Anomalie-
Erkennung

Kurzfassung

Anomalien können auf potenzielle Fehlentwicklungen, Unregelmäßigkeiten oder kritische Ereignisse hinweisen. Das Analyse-Modell verfolgt das Ziel, Anomalien in den Daten zu identifizieren. Die klassischen Methoden der regelbasierten Verfahren stoßen dabei oft an ihre Grenzen, daher haben wir ein Analyse-Modell mithilfe maschinellem Lernen entwickelt. Das KI-Modell ist frei konfigurierbar und kann damit die spezifische Ausgangslage in der Analysestrategie berücksichtigen.

Allgemeine Modell-Beschreibung 

Das cloudbasierte KI-Modell Anomalie-Erkennung gehört zu den Modellen des unüberwachten maschinellen Lernens (uML). Das Modell wird mit Daten trainiert, die keine Labels besitzen. Es gibt also ausschließlich Inputdaten, jedoch keine vorgegebenen Klassifizierungen wie Ausreißer oder unauffälliger Datenpunkt. In dieser Modell-Variante entsteht daher kein Vorhersagemodell (Algorithmus) im klassischen Sinne, das (der) eine feste Beziehung zwischen Input und Output lernt. Stattdessen werden die Bewertungen (z.B. Ausreißer-Werte) aus der Struktur der Daten und den gewählten Modellparametern abgeleitet. Das Modell nutzt dabei die inhärenten – zu Beginn noch unbekannten – Muster und Ähnlichkeiten der Daten. 

Meist geht es darum, Ausreißer (=auffällige Datenpunkte) in großen Datenmengen zu finden. Für jeden Datenpunkt werden zunächst die Distanzen berechnet. Aus diesen Distanzen entsteht ein AusreißerWert (Score), der zeigt, wie ungewöhnlich ein Datenpunkt im Vergleich zu seiner Umgebung (Nachbarschaft) ist.

Detailangaben zum Modell

In der App können die zentralen Modellparameter frei festgelegt werden, wie beispielsweise

• die Anzahl, Bezeichnung und Reihenfolge der Datenfelder ist frei wählbar 
• jedes skalierbare Datenfeld kann gesondert skaliert werden, womit die Wertigkeit für die Distanzberechnung festgelegt wird
• mit der Wahl des Distanzverfahrens wird das mathematische Verfahren, wie die Distanz zwischen Datenpunkten berechnet wird, bestimmt 
• mit der Anzahl der Nachbarn wird die für die Score-Berechnung zu betrachtende Nachbarschaft gruppiert 
• mit der Wahl der Methode wird für jeden Datenpunkt der Ausreißer-Wert (Score) innerhalb der Nachbarschaft berechnet. Jeder Datenpunkt hat einen einzigen Ausreißer-Wert
• Anteil der erwarteten Ausreißer

Den Nutzen auf den Punkt gebracht

• sofortige Erkennung von Auffälligkeiten in großen Datenmengen
• das Modell findet Muster, die für Menschen nicht sichtbar sind
• da vorab keine Klassifizierung und kein Training nötig ist, kann das Modell sofort eingesetzt werden
• hohe Flexibilität durch frei wählbare Modellparameter
• Frühwarnsystem für Risiken und Fehler
• ideal für Compliance, Qualitätssicherung und Prüfprozesse
• alle nicht skalierbaren Datenfelder werden ebenfalls untersucht, womit Datenfehler in den Inputdaten vor der Modell-Konfiguration gefunden werden 

Highlights und Ergebnisse

• Der User kann alle Modellparameter selbst festlegen, somit sein individuelles KI-Modell kreieren
• transparente Ergebnisse (keine Black-Box)
• detaillierte Ergebnisse, wie Datensätze der Ausreißer (xlsx-Datei), Skalierungswerte (xlsx-Datei), Histogramme, Bericht mit sämtlichen analyserelevanten Informationen