Anomaly Detection คืออะไร? การค้นหาสิ่งที่แตกต่างจากรูปแบบปกติ
Anomaly Detection (การตรวจหาความผิดปกติ หรือเรียกอีกอย่างว่า outlier detection) คือ กระบวนการระบุตัวอย่างหรือเหตุการณ์ที่แตกต่างจากรูปแบบส่วนใหญ่ของข้อมูล จุดที่ผิดปกติเหล่านี้มักชี้ให้เห็นปัญหา เช่น การฉ้อโกง ความเสียหายของอุปกรณ์ หรือข้อผิดพลาดของระบบ โดยทั่วไปอาศัยการเรียนรู้แบบไม่มีผู้สอนในการจับว่าอะไรคือรูปแบบปกติ
การตรวจหาความผิดปกติคืออะไร
ข้อมูลส่วนใหญ่มักรวมกันเป็นรูปแบบที่คาดหมายได้ แต่บางจุดอาจห่างออกไปอย่างเห็นได้ชัด Anomaly detection มีเป้าหมายเพื่อหาจุดเหล่านั้น ลองนึกภาพการตรวจบัตรเครดิต: หากมีรายการใช้จ่ายในต่างประเทศในเวลากลางคืนด้วยยอดที่ผิดปกติ ระบบอาจตั้งค่าสงสัยว่าเป็นการฉ้อโกง
ความผิดปกติมีกี่แบบ
- Point anomaly: จุดเดียวที่ผิดปกติเมื่อเทียบกับข้อมูลที่เหลือ
- Contextual anomaly: ค่าหนึ่งผิดปกติเฉพาะบริบท เช่น อุณหภูมิเดียวกันอาจปกติในกลางวันแต่ผิดปกติกลางดึก
- Collective anomaly: กลุ่มของจุดที่เมื่อมองรวมกันแล้วผิดปกติ แม้แต่ละจุดแยกกันอาจดูปกติ
วิธีตรวจหาที่พบบ่อย
วิธีทางสถิติ
ตั้งสมมติฐานเกี่ยวกับการแจกแจงของข้อมูล แล้วหาจุดที่อยู่ห่างจากช่วงที่คาดหมาย เช่น จุดที่อยู่ห่างจากค่าเฉลี่ยหลายเท่าของส่วนเบี่ยงเบนมาตรฐาน
วิธีอิงระยะห่าง
วัดระยะห่างระหว่างจุดข้อมูล หากจุดหนึ่งอยู่โดดห่างจากเพื่อนบ้านมาก อาจเป็นค่านอกเกณฑ์
วิธีด้วยการเรียนรู้ของเครื่อง
- K-means: จุดที่จัดเข้ากลุ่มได้ไม่ดีหรืออยู่ห่างจุดศูนย์กลางมากอาจผิดปกติ
- Autoencoder: หากสร้างข้อมูลกลับได้ไม่ดี ความผิดพลาดสูงบ่งชี้ความผิดปกติ
- โครงข่ายประสาทเทียม: เรียนรูปแบบปกติแล้วให้คะแนนความต่าง
ตารางสรุป
| แนวทาง | หลักการ | ตัวอย่าง |
|---|---|---|
| สถิติ | เทียบการแจกแจงปกติ | ค่าเบี่ยงเบนมาตรฐาน |
| ระยะห่าง | ดูเพื่อนบ้าน | ระยะห่างจากจุดอื่น |
| การเรียนรู้ของเครื่อง | จำลองรูปแบบปกติ | autoencoder, k-means |
ใช้งานที่ไหน
- การเงิน: ตรวจการฉ้อโกงบัตรเครดิตและรายการต้องสงสัย
- อุตสาหกรรม: บำรุงรักษาเชิงคาดการณ์เมื่อเซ็นเซอร์อ่านค่าผิดปกติ
- คอมพิวเตอร์วิชัน: หาจุดตำหนิบนพื้นผิวชิ้นงาน
- ความปลอดภัยเครือข่าย: จับพฤติกรรมบุกรุกหรือการเข้าถึงแปลก ๆ
- สุขภาพ: ระบุผลตรวจที่แตกต่างจากเคสปกติ
ข้อจำกัด
- ข้อมูลปกติและผิดปกติอาจไม่แบ่งกันชัดเจน ทำให้ต้องตั้งเกณฑ์อย่างระมัดระวัง
- ความผิดปกติที่แท้จริงมักมีน้อยมาก ทำให้ข้อมูลฝึกไม่สมดุล
- รูปแบบปกติอาจเปลี่ยนตามเวลา ระบบจึงต้องอัปเดต
- การตั้งเกณฑ์ไวผิดไปอาจทำให้พลาดของจริงหรือเตือนผิดบ่อย และอาจเกี่ยวข้องกับภาวะโอเวอร์ฟิตติ้ง
FAQ
Anomaly Detection ใช้ทำอะไร?
หาจุดหรือเหตุการณ์ที่แตกต่างจากรูปแบบปกติ เช่น การฉ้อโกง ความเสียหายเครื่องจักร และการบุกรุกเครือข่าย
Anomaly กับ Outlier ต่างกันไหม?
ในงานส่วนใหญ่ใช้เรียกใกล้เคียงกัน โดย outlier เน้นจุดที่อยู่ห่างจากข้อมูลกลุ่มหลัก ส่วน anomaly เน้นสิ่งที่ผิดไปจากรูปแบบปกติ
จัดเป็น supervised หรือ unsupervised?
ส่วนใหญ่เป็น unsupervised เพราะความผิดปกติแท้จริงมักไม่มีป้ายกำกับ แต่บางงานอาจใช้ข้อมูลมีป้ายได้
ทำไมความผิดปกติจึงหายาก?
เหตุการณ์ผิดปกติ เช่น การฉ้อโกงหรือเครื่องเสีย เกิดน้อยกว่าเหตุการณ์ปกติมาก จึงทำให้ข้อมูลไม่สมดุล
ระบบจะเตือนผิดได้ไหม?
ได้ หากเกณฑ์ไวเกินไปอาจเตือนเหตุการณ์ปกติว่าผิดปกติ จึงต้องปรับเทียบกับผลลัพธ์จริง
สรุป
- Anomaly detection ระบุสิ่งที่แตกต่างจากรูปแบบปกติ
- มีแบบ point, contextual และ collective
- ใช้วิธีทางสถิติ ระยะห่าง และการเรียนรู้ของเครื่อง
- autoencoder และ k-means ช่วยจับความผิดปกติได้
- ใช้ในการเงิน อุตสาหกรรม ความปลอดภัย และสุขภาพ
- ต้องระมัดระวังเรื่องข้อมูลไม่สมดุลและเกณฑ์การเตือน
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free