Anomalie- und Störungserkennung

Eine der Standardanwendungen von Machine-Learning-Verfahren ist die automatische Erkennung von Anomalien, Unregelmäßigkeiten und Störungen, z.B. für Diagnose- und Warn-Funktionen.

Eine mögliche Ausführung ist, dass man Daten, welche den normalen Erwartungen entsprechen, einem Machine-Learning-Modell antrainiert. Neue Daten, welche nicht den Erwartungen und den bisherigen, trainierten Daten entsprechen, werden als solche erkannt und gemeldet.

Eine andere Variante wäre die Beobachtung der Fehler von Prognose-Modellen gemäß der Zeitreihenprognose. Wenn die Prognose nicht mit den tatsächlich eintretenden Ereignissen übereinstimmen, erfolgt die Warnung.

Sollte es zu neuen, unerwarteten Situationen kommen, bei welchen in Zukunft nicht mehr gewarnt werden soll, weil diese Situationen zwar neu aber nicht kritisch sind, so kann man die Erwartungsbasis durch adaptives Training ganz einfach und unkompliziert erweitern. Das Warnsystem kann sich damit passend an neue Gegebenheiten oder Trends adaptieren.

Auf diese Weise lassen sich z.B.

  • Verkehrsströme auswerten und Unfälle oder andere Sonderereignisse automatisch erkennen,
  • Warnsysteme für Umwelt-Schadstoffe realisieren,
  • schadhafte oder auffällige Daten in umfangreichen Versuchsreihen identifizieren,
  • misslungene Versuche bereits während der Versuchsdurchführung identifizieren,
  • Diagnose-Systeme zur automatischen und lernenden Maschinenüberwachung realisieren,
  • ...