ما المقصود بالكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يكمن الهدف من الكشف عن الحالات الشاذة في اكتشاف حالات الانحراف في البيانات. لكن مع قيام المؤسسات بجمع المزيد والمزيد من المعلومات في الكثير والكثير من الأماكن، قد يكون اكتشاف الانحرافات عن القاعدة أمرًا صعبًا للغاية. الدخول إلى الذكاء الاصطناعي. يمكن الآن مسح مجموعات البيانات الضخمة بسرعة للوصول إلى أنماط تقع خارج القاعدة وبالتالي؛ تحديد الحالات الشاذة. يُعد الكشف عن الحالات الشاذة القائمة على الذكاء الاصطناعي مُفيدًا في اكتشاف الاحتيال المالي وبعض الحالات الطبية وتدخلات الشبكة، وذلك من بين العديد من التطبيقات الأخرى.

ما المقصود بالكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يُعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي عملية يراجع نموذج الذكاء الاصطناعي مجموعة بيانات ويميز السجلات التي تعد قيمًا شاذة من خط قاعدة، والتي تمثل السلوك العادي وتعمل بصفتها نقطة مرجعية للمقارنة. يتم تحديد خط القاعدة المتوقع لمجموعة بيانات أثناء عملية التدريب النموذجي باستخدام مزيج من البيانات السابقة وتوقعات الصناعة وأهداف المشروع.

يمكن اكتشاف الحالات الشاذة من خلال تحليل البيانات التقليدي، لكن يتم تشغيله بواسطة القواعد التي تم إنشاؤها يدويًا. ينشئ النطاق الثابت والضيق لهذه القواعد قيودًا يمكن التغلب عليها من خلال قدرة نموذج الذكاء الاصطناعي على التطور والتكيف مع مرور الوقت. يمكن أيضًا إجراء الكشف عن الحالات الشاذة بالذكاء الاصطناعي دون بيانات أساسية في الحالات التي يعالج فيها النظام البيانات شبه الخاضعة إلى الإشراف وغير الخاضعة إلى الإشراف.

يشمل الكشف عن الحالات الشاذة على تطبيقات تشغيلية ومحددة في المجال؛ ومن الأمثلة على ذلك تحليل معاملات بطاقات الائتمان وسجلات الأمان وبيانات الإنتاج. مع تحول المؤسسات إلى مشهد تكنولوجيا المعلومات من بيئات السحابة المتعددة ومشروعات الذكاء الاصطناعي العامة، يصبح الكشف عن الحالات الشاذة بالذكاء الاصطناعي أفيد. بالنسبة إلى أقسام تكنولوجيا المعلومات التي تعتمد على السحابة المتعددة على سبيل المثال، التعقيدات الأصلية للبيئة—طبقات وأنواع متعددة من بروتوكولات الأمان والتكوينات المُختلفة وواجهات برمجة التطبيقات المُخصصة لقابلية التشغيل البيني—مما يعني أن نموذج الذكاء الاصطناعي يمكن أن يساعد في تبسيط اكتشاف المشكلات وتحسينه.

النقاط الرئيسة

• يمكن للذكاء الاصطناعي تحسين سرعة الكشف عن الحالات الشاذة ودقتها وقابلية تطبيقها.
• على الرغم من أن الكشف عن الحالات الشاذة التقليدي القائم على القواعد يتطلب تحديثًا متكررًا، إلا أن الكشف عن الحالات الشاذة المدعوم بالذكاء الاصطناعي يمكن أن يتكيف تلقائيًا مع الأنماط والاتجاهات الجديدة.
• عند تدريب GenAI على البيانات الاصطناعية، يمكن لاكتشاف الحالات الشاذة بالذكاء الاصطناعي تسليط الضوء على القيم الشاذة، ويمكن أن تشكِّل هذه النتائج الأساس لاتجاه مجموعات البيانات الأخرى التي تم إنشاؤها اصطناعيًا.
• يمكن أن يساعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي أيضًا في التحقق من مجموعات البيانات الاصطناعية المستخدمة لأغراض التدريب.

شرح الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يتمتع الكشف عن الحالات الشاذة بأصول في الإحصاءات، وخاصةً مع التطبيقات الصناعية في التصنيع في أوائل القرن القرن العشرين. استخدم خبراء التشفير الكشف عن الحالات الشاذة لفك الرموز من خلال مشاهدة الأنماط غير العادية أو الانحرافات عن التوزيع الإحصائي المتوقع للحروف أو الرموز. مع زيادة وفرة البيانات، أصبح الكشف عن الحالات الشاذة القائم على الكمبيوتر هو القاعدة في مجالات مثل الكشف عن الاحتيال وإدارة المخزون ومراقبة الجودة.

يغير الكشف عن الحالات الشاذة بالذكاء الاصطناعي العملية من مجموعة ثابتة من القواعد الإحصائية إلى نموذج أكثر مرونة تم تدريبه لإنشاء خط قاعدة "عادي". من خلال التدريب على البيانات، يوفر نموذج الذكاء الاصطناعي تعريفًا أدق وأصقل للبيانات المتوقعة—وكلما زادت البيانات التي يعالجها، زادت دقتها. يسمح هذا بنموذج يعكس بشكل أفضل الجوانب العديدة لكل تطبيق ويميز للاستخدامات المُعقدة، مثل مراقبة أجهزة إنترنت الأشياء والأنظمة الأخرى التي تنشئ الكثير من البيانات والتي لا تكون فيها العلاقات بين نقاط البيانات واضحة دائمًا.

يقدم الذكاء الاصطناعي التوليدي مثالاً على طريقة استفادة الكشف عن الحالات الشاذة بالذكاء الاصطناعي من مجموعة من المشروعات والخدمات. أصبحت جميع مشروعات GenAI تقريبًا قابلة للتنفيذ فحسب بسبب الاختراقات في جمع البيانات وتخزينها ومعالجتها. في حين يمكن تطبيق الكشف عن الحالات الشاذة التقليدي القائم على القواعد على هذه المشروعات، فإن الدقة والفروق الدقيقة لمعالجة هذه الكميات الكبيرة من البيانات بشكل نظيف تكون غالبًا غير موجودة. بالتالي، يمكن أن يكون الكشف عن الحالات الشاذة بالذكاء الاصطناعي ضرورة في تحويل البيانات وتطبيع مصادر بيانات التدريب، وتحديد القيم الشاذة، واكتشاف التحيزات في البيانات، وحتى المساعدة في إنشاء بيانات اصطناعية لتدريب الخوارزميات.

طريقة عمل الكشف عن الحالات الشاذة بالذكاء الاصطناعي

تتشابه عملية الكشف عن الحالات الشاذة بالذكاء الاصطناعي تمامًا مع عملية أي نموذج للذكاء الاصطناعي—ويلزم توفير مصادر البيانات والتدريب والتكرار. يكمن الفرق الأساس في الأهداف المحددة، إذ يركز الكشف عن الحالات الشاذة على القيم الشاذة. الخطوات العامة للكشف عن الحالات الشاذة بالذكاء الاصطناعي هي كما يلي:

1. جمع البيانات ومعالجتها مُسبقًا: مثل مشروعات الذكاء الاصطناعي الأخرى، يبدأ الكشف عن الحالات الشاذة بالذكاء الاصطناعي بتعيين اتجاه المشروع. أولاً، تتطلب أهداف الصورة الكبيرة للمشروع تعريفًا: ما الحالة الطبيعية للبيانات، وما نطاق البيانات المطلوب أخذها في الاعتبار؟ من تلك النقطة، يجب على الفِرق تحديد مصادر البيانات للتدريب وإنشاء مستودع لجمع البيانات وتصنيفها—ما السجلات الشاذة وما غير ذلك؟ يمكن للمؤسسات تبسيط عملية إنشاء بيانات التدريب هذه من خلال البناء في التحويلات الآلية بين المصدر ومستودع التدريب.
2. تحديد خوارزمية: بدلاً من مجرد أهداف ذات صورة كبيرة، يمكن للفِرق التفكير في أهداف وقيود أدق لاختيار الميزات وتحديد السمات وانتقاء أفضل خوارزمية لموقف معين. بالنسبة إلى الكشف عن الحالات الشاذة، توفر الشبكات الإحصائية (التراجع) والتجميع (خوارزمية K-means) والشبكات العصبية ملاءمة ممتازة. تحاول جميع الخوارزميات المستخدمة للكشف عن الحالات الشاذة بالذكاء الاصطناعي تصنيف سجلات البيانات. يستخدم الأشخاص الأكثر نجاحًا غالبًا الشبكات العصبية التي تصنِّف البيانات بطرق مُعقدة. على سبيل المثال، يمكن تصنيف المعاملات المالية على أنها نموذجية لحساب أو قيمة عالية. يمكن تصنيفها فيما بعد على أنها ناشئة من مواقع متوقعة أو موقع جديد، ويمكن تصنيفها على أنها نفقات نموذجية أو غير عادية. عندما تحدث حالتان شاذتان في معاملة واحدة، قد تكون معاملة احتيالية. عندما تكون جميع الشروط الثلاثة موجودة، فمن المحتمل أن تكون احتيالية. من خلال التدريب، يمكن للذكاء الاصطناعي إجراء هذا النوع من التحليل عبر العديد من الفئات وتطبيق معاملات الترجيح للمساعدة في تحديد الوقت الذي يجب فيه التحقق من المعاملة بشكل أكبر.
3. تدريب النماذج واختيارها: مع وجود هذه الأجزاء، يمكن للفِرق البدء في تدريب نموذج. تتضمن الخطوات إنشاء البنية، واختيار نموذج أساس مُتاح، وإعداد بيانات التدريب، وتشغيل بيانات التدريب من خلال النموذج. بعد ذلك، تستخدم الفِرق مجموعة بيانات أخرى لاختبار النموذج المُدرب لقياس مدى اكتشافه للحالات الشاذة. يستمر التدريب حتى يعمل النموذج كما هو مطلوب. اعتمادًا على الخوارزمية الأساسية، قد يستمر النموذج في التعلم من البيانات المُباشرة لمواصلة التحسن بمرور الوقت.
4. الكشف الفوري مقابل المعالجة الدفعية: اعتمادًا على التطبيق، قد يعمل الكشف عن الحالات الشاذة بالذكاء الاصطناعي على الفور أو يعالج البيانات في دفعات كبيرة. قد يتطلب الكشف الفوري تخصيص موارد حوسبة ومعالجة كبيرة للعملية. في المقابل، ينتج الكشف الفوري نتائج بسرعة، لكن قد تكون هذه النتائج أقل ثراءً وتفصيلاً من تلك التي يتم تقديمها من البيئة الخاضعة إلى التحكم لمعالجة الدفعة. بالتالي، قد ينخرط الكشف الفوري في اكتشاف الحالات الشاذة الدقيقة للسرعة.

مزايا الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يمثل الكشف عن الحالات الشاذة بالذكاء الاصطناعي قفزة كبيرة إلى الأمام مُقارنة بالكشف عن الحالات الشاذة التقليدي القائم على القواعد. يمكن أن تتطلب الأنظمة المستندة إلى الذكاء الاصطناعي بنية تحتية للحوسبة أقوى، لكنها عادةً تؤدي أداءً أفضل بكثير. فيما يلي بعض المزايا الأكثر شيوعًا للكشف عن الحالات الشاذة بالذكاء الاصطناعي:

• تحسين الدقة والإحكام: تُطور الشبكات العصبية المُدربة بشكل صحيح آلاف الفئات أو المجموعات وتُدرك كيف يمكن أن تشير العضوية في هذه المجموعات إلى البيانات المترابطة. تظهر النتيجة في القدرة على اكتشاف انحرافات البيانات التي لن يتم العثور عليها أبدًا باستخدام القواعد المكتوبة من الإنسان. تجد هذه النماذج حالات شاذة أدق ولديها السياق المناسب لإصدار الأحكام. يجمع كل هذا لأجل عملية كشف أدق.
• قابلية التوسع: لا يمكن للذكاء الاصطناعي التعامل مع مجموعات البيانات الكبيرة فحسب—كما يمكن للأنظمة المستندة إلى القواعد القيام بذلك أيضًا—لكن يمكنه التعامل مع مجموعات البيانات الأكثر تعقيدًا. في الخوارزميات الحالية لمجموعات البيانات الكبيرة جدًا والمُعقدة للغاية، يتم إنشاء تمثيلات المتجهات لكل سجل مُعقد. يتم بعد ذلك استخدام عمليات بحث التشابه للعثور على أقرب الأجهزة المجاورة. إذا كانت أقرب أجهزة مجاورة للمتجهات في مجموعة معروفة بأنها تحتوي على سجلات احتيالية، فهذا رهان آمن على أن السجل قيد النظر هو أيضًا. يمكن لهذا النهج التوسع إلى مجموعات البيانات التي تحتوي على مليارات السجلات، والتي تحتوي كل منها على بيانات مُعقدة.
• إمكانات المراقبة الفورية: إن النهج نفسه الذي يسمح لأنظمة الكشف العمل على نطاق واسع يتيح لها أيضًا العمل بوتيرة سريعة. يمكن إجراء عمليات بحث التشابه بسرعة كبيرة، حتى على البيانات المُعقدة.
• تحسين القدرة على التكيف مع الأنماط المُتغيرة: يمكن للخوارزميات التي تنشئ مجموعات من السجلات اكتشاف الحالات الشاذة الجديدة المحتملة من خلال البحث عن مجموعات سجلات جديدة. قد تمثل هذه المجموعات حالات شاذة جديدة، لكنها قد تمثل أيضًا تحولاً فيما يتم تسجيله. على سبيل المثال، لنفترض أن المنتج الذي يوفره المتجر ينتشر على وسائل التواصل الاجتماعي؛ تحدث مجموعة جديدة داخل البيانات. في هذا المثال، تكون الحالة الشاذة حالة سعيدة. قد يساعد تحليل طريقة حدوثها المتجر أو المُنتِج في تحقيق ذلك مرة أخرى. إذا انتهت الحالة، فقد لا تنمو المجموعة. مرة أخرى، هذه البيانات لي.
• خفض النتائج الإيجابية: قد يمثل الانحراف في ما تظهره السجلات شيئًا جيدًا للأعمال، كما هو الحال في المثال السابق. أو، قد تصنِّف القواعد الثابتة سجلات المبيعات الواسعة الجديدة هذه على أنها احتيال. من غير المرجح أن يحدث هذا النوع من سوء التصنيف مع الأنظمة القائمة على الذكاء الاصطناعي، والتي تنظر عادةً إلى علاقات البيانات بطريقة أدق.

التقنيات الرئيسة في الكشف عن الحالات الشاذة بالذكاء الاصطناعي

في حين أن نماذج الكشف عن الحالات الشاذة بالذكاء الاصطناعي تتبع العديد من الخطوات والقواعد العامة نفسها مثل مشروعات تطوير الذكاء الاصطناعي الأخرى، فإن العملية تعتمد على أساليب مُحددة مناسبة تمامًا للغرض. فيما يلي التقنيات الرئيسة المُستخدمة في الكشف عن الحالات الشاذة بالذكاء الاصطناعي:

1. التعلم الخاضع إلى الإشراف مقابل التعلم غير الخاضع إلى الإشراف: تحتاج الفِرق إلى الاختيار بين التعلم الخاضع إلى الإشراف والتعلم غير الخاضع إلى الإشراف للكشف عن الحالات الشاذة بالذكاء الاصطناعي. كلاهما يعمل. مع ذلك، فإن الحالات الشاذة المُصنفة في مجموعات البيانات تميل إلى أن تكون أندر، ويمكن أن تكون بيانات التصنيف عملية بطيئة ومُكلِّفة. في معظم الحالات، يُفضل التعلم غير الخاضع إلى الإشراف لأنه أسرع وأقل تكلفة. تكون النتيجة القدرة في تجميع السجلات وتحديد القيم الشاذة، لكن تتواجد حاجة إلى مزيد من التدريب أو البرمجة لتحديد إذا كانت القيم الشاذة الموجودة معتدلة أو تمثل بعض التهديدات التي يجب إدارتها.
2. الأساليب المستندة إلى التجميع: يُعد التجميع تقنية ذكاء اصطناعي شائعة تُستخدم غالبًا للكشف عن الحالات الشاذة بسبب طريقة تجميع النماذج لنقاط البيانات على أساس السمات المُتداخلة وأوجه التشابه البارزة الأخرى. من خلال تجميع نقاط البيانات، تسجِّل العملية القيم الشاذة لتمييز الحالات الشاذة. تشمل خوارزميات التجميع الشائعة K-means وIsolation Forest ونماذج Gaussian المختلطة. يتم استخدام تمثيلات المتجهات للسجلات بشكل متزايد للسجلات المُعقدة أو عالية الأبعاد. يمكن لقواعد البيانات متعددة الوسائط التي تدعم إنشاء المتجهات ومعالجتها تسهيل اكتشاف الحالات الشاذة للبيانات المُعقدة.
3. الشبكات العصبية: يمكن أن تحدد الشبكات العصبية الأنماط المُعقدة وتحلل العلاقات غير الخطية، مما يساعد في معرفة القيم الشاذة والحالات الشاذة. تتمثل بعض بنيات الشبكة العصبية للكشف عن الحالات الشاذة بالذكاء الاصطناعي في أجهزة التشفير التلقائية، والتي يمكن أن تكشف عن الحالات الشاذة أثناء مرحلة إعادة البناء، وشبكات الخصومة التوليدية، أو شبكة GAN، التي يمكن أن تستخدم نموذج المولد/التمييز لتحديد القيم الشاذة من خلال المُميِّز.
4. تقنيات الكشف عن الحالات الشاذة في السلسلة الزمنية: بالنسبة إلى البيانات المُسجلة بمرور الوقت، تكون التقنيات المذكورة أعلاه مُفيدة، لكن يعتمد الاختيار المثالي على الموارد والأهداف ونقاط البيانات والعوامل الأخرى. على سبيل المثال، يمكن لخوارزميات التجميع تقييم معاملات بطاقات الائتمان للاحتيال من خلال تجميع أبعاد مُحددة، مثل المنطقة الجغرافية وفئة الشراء والتكلفة. في مثال آخر، يمكن للشبكة العصبية ملاحظة العلاقات بين دقة الإخراج ودورات الاستخدام حول آلات الإنتاج المُعقدة. من خلال تقييم العلاقات بين مختلف الشاشات على الآلة، قد تحدد الشبكة العصبية أن مجموعة من نقاط البيانات تشير إلى الحاجة إلى إجراء صيانة مُبكرة أكثر من المعتاد.

حالات استخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي مُفيدًا في مجموعة واسعة من التطبيقات والصناعات. تشمل العوامل التي يجب مراعاتها إذا كانت حالة استخدامك تتطلب بيانات داخلية أو خارجية أو كليهما وإذا كان الكشف الفوري هو الهدف أم لا.

تتضمن التطبيقات الشائعة للكشف عن الحالات الشاذة ما يلي:

• الأمن السيبراني: مع المراقبة المُستمرة عبر جميع جوانب إعداد تكنولوجيا المعلومات في المؤسسة، يمكن للكشف عن الحالات الشاذة تحديد المؤشرات التي قد تشير إلى هجوم. في حال التكوين متعدد السحابات، يمكن أن يوفر الكشف عن الحالات الشاذة في الذكاء الاصطناعي مساعدة كبيرة لفِرق تكنولوجيا المعلومات التي قد تعاني في ظل وجود مجموعة من الأنظمة والتكوينات المتداخلة. بالنسبة إلى الإعدادات مُتعددة السحابات، يمكن للذكاء الاصطناعي مراقبة العديد من تفاصيل العمليات التي تتطلب خبرة في عملية كل سحابة فردية تلقائيًا.
• الإدارة المالية: يعد كشف الاحتيال أحد أطول حالات الاستخدام قيد التشغيل للكشف عن الحالات الشاذة. من المنطقي تشغيله باستخدام الذكاء الاصطناعي مع نمو أحجام البيانات المالية. باستخدام الكشف عن الحالات الشاذة في الذكاء الاصطناعي، تحصل المؤسسات على نماذج أدق تستفيد من مجموعات البيانات الكبيرة هذه. في الوقت نفسه، يكتشف المحتالون الماليون باستمرار تقنيات جديدة، ويسمح الذكاء الاصطناعي للنموذج بالتطور والتحسن في الكشف عن أنماط جديدة من خلال تطبيق سياق أوسع.
• الرعاية الصحية: يمكن للذكاء الاصطناعي تحليل بيانات المستشفيات للمساعدة في تحديد الحالات الشاذة التي قد تشير إلى أوجه القصور أو المرافق غير المُستغلة أو الاحتيال.
• عمليات تكنولوجيا المعلومات: مع زيادة تعقيد مشاهد تكنولوجيا معلومات للشركات وزيادة نطاق مراقبة الشبكة، يمكن للكشف عن الحالات الشاذة بالذكاء الاصطناعي أن يدعم الخبراء البشريين ويقلل من "إرهاق التنبيه". على سبيل المثال، قد يحلل الذكاء الاصطناعي سجلات التطبيقات لتحديد الحالات الشاذة التي قد تشير إلى تدهور في الأداء، مثل أوقات الاستجابة البطيئة أو الأخطاء.
• التصنيع: يمكن لـ أنظمة الكشف عن الحالات الشاذة بالذكاء الاصطناعي للتصنيع الآن تقييم المزيد من نقاط البيانات بشكل كبير بالجهد المستمر للعثور على المشكلات المحتملة والمساعدة في معالجتها قبل أن تتسبب في تعطل أو عيوب أو مخاطر أمان مُكلِّفة. على سبيل المثال، قد تشير تقلبات درجات الحرارة غير الطبيعية في المعدات إلى ارتفاع درجة الحرارة، في حين أن الكاميرات التي تعمل بالذكاء الاصطناعي قد تكتشف العيوب في المنتجات قبل شحنها إلى العملاء.
• الإدارة والبناء في البلديات: يوفر الكشف عن الحالات الشاذة مزايا لأي شخص يحتاج إلى مراقبة البنية التحتية، خاصةً عندما يستفيد من الطائرات دون طيار. بالنسبة إلى البلديات، يمكن للذكاء الاصطناعي تحليل الصور التي تم التقاطها للجسور والطُرق وخطوط الطاقة لتحديد أوجه الخلل وتمكين الصيانة الاستباقية. بالمثل، يمكن للطائرات دون طيار المزودة بكشف أوجه الخلل المدعوم بالذكاء الاصطناعي رصد تقدم المشروع مقابل النماذج؛ وتحديد مخاطر السلامة، مثل المعدات المفقودة أو وضع المواد غير الصحيح؛ وكشف العيوب الهيكلية في المباني قيد الإنشاء.

استكشاف اكتشاف الحالات الشاذة باستخدام خدمة Oracle Cloud AI

توفر خدمات الذكاء الاصطناعي في البنية التحتية من Oracle Cloud (OCI) مجموعة من الأدوات والنماذج والميزات التي تم إنشاؤها مُسبقًا لدمج الذكاء الاصطناعي في التطبيقات وسير العمل، بما في ذلك الميزات الخاصة بالكشف عن الحالات الشاذة في تكوينات مختلفة. تقدم OCI التعلم والقابلية للتكيف المدعومين بالذكاء الاصطناعي للمراقبة والصيانة ورقابة الصناعات وحالات الاستخدام.

تُعد توقعات الكشف عن الحالات الشاذة بالذكاء الاصطناعي واعدة بشكل استثنائي، يأتي ذلك بفضل الحجم المتزايد وتعقيد البيانات عبر الصناعات، بالإضافة إلى الحاجة إلى تحديد استباقي للاحتيال والمشكلات الأخرى. توقع رؤية نماذج الذكاء الاصطناعي الأكثر تطورًا، بما في ذلك التعلم العميق والتقنيات غير الخاضعة إلى الإشراف، لتصبح بذلك أكثر مركزية للكشف عن الحالات الشاذة، وذلك بفضل قدرتها على للكشف عن الحالات الشاذة الدقيقة دون الوصول إلى بيانات مُصنفة. تسعى الشركات أيضًا إلى تحسين التحليل الفوري، وتحقيق تكامل أفضل مع الأنظمة الحالية، ونشر الكشف عن الحالات الشاذة على الحافة.

عرض خدمة الكشف عن الحالات الشاذة في OCI قيد العمل

الأسئلة الشائعة حول الكشف عن الحالات الشاذة بالذكاء الاصطناعي

ما الذي يميز الكشف عن الحالات الشاذة بالذكاء الاصطناعي عن الأساليب التقليدية؟

يعتمد الكشف عن الحالات الشاذة التقليدي على الفِرق التي تضع القواعد وحدود البيانات. على الرغم من أن هذا يمكن أن يؤدي إلى نتائج، إلا أنه يأتي مع قيود كبيرة، مثل الفشل في التكيف مع تغيرات الصناعة المُتطورة وإهمال العلاقات غير الخطية. يُعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي أكثر تكيُّفًا مع البيانات المُتغيرة ويمكنه استهلاك المزيد من أنواع البيانات.

كيف يمكن للشركات تحديد إذا كانت بحاجة إلى الكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يكون عادةً الكشف عن الحالات الشاذة بالذكاء الاصطناعي أقوى وأدق وأسرع من الكشف عن الحالات الشاذة التقليدي، مما يجعله أداة أعمال مُفيدة للعديد من المؤسسات. مع ذلك، ثمة ظروف تكون فيها الأساليب التقليدية كافية. لتحديد أفضل ملاءمة، يجب على المؤسسات فحص تعقيد بياناتها، وصرامة احتياجاتها التنظيمية، وعوامل الخطر الأمني. بالإضافة إلى ذلك، يحتاج نطاق الموارد المتاحة إلى المراعاة. على سبيل المثال، هل يمكن للشركة دعم شراء نموذج تم تدريبه مُسبقًا وتحسينه، وهل لديها موارد الحوسبة والبيانات لدعم الجهد؟ هل الخدمة السحابية الخيار الأفضل؟ في كثير من الحالات، ذلك هو المسار الأكثر فعالية من جانب التكلفة.

ما الخطوات الأساسية لبدء استخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

تتضمن الخطوات الأساسية لاستخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي:

• تحديد الهدف ومصادر البيانات والقيود
• تحديد خوارزمية الذكاء الاصطناعي المُناسبة لتحقيق الأهداف
• تدريب النموذج وإعداده وضبطه، سواء تم تدريبه مُسبقًا أو تطويره داخليًا
• إطلاق النموذج ببيانات مُباشرة ومراقبة مخرجاته باستمرار
• تقييم النتائج لمعرفة إذا كانت بدأت في الكشف عن الاتجاهات المُفاجئة