Anomalien­erkennung

Die Bedeutung des Erkennens von
ANOMALIEN IN UNTERNEHMENSDATEN

Egal ob es um das Verhalten von Menschen oder die Messwerte von IoT Geräten geht – im Bereich Data Science kann es immer zu Abweichungen von den zu erwartenden Ergebnissen kommen. Diese unerwarteten Abweichungen werden als Anomalien bezeichnet und können auf potenzielle Probleme hindeuten, deren Identifizierung in zahlreichen Geschäftsfeldern von großer Bedeutung sein kann:
  • 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

Die verursachten Kosten einer Anomalie sind selbstverständlich abhängig vom Geschäftsfeld in dem sie aufritt. Ein weiterer signifikanter Faktor ist jedoch die Zeit bis zu ihrer Entdeckung:
  • 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.
Mit unserem Showcase wollen wir Ihnen einen Lösungsansatz präsentieren, um die Zeitspanne zwischen Auftreten und Entdecken einer Anomalie zu minimieren.
anomalienerkennung_kosten_fehler
National Institute of Standards and Technology (NIST) | isr.de
Anomaly detection refers to the problem of finding patterns in data
that do not conform to expected behavior.
Chandola et. al. (2009):
“Anomaly detection: A survey”

UNSER SHOWCASE

Anomalien in Log-Daten von Maschinen

Logo Getinge, Maquet, Atrium sind als Warenzeichen der Getinge

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

Erkennung Anomalien Data Management
Bei der Erkennung von Anomalien sind viele Disziplinen des Data Management involviert | isr.de

Unterschiedliche Formen &
ARTEN VON ANOMALIEN

isr-logo-ul-style-farbiges-icon
Punktuelle Anomalie

Ein Datensatz wird im Vergleich mit den restlichen Daten als anormal betrachtet.

isr-logo-ul-style-farbiges-icon
Kontextuelle Anomalie

Ein Datensatz wird in einem spezifischen Kontext als anormal betrachtet.

isr-logo-ul-style-farbiges-icon
Kollektive Anomalie

Mehrere Datensätze werden im Vergleich mit den restlichen Daten als anormal betrachtet.

Nicht alle Wege führen nach Rom
VON DEN DATEN ZUR MODELL-ARCHITEKTUR

Jeder Use Case erfordert ein individuelles Vorgehen bei der Konzeption des Machine-Learning-Modells – je nach Randbedingungen sowie der Art der zu erwartenden Anomalien. Zentrale Fragen, die wir in Abstimmung mit Ihnen klären, sind:
  • 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

> 100.000
Messwerte zur Analyse
5
getestete Deep-Learning-Algorithmen
> 300
getestete Hyperparameter Kombinationen
6
Verschiedene Anomalie-Typen
Die steigenden Datenmengen in Unternehmen sowie die Analyse dieser Daten in Echtzeit machen den Einsatz von Machine-Learning-Algorithmen zunehmend attraktiv.
Gerade im Bereich der Anomalie-Erkennung können diese Algorithmen sowohl Erkenntnisse zu interessanten Geschäftsvorfällen liefern als auch Sicherheitslücken für Getinge aufdecken.
Arnold Fritz
Senior Director IT Technologies | getinge

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.

01
Datenanalyse & Problemidentifikation

Decken Sie problematische Anomalien auf, bevor sie Schaden für Ihr Unternehmen anrichten können.

02
Modelltraining

Profitieren Sie von unserer Erfahrung – vom theoretischen Konzept bis hin zur fertigen Implementierung.

03
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

IBM Watson Studio
Data-Science & KI - einfach & überall mit IBM

Weitere Tools, die wir nutzen

Das könnte Sie auch interessieren
Unser Showcase

Anomalien in Log-Daten von Maschinen​
Laden Sie sich jetzt unseren Showcase herunter
AI_Berg5

KONTAKT

Silvio Bergmann

Senior Manager

Analytics & Insights

silvio.bergmann@isr.de

+49 (0) 151 422 05 418