Anomalidetektion
Metoder som markerar ovanliga observationer jämfört med en fastställd referens eller ett inlärt mönster.
När är en observation ovanlig?
Anomalidetektion markerar observationer som avviker ovanligt mycket från en fastställd referens eller ett inlärt mönster. Vad som räknas som normalt beror på valda data, egenskaper och metod. Vissa metoder söker avvikande värden i befintliga data; andra bedömer nya observationer utifrån ett dataunderlag som betraktas som normalt. En markering ger anledning till undersökning. Den förklarar inte orsaken till avvikelsen och bevisar inte i sig ett fel eller bedrägeri.
I ett fiktivt serviceföretag ska ett system uppmärksamma en ovanlig ökning av registrerade förfrågningar. Teamet planerar fall med faktiskt fler kundförfrågningar och med gamla ärenden som importerats tillsammans i en omgång. Vanliga skillnader mellan veckodagar ska också beaktas. En ansvarig person undersöker om mer arbete har uppstått eller om registreringen har ändrat antalet. Det leder till olika åtgärder, exempelvis kapacitetsplanering eller rättelse av analysen. Falska varningar och missade avvikelser dokumenteras under försöket; ett högt antal avgör inte i sig någon av dessa åtgärder.
Källor
Relaterade begrepp
- MaskininlärningModeller lär sig mönster från data och använder dem på nya indata.
- AI-inferensAtt använda en redan tränad modell på indata för att få ett resultat.
- LLM-utvärderingLLM-utvärdering prövar modellutdata mot definierade uppgifter och kriterier. Ett bra enskilt exempel bevisar inte allmän kvalitet.
- PrognosmodellEn modell som använder tillgänglig information för att uppskatta ett framtida värde för en bestämd period.
- Oövervakad inlärningEn inlärningsmetod som söker mönster i data utan förutbestämda målsvar för den aktuella träningsuppgiften.
- ModellkortEtt modellkort dokumenterar syfte, grunder, utvärderingsvillkor och kända begränsningar för en viss version av en AI-modell.
Artiklar om ämnet
AI & automatisering med ASES
AI-assistenter och automatiserade flöden