【実例あり】異常検知の具体的な流れを解説！計算方法の紹介付き

異常検知は、正常時とは異なるメカニズムで発生するデータを判別していくシステムです。昨今では、異常検知の技術を業務に利用している企業も増えています。また業務内だけでなく、クレジットカードの不正検知、監視カメラなど、さまざまな生活シーンにおいても活用されています。では、異常検知とは具体的にどのような流れで構築されていくのでしょうか？今回の記事では、異常検知の具体的な流れと、検知の計算方法について紹介していきます。検知業務の工数や人員コストを減らしたい、AIによる異常検知方法を知りたい方は、ぜひご参考ください。

▼社内のデータをAI化するには？
ノーコードAIツールUMWELT紹介ページ（活用事例あり）

異常検知とはデータの異常値を検出する技術

異常検知とは、他のデータと異なるデータ(異常値)を検出するための技術のことです。異常検知の技術は、どの統計モデルを仮定するか、またはデータ間の距離の定義など、それぞれの用途によって異なる手法が提案されます。そのため、異常検知技術を利用する際には、意味や手法について理解しておく必要があると言えます。そこで、まずは異常検知の意味や、手法について紹介していきます。

1.異常検知とは

異常検知とは、データマイニングを利用して通常の動作に当てはまらないパターンを判別していく手法です。異常検知の手法には、大きく分けて「統計モデルに基づくもの」、「データ間の距離に基づくもの」があります。また、異常検知システムを活用する際には、どんな統計モデルを仮定するのか、またはデータ間の距離における定義の仕方によって、それぞれの条件に合わせた異常検知手法が提案されています。

2.ホテリング理論

ホテリング理論とは、人の主観に左右されないために、統計的モデルを活用して客観的に評価できるようにしたアルゴリズムです。データが正規分布から生成されていると仮定した上で、他に異常がないか検知していきます。半導体工場など管理された場所で長い利用実績のある手法です。

3.k近傍法

ホテリング理論は明確な仮定が必要なため、正常なデータがクラスターから発生した場合、うまく異常値を取り除けないデメリットがあります。そこで、確率分布を明確に仮定せず、各点から最も近いデータへの距離、またはに2番目に近い、3番目に近いところまでの距離を計算して異常値を検知する手法を使います。この手法を、k近傍法と言います。

異常検知技術を導入するメリット

異常検知技術を導入することにより、利用者にはどのようなメリットがあるのでしょうか？そこで、次に技術を導入するメリットにはどのようなものがあるかについて、具体的に紹介していきます。

1.ヒューマンエラーの予防

検査員のチェックは、人の手によるものなのでどうしても欠陥品を間違えてラインに流してしまうなど、ミスが起きてしまいがちです。AIにおける異常検知技術は、多くのデータから正確な分析、分類をしていくのを得意としているため、ヒューマンエラーの予防にも役立っています。

2. 工数の削減

AIによる異常検知システムの導入により、人の手による検査が削減されます。そのため、人手が大幅に減るため、人件費コストや工数の削減を可能としています。

3.事故や問題の防止

AIによる異常検知技術は、機械の異常動作を検知することも得意としています。事前に異常を検知するため、事故や問題を未然に防ぎます。

異常検知の使用例4選

異常検知の技術は、現在さまざまな生活シーンや業務で活用されています。そこで、次に異常検知の手法がどのように利用されているかについて紹介していきます。

1.不正アクセスの検知

異常検知の技術は、ネットにおける不正アクセスの検知にも利用されています。システムに異常な通信が起きた時に検知を行い、管理者に通知して不正アクセスの侵入を防ぎます。

2.カードの不正利用の検知

異常検知の技術はクレジットカードの不正使用検知にも活用されています。例えば、三井住友カードの場合、24時間365日カードをモニタリングするとともに、もし不正利用が発生した際には会員保障制度に基づいて紛失、盗難の届け出日の60日前から損害を補償するサービスを行っています。

3.不良品の検知

異常検知技術は、不良品の検品業務にも活用されています。主な実用例として、大手企業であるNECが画像データを用いた検品業務の効率化などを実現するために、ディープラーニング技術を搭載したソフトウェア製品「NEC Advanced Analytics – RAPID機械学習」というサービスによって、不良品検品作業に活用されています。

4.異常動作の検知

近年、人々のセキュリティへの関心が高まり、町中の至る所に監視カメラが設置されています。しかし、すべての映像に対して人が監視するのは困難です。そこで、監視カメラの異常動作を判別するために、検知技術が使われています。主な例としては、カメラ映像から異常動作等を自動検出する「CHLAC」などがあります。

異常検知の手法

異常検知を利用する際には、用途に合わせて手法を選ぶ必要があります。そこで、次に異常検知の手法についてそれぞれ紹介していきます。

1.ルール学習

ルール学習とは、正常時におけるデータのルールを学習して、そこから外れるものを検知します。ルール学習には、主に正常時の動きから閾値を設定する手法、または起こる頻度の低いものを異常とする手法の2つがあります。

2.クラスタリング

クラスタリングとは、データの集合を似たデータ同士にグループ化し分類する手法となります。主に、正常時のクラスタリングの状態と異なるクラスタ、または正常時から外れたクラスタの2つを異常として識別します。

3.クラシフィケーション

クラシフィケーションとは、データを学習させ、まだ未知のデータの分類先を判別していく手法です。 クラシフィケーションは正常、異常のカテゴリでラベルづけして学習データとして利用し、そこで異常カテゴリに判別されるものを「異常」として検知します。

4.回帰分析

回帰分析とは、正常時のデータより回帰式と呼ばれるモデル構築を行い、さらにそのモデルから外れたものを異常として判別します。主に、入力、出力が対になる際に用いられることの多い手法で、予測と実際に起きた値における観測値のズレを見て異常検知を行います。

時系列データに用いる異常検知の種類

時系列データに用いる異常検知の代表的な手法には、外れ値検知、異常部位検出、変化点検知の3つが挙げられます。そしてこれらは、それぞれの特性を知った上で、用途に合わせて使い分ける必要があります。では、次にそれぞれの意味について紹介していきましょう。

1.外れ値検知

外れ値検知は、予測不能なデータ点を検知する時に使われる手法です。重荷株価指数など、データ点で評価する時に利用されることが多いです。

2.異常部位検出

異常部位検出とは、異常の起きている部分時系列を検出する際に使われるアルゴリズムです。

3.変化点検知

変化点検知とは、急激に変化する時系列データの箇所を検知するために活用されるアルゴリズムです。使用例としては、季節限定など特定のワードなど、検索数が一時的に増える事象について検知する時などに活用されます。

異常検知技術を導入したいのであればTRYETINGの「UMWELT」がおすすめ

異常検知システムは多くのデータから分析、分類を繰り返し、精度を向上させています。システムに何度も学習させることで、より正確な分析をして異常検知を行います。しかし、プログラミングや数学などの知識がないと、システムに何度も学習させるのは難しいところ。そこでオススメなのが、プログラミングの知識がない人でも簡単に機械学習ができるように作られているUMWELTです。UMWELTは、自動でシステムを構築していくサービスです。常に100種類ものアルゴリズムがあり、またこのアルゴリズムを自由に組み合わせることで 「どんなデータでも」「簡単に」「高度な」アルゴリズムを構築できます。UMWELTは、まるでレゴブロックのようにシステムを構築させていけるので、AIプログラミングの知識がない方も安心して利用できます。

まとめ

ITの発展によって、これまで数分間隔でしか収集できなかったデータでさえも、ミリ秒間隔で収集できるようになりました。システムによる異常検知を行うことにより、人件費や工数、人為的ミスの削減にも繋がります。なお、異常検知の技術は益々進化しており、近年では不良品の検品や設備の故障発見のみならず、ディープラーニングでシステムに学習させることによって、事故や問題の予測にも役立っています。しかし、システムにディープラーニングさせるには、繰り返し学習をさせる必要があります。UMWELTであれば、自動でシステムを構築していくため、プログラミングの知識がなくてもディープラーニングを行うことができます。また、企業ごとに異なるデータフォーマットがあった場合であっても、UMWELTが「標準化」することにより、あなたの会社だけの活用方法を作り出すことができます。UMWELTの自動AIサービスを活用して、異常検知システムを構築し、業務を円滑化させてみてはいかがでしょうか。

UMWELTのサービスページをチェックする

AI予測ツールUMWELT紹介ページ（活用事例あり）