Erfolgreicher durch KI – Ist das noch normal? Zahlenanomalien erkennen

By Autor In Allgemein On 1. Juli 2020

Juli 2020 – Welche Informationen oder Zahlen sind normal? Und welche sind es nicht? Die Erkennung von Anomalien mithilfe von Künstlicher Intelligenz (KI) hat bereits in zahlreichen „Überwachungssystemen“ Einzug gehalten. Im E-Commerce haben Betreiber von Web-Shops so ihre Besucher- und Umsatzzahlen sowie Conversion-Rates im Blick. Aber auch in anderen Branchen hält die Erkennung von Zahlen-Anomalien „den Laden am Laufen“, da sie u.a. helfen, Maschinenausfälle zu vermeiden. Und mit etwas Programmieraufwand ist die Einbettung der Anomalie-Erkennung in die individuellen, betrieblichen Abläufe möglich.

Datenmenge wächst
In der Vergangenheit war es üblich, die Erkennung von Anomalien auf manuelle Art durchzuführen. Verkaufszahlen oder Betriebszustände von Maschinen waren übersichtlich. Sie konnten mit einem Blick bewertet werden, denn man hatte nur eine Handvoll Metriken, die im Unternehmen verfolgt werden sollten.
Wer heute beispielsweise die vielen Fragen zum Abschluss einer Kfz-Versicherung beantwortet, merkt schnell, dass mittlerweile viel mehr Informationen als früher in die Beantwortung der Frage einfließen, ob etwas „normal“ ist. Es stehen mehr Daten als je zuvor bereit.
Dazu kommt ein weiteres Problem bei der herkömmlichen manuellen Erkennung von Anomalien: Sie skalieren nicht. Das bedeutet, dass durchaus Hunderte oder Tausende zu verwaltender Metriken die Kosten der manuellen Erkennung von Anomalien unbezahlbar machen.

Andererseits wird es immer problematischer, auf die Erkennung von Anomalien zu verzichten. In der nebenstehenden Abbildung werden frei verfügbare Datensätze verwendet, die die Preise und Mengen verkaufter Avocados darstellen. Diese Daten enthalten ca. 18.000 Datensätze und können unter https://www.kaggle.com/neuromusic/avocado-prices/data heruntergeladen werden. Hier lässt sich bereits mit Microsoft Excel eine grafische Darstellung und auch eine Hervorhebung von „Verteilungen“ und „Ausreißern“ ermöglichen:

Die manuelle Ermittlung von Anomalien in 18.000 Datensätzen hätte sicherlich einige Stunden Zeitaufwand gekostet.

Wo wird die Erkennung von Anomalien bereits eingesetzt?

• E-Commerce: Betreiber von Web-Shops überwachen u.a. Besucherzahlen, Umsatzzahlen, Conversion-Rates. Würde dabei nur statischen Schwellwerten vertraut, könnten wichtige Warnungen im Zusammenhang mit Saisonalität und anderen Zeitreihenelementen verpasst werden. Unpassende Produktpreise könnten zu verärgerten Kunden und Umsatzverlusten führen.
• Gaming: Die Überwachung der Komplexität von Spielerlebnissen kann nicht mit manuellen Schwellenwerten erfolgen. Anomalie-Erkennungslösungen überwachen Betriebssysteme, Ebenen und Benutzersegmente. Mit KI und Anomalie-Erkennung kann sichergestellt werden, dass Störungen und Fehler, die die positive Benutzererfahrung beeinträchtigen würden, schnell behoben werden können.
• Produktionsmaschinen: Jede moderne Maschine liefert heutzutage Informationen über alle ihre Zustände wie Energieverbrauch, Temperatur, Schwingungsverhalten, Abnutzung usw. Mit Anomalie-Erkennung können ungeplante Produktionsunterbrechungen reduziert werden, wenn ungewöhnliche Maschinenzustände bereits vor einem Ausfall erkannt werden. So kann besser eine geplante Wartung anstelle einer unerwarteten Störungsbehebung durchgeführt werden.

Anomalien automatisch erkennen
Die Zustände und Zahlen, die überwacht werden sollen, haben oftmals „schwierige“ zeitliche Verläufe der folgenden Art:

Quelle: https://techcommunity.microsoft.com/t5/ai-customer-engineering-team/introducing-azure-anomaly-detector-api/ba-p/490162

Für den menschlichen Betrachter sind die auftretenden Anomalien (hier rot gekennzeichnet) schnell zu erkennen. Soll dies aber mit Software automatisch und mit live-Daten geschehen, werden komplexe Algorithmen benötigt.
Zur vereinfachten Handhabung bietet sich hierfür seit kurzem das Anomalie-Erkennungs-Modul von Microsoft an.
Mit nur wenigen Zeilen Programmcode werden die Daten, die analysiert werden sollen, diesem Modul in der Microsoft Cloud zugesandt. Eine Speicherung bei Microsoft erfolgt dabei nicht. Das Ergebnis der Anomalie-Erkennung wird unverzüglich an das Programm zurückgeschickt und kann auf beliebige Art ausgewertet werden.

Wer seine Daten nicht in die Azure-Cloud senden möchte oder darf, kann dieses Modul auch als „Docker Container“ herunterladen und auf eigenen Computern betreiben. Hier findet sich eine Anleitung. Dabei muss den Containern allerdings die Kommunikation von Rechnungsinformationen an Microsoft ermöglicht werden.

Anomalie-Erkennung ist individuell einsetzbar
Die Funktion zur Anomalie-Erkennung kann leicht in eigene Anwendungen eingebunden werden, damit Benutzer mögliche Probleme schnell identifizieren können. Die Anomalie-Erkennung erfasst Zeitreihendaten aller Arten und wählt intern aus mehreren Modellen das beste Erkennungsmodell für die Daten aus, um eine hohe Genauigkeit zu gewährleisten.
Die Bereitstellung kann mit einer Programmierschnittstelle dort eingesetzt werden, wo sie am dringendsten benötigt wird – beispielsweise in einer Cloud oder auch auf einem IoT-Gerät.
Die Sensitivität braucht dabei lediglich mit Hilfe eines einzigen Parameters, der Werte von 1 bis 100 annehmen kann, angepasst zu werden und verändert die Empfindlichkeit bei der Erkennung der Anomalien. Nachfolgend werden die gleichen Daten mit den Sensitivitätswerten 85 und 95 analysiert und die unterschiedlichen Anomalien dargestellt.

Um den Anforderungen der Praxis gerecht zu werden, ist eine automatisierte Anomalie-Erkennung erforderlich, die genaue Echtzeitinformationen liefert und dabei unabhängig von der Anzahl der Metriken ist, die verfolgt werden müssen. Dies lässt sich mit dem vorgestellten Modul erreichen.

Ich unterstütze Sie gern dabei, die Anomalie-Erkennung in Ihre individuellen Betriebsabläufe einzubetten. Anruf genügt!