Anomali Tespiti Nedir? Yapay Zekâda Normal Dışı Veriler

Anomali tespiti nedir? Yapay zekâda anomali tespiti, veriler arasındaki olağan dışı durumları bulma yöntemidir. Bir bankadaki alışılmadık kart harcamasını, fabrikadaki arızaya yaklaşan bir makineyi veya bir web sitesinde aniden artan hata sayısını düşünün. Sistem, normalde neler yaşandığını öğrenir ve bu düzenden belirgin biçimde ayrılan durumları incelememiz için işaretler.

Önemli nokta şu: Anomali, kesin olarak dolandırıcılık ya da arıza demek değildir. Yalnızca “Bu durum alışılmışın dışında; kontrol etmek faydalı olabilir” sinyali verir. Bu nedenle yapay zekânın uyarısı, insan değerlendirmesinin yerine geçmez.

Yapay zekâ anomali tespitini nasıl yapar?

Önce geçmiş veriler incelenir. Örneğin, bir çevrim içi mağaza siparişleri değerlendirirken sipariş tutarı, saat, ürün, teslimat adresi ve ödeme denemesi sayısı gibi bilgilere bakabilir. Model, bu özelliklerin genellikle nasıl bir arada görüldüğünü öğrenir. Yeni bir kayıt bu örüntülerden çok uzaksa ona yüksek bir anomali puanı verilebilir.

Bazı yöntemler önceden “normal” ve “anormal” diye etiketlenmiş örneklerle eğitilir. Etiketli örnek yoksa, bazı modeller verinin içindeki genel yapıyı öğrenerek sıra dışı kayıtları bulabilir. Google Cloud’un teknik açıklamasında da etiketli veri olup olmamasına göre farklı yaklaşımların kullanılabildiği belirtilir. Hangi yöntem seçilirse seçilsin, sonuç verinin kalitesine ve “olağan dışı” tanımının doğru yapılmasına bağlıdır.

Günlük hayattan üç anomali tespiti örneği

Banka işlemleri: Kart normalde hep aynı şehirde küçük alışverişlerde kullanılırken kısa sürede farklı ülkelerden yüksek tutarlı işlemler yapılması kontrol uyarısı oluşturabilir.
Makine bakımı: Bir motorun titreşim veya sıcaklık değerleri zaman içinde değişiyorsa, sistem beklenmedik artışı arıza oluşmadan önce fark ettirebilir.
Web sitesi takibi: Hata sayısının, yanıt süresinin ya da başarısız girişlerin normal seviyenin üzerine çıkması teknik ekibe haber verebilir.

Anomali türlerini basitçe tanıyalım

Noktasal anomali: Tek bir kayıt, diğerlerinden belirgin biçimde farklıdır. Örneğin, normal sipariş tutarı 500 TL civarındayken bir siparişin 50.000 TL olması.

Bağlama bağlı anomali: Bir değer tek başına normal görünebilir ama koşula göre sıra dışıdır. Yazın 30 derece hava olağanken, aynı sıcaklık bir kış gecesinde alışılmadık olabilir.

Davranış örüntüsü anomalisi: Tek bir olay değil, kısa aralıklarla tekrar eden olayların bütünü dikkat çeker. Bir hesaptan dakikalar içinde çok sayıda başarısız giriş yapılması buna örnektir.

5 adımda anomali tespiti projesine başlayın

Hangi sorunu bulacağınızı belirleyin. “Anomali bulalım” demek yerine “Ödeme dolandırıcılığı şüphesini erken fark edelim” veya “Sunucu hatalarındaki ani artışı yakalayalım” gibi net bir hedef koyun.
İşe yarayan verileri toplayın. Hedefle ilişkili kayıtları seçin; eksik, hatalı veya yinelenmiş verileri temizleyin. Zaman bilgisi önemliyse saat, gün ve mevsim etkisini de hesaba katın.
Basit bir başlangıç yöntemi seçin. Önce beklenen aralıktan sapmaları izleyen bir kural deneyebilirsiniz. Veri karmaşıksa Isolation Forest gibi makine öğrenmesi yöntemleri değerlendirilebilir. scikit-learn dokümantasyonu, aykırı değer ve yeni örnek tespitinde kullanılan yöntemleri açıklar.
Uyarı eşiğini belirleyin. Çok hassas eşik çok sayıda gereksiz uyarı üretir; çok gevşek eşik ise önemli olayları kaçırabilir. Geçmiş kayıtlarla deneyin ve uyarıların ne kadarının gerçekten incelenmeye değer olduğunu ölçün.
Sonuçları insanla doğrulayın ve modeli izleyin. Uyarının doğru mu yanlış mı olduğunu kaydedin. İşleyiş değiştikçe normal davranış da değişebilir; modeli ve eşikleri düzenli olarak gözden geçirin.

En sık yapılan hatalar

İlk hata, her sıra dışı kaydı kötü niyetli kabul etmektir. Büyük bir sipariş kampanya döneminden, yoğun trafik ise başarılı bir duyurudan kaynaklanabilir. İkinci hata, yalnızca model puanına güvenmektir. Uyarının neden oluştuğunu anlamak ve uygun kişiye iletmek de sistemin parçasıdır. Son olarak, kişisel ve hassas verileri gereğinden fazla toplamaktan kaçının; erişimi sınırlandırın ve veriyi güvenli biçimde saklayın.

Küçük bir denemeyle başlayın

Başlangıç için tek bir kullanım alanı seçin ve geçmiş veriler üzerinde basit bir eşik ya da model deneyin. Sonuçları bir uzmana kontrol ettirin; kaç gerçek sorunun yakalandığını ve kaç gereksiz uyarı çıktığını ölçün. Bu küçük deneme, daha karmaşık bir yapay zekâ sistemine gerçekten ihtiyaç olup olmadığını gösterir.

Sık sorulan sorular

Anomali tespiti için etiketli veri gerekir mi?

Her zaman gerekmez. Bazı yöntemler örnekler önceden etiketlenmeden verideki genel örüntüleri öğrenebilir. Ancak uzmanlar tarafından doğrulanmış örnekler, sistemi değerlendirmeyi ve iyileştirmeyi kolaylaştırır.

Bir anomali kesin olarak dolandırıcılık mıdır?

Hayır. Anomali yalnızca olağan dışı bir durumdur. Gerçekten sorun olup olmadığını bağlamı bilen bir kişi veya ek kontrol belirlemelidir.

Anomali tespiti yalnızca büyük şirketlere mi yarar?

Hayır. Küçük bir işletme bile site hatalarını, stok değişimlerini veya beklenmedik satış hareketlerini takip ederek bu yaklaşımdan faydalanabilir. Kullanılan yöntem, işin büyüklüğüne ve eldeki veriye uygun olmalıdır.

Kısacası: Yapay zekâ ile anomali tespiti, önemli olabilecek sıra dışı durumları erken fark etmeye yardımcı olur. Başarılı bir uygulama için net hedef, temiz veri, uygun uyarı eşiği ve insan kontrolü birlikte düşünülmelidir.

Daha fazla bilgi: Google Cloud: Anomali tespitine genel bakış · scikit-learn: Aykırı değer ve yenilik tespiti