ALLES, WAS SIE BRAUCHEN, IST…. ANOMALIEERKENNUNG.
Im Datenmanagement für prädiktive Analysen hat sich die Anomalieerkennung als einer der am häufigsten verwendeten Ansätze etabliert, da sie einfach und intuitiv und gleichzeitig effektiv ist.
Sie entstand als gültige Methode zur Erkennung von Eindringlingen in Computersystemen und wird in so unterschiedlichen Bereichen wie der vorausschauenden Wartung oder der Klassifizierung von E-Mails als Spam eingesetzt.
REICHEN KLASSIFIZIERUNGSALGORITHMEN NICHT AUS?
Bevor wir fortfahren, eine Frage: Könnten wir nicht einfach, zum Beispiel im Fall der vorbeugenden Wartung, einen Klassifizierungsalgorithmus verwenden, der es uns ermöglicht, Ereignisse als „korrekt“ oder „Fehler“ zu katalogisieren?
Die Antwort ist nicht einfach „a priori“ zu bejahen oder zu verneinen, aber es stimmt, dass Klassifizierungsalgorithmen trotz ihrer leistungsstarken Werkzeuge bei der Kategorisierung von Ereignissen gewisse Einschränkungen aufweisen.
1. PROBLEM: DIE ÜBERREPRÄSENTATION
Das erste Problem, das im realen Leben sehr präsent ist, betrifft die Überrepräsentation einer Klasse im Vergleich zu den anderen.
Denken wir zum Beispiel an einen Algorithmus, der darauf abzielt, die Ausfälle einer bestimmten Industriemaschine vorherzusagen. Um dies zu tun, und basierend auf dem Schema der überwachten Lernklassifizierungsalgorithmen, benötigen wir vergangene Stichproben von Ereignissen, die als „ok“ kategorisiert wurden, und vergangene Ereignisse, die als „Fehler“ kategorisiert wurden, um unseren Algorithmus zu speisen, damit er mit der Erfahrung zukünftige, noch nicht klassifizierte Ereignisse zufriedenstellend zwischen „Fehler“ und „ok“ unterscheiden kann.
Wenn wir viel mehr Stichproben des Zustands „ok“ als des Zustands „Fehler“ haben (was üblich ist), neigt der Algorithmus dazu, die dominante Klasse zu gewichten, was keine zufriedenstellenden Ergebnisse liefert (der Zustand „Fehler“ ist der, den wir vorhersagen wollen).
2. PROBLEM: KENNEN WIR ALLE MÖGLICHEN FEHLER?
Andererseits erfordert diese Programmierstruktur, alle Situationen zu kennen, in denen die Klasse „Fehler“ auftritt, wobei es schwierig ist, ein solches Ergebnis vorherzusagen, wenn ein solcher Fehler noch nie zuvor aufgetreten ist.
Im Allgemeinen können Klassifizierungsalgorithmen in diesen Szenarien eine schlechte Leistung erbringen.
WAS SOLL MAN DANN VERWENDEN?
Diese Art von Problemen erfordert einen anderen Ansatz: die Anomalieerkennung.
Bei der Anomalieerkennung, im Englischen besser bekannt als Anomaly Detection (alles klingt auf Englisch besser), wird deutlich, dass es zwei Ansätze geben kann, um zu erkennen, wann etwas schiefgeht: entweder zu wissen, wann die Parameter anzeigen, dass das untersuchte Ereignis schiefgeht, oder zu wissen, wie die Parameter sind, wenn das untersuchte Ereignis gut funktioniert.
Der erste ist nicht immer zugänglich, und auf diese zweite Weise, wenn die Parameter anzeigen, dass das Ereignis von seinen normalen Parametern unter optimalen Bedingungen abweicht, wird dies eine Anomalie melden.
Es genügt, um auf den Fall unserer Industriemaschine zurückzukommen, die Werte zu parametrisieren, wenn sie korrekt funktioniert, und durch die Festlegung eines geeigneten mobilen Bereichs (der mit der Erfahrung lernt) eine Anomalie anzuzeigen, wenn wir außerhalb des Bereichs liegen.
Die Bereitstellung neuer Informationen für diesen Algorithmus, die die korrekte Klassifizierung von Ereignissen überprüft, kann seine Präzision erhöhen (z. B. durch Erweiterung seines Definitionsbereichs für korrekte Ereignisse).
EIN SCHRITT WEITER IN RICHTUNG INDUSTRIE 4.0
Obwohl wir mit diesem Ansatz die Überrepräsentation der dominanten Klasse ausgleichen können (was andere Algorithmen wie SMOTE ausgleichen könnten), liegt die wahre Stärke der Anomalieerkennung darin, dass wir Anomalien vorhersagen können…
…selbst wenn wir noch nie eine gesehen haben!!!
Dies macht sie ideal für Vorhersageaufgaben, die auf Verschleiß und Abnutzung basieren, wie z. B. bei Wartungsaufgaben.
Derzeit erzeugen Maschinen in allen Industrien Daten, sie hören nicht auf zu „sprechen“.
Nach und nach nehmen die Werkzeuge zu, um ihnen „zuhören“ zu können und sie uns zum Beispiel anzeigen zu lassen, ob sie in Ordnung sind oder nicht, ob sie Wartung benötigen und welche.
Der Anomalieerkennungsalgorithmus ist eine weitere Unterstützung, um das effiziente Management von Ressourcen und Daten voranzutreiben, und ermöglicht es Unternehmen, diesen Wettbewerbsvorteil bei den Kosten zu erzielen, indem sie sich in einem der am stärksten wachsenden Bereiche (und laut Gartner- oder Forrester-Berichten auch weiterhin wachsen werden) gut positionieren: dem Internet der Dinge (IoT).
Unternehmen versuchen, sich auf diese neue Welle der Technologie einzulassen, die die Industrie 4.0 und die effiziente Nutzung von Ressourcen bilden, welche für den Erfolg entscheidend sind.