Anomaliedetectie is het automatisch vinden van datapunten die niet bij het verwachte patroon passen. In plaats van voor elk mogelijk probleem een regel te schrijven, leert een model hoe normaal gedrag eruitziet en slaat het alarm zodra iets daarbuiten valt. De kracht zit in de dekking. Je kunt niet elke manier voorzien waarop een systeem stuk kan gaan, maar je kunt een model leren hoe gezond eruitziet en de rest laten opvangen.
Stel je een creditcard voor die twee keer per week dicht bij huis wordt gebruikt, en dan ineens om 3 uur ‘s nachts elektronica koopt in een ander land. Geen mens kijkt naar elke transactie, maar een systeem dat jouw normale patroon heeft geleerd, ziet die sprong meteen. Datzelfde idee draait achter fraudecontroles, servermonitoring en fabriekssensoren. Veel van die systemen steunen op machine learning om normaal te modelleren, en sommige zien de taak als een vorm van classificatie met de klassen ‘verwacht’ en ‘ongebruikelijk’. Een model kan reageren op één waarde buiten de marge, op een vreemd patroon in de tijd zoals 400 bestellingen in een minuut, of op een punt dat simpelweg ver afligt van al het andere.
Het lastige zit in de balans. Zet je de gevoeligheid te hoog, dan krijg je meldingsmoeheid van onschuldige hapjes. Zet je hem te laag, dan glipt een echt probleem erdoorheen. De betere opstellingen voeden gemarkeerde gevallen daarom terug, en leren zo wat een echt probleem was en wat niet. Na een paar weken van die terugkoppeling zakt het aantal valse meldingen en gaat het team de alerts weer vertrouwen.
Bij TopDevs bouwen we anomaliedetectie in bij klantsystemen waar een afwijkende gebeurtenis vroeg vangen echt geld scheelt, zoals betaalfraude, storingen of voorraad die ineens de verkeerde kant op beweegt.
