Anomalienerkennung
Die Bedeutung des Erkennens von
ANOMALIEN IN UNTERNEHMENSDATEN
- Erkennen von Betrugsversuchen bei Bestellungen
- Überwachen von IoT-Sensordaten und Logfiles
- Sicherstellen der Einhaltung von Einkaufsprozessen
Worum es im Kern geht?
ANOMALIEN ERFORDERN SCHNELLES HANDELN
- Stellen Sie sich einen Bug in einer Software als eine Anomalie vor.
- Die Grafik verdeutlicht den Zusammenhang zwischen der Entdeckung eines Bugs in einem Softwareprojekt und den Kosten zur Behebung.
that do not conform to expected behavior.
UNSER SHOWCASE
Anomalien in Log-Daten von Maschinen
In unserem Showcase demonstrieren wir anhand eines konkreten Beispiels, wie sich Anomalien mithilfe von Künstlicher Intelligenz und Deep-Learning-Modelle aufdecken lassen
Die Erkennung von Daten-Anomalien im Business-Kontext ist vielschichtig
Unterschiedliche Formen &
ARTEN VON ANOMALIEN
Ein Datensatz wird im Vergleich mit den restlichen Daten als anormal betrachtet.
Ein Datensatz wird in einem spezifischen Kontext als anormal betrachtet.
Mehrere Datensätze werden im Vergleich mit den restlichen Daten als anormal betrachtet.
Nicht alle Wege führen nach Rom
VON DEN DATEN ZUR MODELL-ARCHITEKTUR
- Sind die kausalen Zusammenhänge in den Daten bekannt?
- Existieren Trainingsdaten mit bereits erkannten Anomalien?
- Welche Arten von Anomalien sind zu erwarten?
Die wichtigsten Erkenntnisse aus unserem Showcase
FÜR SIE AUF DEN PUNKT GEBRACHT
In unserem Showcase demonstrieren wir, wie sich Anomalien mittels moderner Deep-Learning-Modelle identifizieren lassen. Unsere Lösung hat sich dabei bewährt und konnte auch schwer zu entdeckende Anomalien erkennen. Der ISR-Lösungsansatz ist direkt nutzbar und kann mit wenig Aufwand auch an Ihre Anforderungen angepasst werden.
Der Algorithmus erreicht eine Erkennungsquote von 90% bei der Identifizierung künstlicher Anomalien im Testdatensatz.
Auch real auftretende Anomalien konnten erkannt werden, deren Seltenheit jedoch eine zuverlässige Evaluierung ausschließt.
Die Kombination verschiedener MachineLearning-Verfahren kann die Treffergenauigkeit noch einmal steigern.
Den größten Vorteil sehen wir darin, dass für die zuverlässige Erkennung im Vorfeld keine gekennzeichneten Anomalien benötigt werden. So spart man im Vergleich zu anderen Vorgehensweisen einen Großteil des Aufwands.
Die bisherige ISR-Bilanz
Gerade im Bereich der Anomalie-Erkennung können diese Algorithmen sowohl Erkenntnisse zu interessanten Geschäftsvorfällen liefern als auch Sicherheitslücken für Getinge aufdecken.
Machen Sie unsere Expertise zu Ihrem Vorteil
ANOMALIE-ERKENNUNG ALS BESTANDTEIL IHRES DATA-SCIENCE-PORTFOLIOS
Datenanalyse & Problemidentifikation
Decken Sie problematische Anomalien auf, bevor sie Schaden für Ihr Unternehmen anrichten können.
Modelltraining
Profitieren Sie von unserer Erfahrung – vom theoretischen Konzept bis hin zur fertigen Implementierung.
End-to-End-Integration
Starten Sie nicht bei Null – mit unserem Showcase haben wir ein Framework, das sich auf Ihren Use Case anpassen lässt.
Unser Data-Science-Toolkit im Bereich
DATENANOMALIEN
Silvio Bergmann
Senior Manager
Analytics & Insights
silvio.bergmann@isr.de
+49(0)151 422 05 418
