwartete Verhalten spezifizieren, neue Daten überwachen und unerwartetes Verhalten für bessere Geschäftsergebnisse erkennen.

Wohin könnte uns die Anomalieerkennung als Nächstes führen? Mit dem zunehmenden Einsatz von maschinellem Lernen und künstlicher Intelligenz wird die Erkennung von Maschinen- oder Sensoranomalien nicht der einzige große Anwendungsfall sein. Experten gehen davon aus, dass die Erkennung von Anomalien in der Videoüberwachung, der Gesundheitsdiagnostik und vielem mehr weiter an Bedeutung gewinnt.