ANOMANİYALARIN AŞKARLANMASINA MÜASİR YANAŞMALARIN TƏHLİLİ

Abstract

Anomaliyaların aşkarlanması müasir dövrdə müxtəlif sahələrdə — maliyyə, səhiyyə, informasiya texnologiyaları, kibertəhlükəsizlik, sənaye istehsalatı və s. — böyük əhəmiyyət kəsb edir. Anomaliya (normal olmayan hal) sistemin adi davranışından kənara çıxan məlumat, proses və ya hadisə kimi qəbul olunur. Bu cür anomaliyaların vaxtında və dəqiq aşkarlanması təhlükəsizlik, keyfiyyətə nəzarət, fırıldaqçılığın qarşısının alınması və qərar qəbuletmə baxımından vacibdir. Müasir yanaşmalar çərçivəsində anomaliyaların aşkarlanmasına dair ənənəvi statistik metodlardan başlayaraq, süni intellekt və maşın öyrənməsi əsaslı modellərə qədər geniş spektrli üsullar tətbiq edilir. Ənənəvi metodlar arasında z-score, box-plot, regresiya analizləri və digər klassik statistik yanaşmalar yer alır. Bu üsullar sadə və hesablama baxımından səmərəli olsa da, böyük həcmli və mürəkkəb məlumatlarda effektivliyi aşağı düşə bilər. Son illərdə maşın öyrənməsi və dərin öyrənmə texnologiyalarının sürətli inkişafı ilə anomaliyaların aşkarlanmasına yeni yanaşmalar formalaşmışdır. Maşın öyrənməsində nəzarətli (supervised), nəzarətsiz (unsupervised) və yarı-nəzarətli (semi-supervised) modellər geniş tətbiq olunur. Nəzarətli modellər (məsələn, Decision Trees, SVM, Random Forest) əvvəlcədən etiketlənmiş məlumatlar əsasında öyrədilərək anomaliyaları müəyyən edir. Nəzarətsiz modellər isə (məsələn, k-means, DBSCAN, PCA) məlumatlardakı strukturları və klasterləri analiz edərək qeyri-adi nümunələri seçirlər. Yarı-nəzarətli yanaşmalar isə çox az etiketlənmiş məlumatla işləmək imkanı verir və real tətbiqlərdə daha geniş istifadə olunur. Dərin öyrənmə texnologiyaları, xüsusilə neyron şəbəkələr (Autoencoders, LSTM, GAN və s.), yüksək ölçülü və zaman seriyalı məlumatlarda anomaliyaların daha dəqiq aşkarlanmasına imkan verir. Autoencoder-lər məlumatın sıxılaraq bərpası zamanı baş verən rekonstruksiya xətasından istifadə etməklə anomal nümunələri müəyyən edir. LSTM modelləri isə zamanla dəyişən və ardıcıllıq xarakteri daşıyan məlumatlarda səmərəli nəticələr verir