विसंगति का पता लगाने को समझना और यह आपकी कंपनी को कैसे लाभ पहुंचा सकता है

विसंगति का पता लगाने से आपको अपने प्रतिस्पर्धियों से पहले आगामी रुझानों की पहचान करने में मदद मिल सकती है। यह ऑनलाइन स्टोर ट्रैफ़िक की निगरानी करके धोखाधड़ी वाले लेनदेन को चिह्नित कर सकता है, और सार्वजनिक स्थानों पर हिंसा का पता लगा सकता है, जिससे आपकी सुरक्षा टीम को लोगों को चोट लगने से पहले हस्तक्षेप करने का मौका मिल सकता है।

इच्छुक? ऐसी समर्पित विसंगति का पता लगाने वाली कंपनियाँ हैं जो आपके संचालन के क्षेत्र में व्यवहार संबंधी विचलन को पहचानने के लिए अनुकूलित कस्टम सॉफ़्टवेयर बनाने और एकीकृत करने में आपकी सहायता कर सकती हैं।

तो, विसंगति का पता लगाना क्या है? यह कैसे काम करता है? और आप इसे अपनी कंपनी की प्रक्रियाओं और वर्कफ़्लो में कैसे शामिल कर सकते हैं?

सामग्री अवलोकन

• विसंगति का पता लगाना क्या है?

• विसंगति का पता लगाना कैसे काम करता है?

• मुख्य विसंगति का पता लगाने के उपयोग के मामले

• विसंगति का पता लगाने के साथ शुरुआत करना

• ITRex विसंगति का पता लगाने में कैसे मदद कर सकता है

  
  

विसंगति का पता लगाना क्या है?

विसंगति का पता लगाना एक प्रकार का डेटा माइनिंग है जो स्थापित बेसलाइन (उदाहरण के लिए, डेटासेट के मानक व्यवहार) से विचलित डेटा बिंदुओं का पता लगाने के लिए कंपनी के डेटा का विश्लेषण करता है। ये आउटलेयर आम तौर पर घटनाओं का संकेत देते हैं, जैसे उपकरणों में तकनीकी गड़बड़ियां, ग्राहक की पसंद में बदलाव और अन्य प्रकार की असामान्यताएं, जो कंपनियों को नुकसान होने से पहले कार्रवाई करने में सक्षम बनाती हैं।

एक विसंगति क्या है?

विसंगति एक असंगत डेटा बिंदु है जो एक परिचित पैटर्न से भटक जाता है। हालांकि यह हमेशा एक महत्वपूर्ण चिंता का प्रतिनिधित्व नहीं करता है, संभावित वृद्धि को रोकने के लिए इसकी जांच की जानी चाहिए। उदाहरण के लिए, उत्पाद की बिक्री में बढ़ोतरी एक सफल विपणन अभियान का परिणाम हो सकती है, या यह रुझानों और ग्राहक व्यवहार में बदलाव का संकेत दे सकती है, जिसे कंपनियों को अनुकूलित करना होगा।

व्यावसायिक डेटा विसंगतियाँ तीन बाहरी श्रेणियों में आती हैं:

• ग्लोबल आउटलेयर एक डेटा बिंदु है जो बाकी डेटा से असामान्य रूप से दूर स्थित होता है। मान लीजिए कि आपको हर महीने अपने बैंक खाते में $7,000 मिलते हैं। यदि आपको अचानक $50,000 का हस्तांतरण मिलता है, तो यह एक वैश्विक आउटलायर होगा।

  
  

• एक प्रासंगिक बाह्यता उसी संदर्भ में शेष डेटा से भटक जाती है। उदाहरण के लिए, यदि आप ऐसे देश में रहते हैं जहां आमतौर पर सर्दियों में बर्फबारी होती है और गर्मियों में मौसम गर्म होता है, तो सर्दियों में भारी बर्फबारी सामान्य है। लेकिन गर्मियों के दौरान बर्फबारी का अनुभव करना एक प्रासंगिक अपवाद होगा।

  
  

• सामूहिक आउटलेयर तब होता है जब डेटा बिंदुओं का एक सबसेट संपूर्ण डेटासेट से विचलित हो जाता है। उदाहरण के लिए, यदि आप कई असंबंधित प्रतीत होने वाले उत्पादों की बिक्री में असामान्य गिरावट देखते हैं, लेकिन फिर आपको एहसास होता है कि यह किसी तरह से जुड़ा हुआ है, तो आपकी टिप्पणियों को एक सामूहिक आउटलायर में जोड़ दिया जाता है।

विसंगति का पता लगाने में हमें कृत्रिम बुद्धिमत्ता की आवश्यकता क्यों है?

अधिकांश कंपनियां बड़ी मात्रा में संरचित और असंरचित डेटा से निपटती हैं, जिसमें कंपनी की दीवारों के भीतर उत्पन्न 90% तक जानकारी शामिल होती है । इस सारी जानकारी को मैन्युअल रूप से संसाधित करना और सार्थक अंतर्दृष्टि उत्पन्न करना असंभव है - खासकर अगर हम असंरचित डेटा के बारे में बात करते हैं, जो छवियों, लेनदेन, फ्री-फॉर्म टेक्स्ट इत्यादि से बना है।

शोध से पता चलता है कि बड़े असंरचित डेटासेट को संसाधित करने के लिए मशीन लर्निंग तकनीक सबसे अच्छा विकल्प है। इस फ़ील्ड में व्यापक संख्या में एल्गोरिदम हैं, और आप वह चुन सकते हैं जो आपके लिए सबसे उपयुक्त हो। आप इष्टतम परिणामों के लिए कई एमएल तकनीकों को एक साथ जोड़ भी सकते हैं।

विसंगति का पता लगाना कैसे काम करता है?

एआई और मशीन लर्निंग-आधारित विसंगति का पता लगाने की तकनीक के तीन मुख्य प्रकार हैं।

• पर्यवेक्षित विसंगति का पता लगाना । यहां, एमएल मॉडल को सामान्य और असामान्य व्यवहार वाले पूरी तरह से लेबल किए गए डेटासेट के साथ प्रशिक्षित और परीक्षण किया जाता है। प्रशिक्षण डेटासेट का एक हिस्सा रहे विचलन का पता लगाने पर दृष्टिकोण अच्छी तरह से काम करता है, लेकिन एक नई विसंगति का सामना करने पर प्रौद्योगिकी लड़खड़ा जाती है जिसे उसने प्रशिक्षण में नहीं देखा है। पर्यवेक्षित तकनीकों के लिए मैन्युअल प्रयास और डोमेन विशेषज्ञता की आवश्यकता होती है क्योंकि किसी को डेटा को लेबल करने की आवश्यकता होती है।

  
  

• बिना पर्यवेक्षित विसंगति का पता लगाना । इस विधि को मैन्युअल डेटा लेबलिंग की आवश्यकता नहीं है। मॉडल मानते हैं कि डेटा बिंदुओं का केवल एक छोटा प्रतिशत जो बाकी डेटा से काफी भिन्न होता है, विसंगतियों का गठन करता है। अप्रशिक्षित तकनीकें अभी भी नई विसंगतियों की पहचान करने में उत्कृष्टता प्राप्त कर सकती हैं जो उन्होंने प्रशिक्षण के दौरान नहीं देखीं क्योंकि वे प्रशिक्षण के दौरान सीखी गई बातों के बजाय उनकी विशेषताओं के आधार पर आउटलेर्स का पता लगाते हैं। हालाँकि, ये एल्गोरिदम जटिल हैं और उनका आर्किटेक्चर एक ब्लैक बॉक्स है, जिसका अर्थ है कि उपयोगकर्ताओं को यह स्पष्टीकरण नहीं मिलेगा कि टूल ने अपने निर्णय कैसे लिए।

  
  

• अर्ध-पर्यवेक्षित विसंगति का पता लगाना । इन तकनीकों में लेबल किए गए और बिना लेबल वाले दोनों डेटा शामिल हैं, जो मैन्युअल एनोटेशन के खर्च को कम करता है। इसके अलावा, एक अर्ध-पर्यवेक्षित विसंगति का पता लगाने वाला मॉडल तैनाती के बाद भी सीख सकता है और उन विसंगतियों का पता लगा सकता है जो उसने प्रशिक्षण में नहीं देखी हैं। और अनपर्यवेक्षित तकनीकों की तरह, ये मॉडल असंरचित डेटा के साथ भी काम कर सकते हैं।

एआई-आधारित विसंगति का पता लगाने के तरीके

विसंगति का पता लगाना मशीन लर्निंग सहित कृत्रिम बुद्धिमत्ता और उसके उपप्रकारों पर निर्भर करता है। यहां पांच एमएल तकनीकें हैं जिन्हें अक्सर इस संदर्भ में तैनात किया जाता है।

ऑटोएन्कोडर्स

ऑटोएन्कोडर्स बिना पर्यवेक्षित कृत्रिम तंत्रिका नेटवर्क हैं जो डेटा को संपीड़ित करते हैं और फिर जितना संभव हो सके मूल रूप जैसा दिखने के लिए इसका पुनर्निर्माण करते हैं। ये एल्गोरिदम शोर को प्रभावी ढंग से अनदेखा कर सकते हैं और पाठ, छवियों और अन्य प्रकार के डेटा का पुनर्निर्माण कर सकते हैं। एक ऑटोएनकोडर के दो भाग होते हैं:

• एनकोडर, जो इनपुट डेटा को संपीड़ित करता है

• डिकोडर, जो डेटा को उसके मूल स्वरूप के निकट ही विघटित करता है

  
  

  

ऑटोएन्कोडर का उपयोग करते समय, कोड के आकार पर ध्यान दें, क्योंकि यह संपीड़न दर निर्धारित करेगा। एक अन्य महत्वपूर्ण पैरामीटर परतों की संख्या है। कम परतों के साथ, एल्गोरिदम तेज़ होगा, लेकिन यह कम सुविधाओं पर काम कर सकता है।

बायेसियन नेटवर्क

यह तकनीक एक प्रकार का संभाव्य ग्राफ-आधारित मॉडल है जो बायेसियन अनुमान के आधार पर संभाव्यता की गणना करता है। ग्राफ़ में नोड्स यादृच्छिक चर के अनुरूप होते हैं, जबकि किनारे सशर्त निर्भरता का प्रतिनिधित्व करते हैं जो मॉडल को अनुमान लगाने की अनुमति देते हैं।

बायेसियन नेटवर्क का उपयोग निदान, कारण मॉडलिंग, तर्क और बहुत कुछ में किया जाता है। विसंगति का पता लगाने में, यह विधि सूक्ष्म विचलनों का पता लगाने के लिए विशेष रूप से उपयोगी है जिन्हें अन्य तकनीकों का उपयोग करके पहचानना कठिन होता है। यह विधि प्रशिक्षण के दौरान गायब डेटा को भी सहन कर सकती है और छोटे डेटासेट पर प्रशिक्षित होने पर भी इसका प्रदर्शन ठोस रहेगा।

घनत्व-आधारित मॉडल

यह एक अप्रशिक्षित एमएल क्लस्टरिंग तकनीक है जो विशुद्ध रूप से स्थानिक स्थान और पड़ोसियों के बीच की दूरी पर निर्भर पैटर्न का पता लगाती है। यह किसी डेटा बिंदु के घनत्व मान की तुलना उसके पड़ोसी डेटा बिंदुओं के घनत्व से करता है। एक बाहरी (एक विसंगति) का घनत्व मान अन्य डेटा आबादी की तुलना में कम होगा।

सपोर्ट वेक्टर मशीन (एसवीएम)

यह एक पर्यवेक्षित एमएल एल्गोरिदम है जिसका उपयोग आमतौर पर वर्गीकरण के लिए किया जाता है। हालाँकि, एसवीएम एक्सटेंशन बिना निगरानी वाले वातावरण में भी काम कर सकते हैं। यह तकनीक डेटा बिंदुओं को वर्गों में विभाजित करने के लिए हाइपरप्लेन का उपयोग करती है।

भले ही एसवीएम आम तौर पर दो या दो से अधिक वर्गों के साथ काम करता है, विसंगति का पता लगाने में, यह एकल-वर्ग की समस्याओं का विश्लेषण कर सकता है। यह इस एक वर्ग के लिए "मानदंड" सीखता है और यह निर्धारित करता है कि क्या कोई डेटा बिंदु इस वर्ग से संबंधित हो सकता है या क्या यह एक बाहरी है।

गाऊसी मिश्रण मॉडल (जीएमएम)

जीएमएम एक संभाव्य क्लस्टरिंग तकनीक है। यह तकनीक संभाव्यता वितरण के आधार पर डेटा को विभिन्न समूहों में वर्गीकृत करती है। यह मानता है कि डेटा बिंदु अज्ञात मापदंडों के साथ गॉसियन वितरण के मिश्रण से संबंधित हैं, और यह कम घनत्व वाले क्षेत्रों में डेटा को स्पॉट करके विसंगतियों का पता लगाता है।

मुख्य विसंगति का पता लगाने के उपयोग के मामले

अब जब आप जानते हैं कि विसंगति का पता लगाना पर्दे के पीछे कैसे काम करता है और एआई तकनीक किस पर निर्भर करती है, तो अब विभिन्न उद्योगों में विसंगति का पता लगाने के कुछ उदाहरणों का अध्ययन करने का समय आ गया है।

स्वास्थ्य देखभाल में विसंगति का पता लगाना

विसंगति का पता लगाने से चिकित्सकों को रोगी के स्वास्थ्य के साथ किसी भी समस्या की पहचान करने, आंतरिक रोगियों में वृद्धि का पता लगाने और बहुत देर होने से पहले चिकित्सा कर्मचारियों को सूचित करने और निदान और उपचार चयन में सहायता करके चिकित्सा क्षेत्र को लाभ हो सकता है। यह सब डॉक्टरों द्वारा अनुभव किए जाने वाले शारीरिक कार्य और संज्ञानात्मक भार को कम करता है।

हालाँकि, स्वास्थ्य देखभाल में विसंगति का पता लगाने की अपनी अनूठी चुनौतियाँ हैं।

एक मुद्दा यह है कि जब विभिन्न चिकित्सा आरेखों की बात आती है तो आधार रेखा (यानी, सामान्य व्यवहार) स्थापित करना मुश्किल हो सकता है। उदाहरण के लिए, एक स्वस्थ व्यक्ति का इलेक्ट्रोएन्सेफलोग्राम व्यक्तिगत विशेषताओं के आधार पर भिन्न होता है। शोधकर्ताओं ने बच्चों में काफी भिन्नताओं की पहचान की है , और आयु समूह और लिंग के आधार पर वयस्कों में भी भिन्नताएं हैं।

दूसरा पहलू यह है कि एमएल मॉडल अत्यधिक सटीक होने चाहिए, क्योंकि लोगों का जीवन उनके प्रदर्शन पर निर्भर करेगा।

मेडिकल विसंगति का पता लगाने वाले एल्गोरिदम निम्नलिखित जानकारी का विश्लेषण कर सकते हैं:

• चिकित्सा IoT उपकरणों द्वारा मापे गए महत्वपूर्ण संकेत और अन्य पैरामीटर
• मेडिकल छवियां, जैसे एक्स-रे और सीटी स्कैन, जो सौम्य और घातक ट्यूमर, संक्रमण और अन्य स्वास्थ्य स्थितियों के संकेत दे सकती हैं
• स्वास्थ्य बीमा दावे, किसी भी धोखाधड़ी वाली गतिविधि को पहचानने और उसे रोकने में मदद करते हैं। यह चिकित्सा बीमा में गेम-चेंजर हो सकता है क्योंकि वार्षिक मेडिकेयर और मेडिकेड खर्चों का 10% तक वर्तमान में धोखाधड़ी वाले दावों की ओर जा रहा है।

विसंगति का पता लगाने का एक उदाहरण दक्षिण अफ्रीका की एक शोध टीम से आया है। उन्होंने COVID-19 रोगियों के शारीरिक परिवर्तनों की निगरानी करने और स्वास्थ्य में गिरावट का संकेत देने वाली किसी भी विसंगति का पता लगाने के लिए ऑटोएनकोडर और एक्सट्रीम ग्रेडिएंट बूस्टिंग तकनीकों को सफलतापूर्वक संयोजित किया।

एक अन्य टीम ने न केवल विसंगतियों का पता लगाने पर ध्यान केंद्रित किया, बल्कि यह समझाने पर भी ध्यान केंद्रित किया कि टूल ने उन्हें इस तरह से चिह्नित क्यों किया । इसलिए, सबसे पहले, उन्होंने विचलन का पता लगाने के लिए विसंगति का पता लगाने वाली तकनीकों का उपयोग किया और फिर सुविधाओं के एक सेट को रेखांकित करने के लिए पहलू खनन एल्गोरिदम को तैनात किया जिसमें एक निश्चित डेटा बिंदु को बाहरी माना जाता है।

मनोरंजन में विसंगति का पता लगाना

खेल और मनोरंजन वातावरण सैकड़ों कैमरों के साथ व्यापक वीडियो-आधारित सुरक्षा निगरानी पर निर्भर करते हैं। इसलिए, यदि फुटेज की मैन्युअल रूप से समीक्षा की गई तो सुरक्षा टीमों के लिए दुर्घटनाओं का पता लगाना और समय पर प्रतिक्रिया करना संभव नहीं होगा। मशीन लर्निंग के लिए धन्यवाद, एल्गोरिदम सुविधा में प्रत्येक कैमरे से स्ट्रीमिंग वीडियो का विश्लेषण कर सकते हैं और सुरक्षा उल्लंघनों का पता लगा सकते हैं।

जैसे-जैसे एमएल मॉडल काम पर सीखना जारी रखते हैं, वे उन खतरों और उल्लंघनों को पहचान सकते हैं जिन पर आपके मानव ऑपरेटरों का ध्यान नहीं गया होगा। ये एल्गोरिदम बर्बरता, दर्शकों के बीच अशांति, धुआं, संदिग्ध वस्तुओं और बहुत कुछ का पता लगा सकते हैं और सुरक्षा कर्मचारियों को सचेत कर सकते हैं ताकि उनके पास कार्रवाई करने और देनदारियों और प्रतिष्ठित क्षति को रोकने के लिए समय हो।

ऐसा ही एक प्रोजेक्ट सीधे हमारे पोर्टफोलियो से निकलता है। देश भर में स्थित गेमिंग रूम वाली एक यूएस-आधारित मनोरंजन कंपनी ने एमएल-संचालित विसंगति पहचान समाधान बनाने के लिए ITRex की ओर रुख किया, जो उनके क्लाउड-आधारित वीडियो निगरानी प्रणाली में एकीकृत होगा। यह एप्लिकेशन किसी भी खतरनाक और हिंसक व्यवहार को पकड़ लेगा, जैसे स्लॉट मशीनों को तोड़ना। यह भूली हुई वस्तुओं और खराब पड़ी मशीनों का पता लगाकर प्रशासनिक प्रक्रिया को भी सुव्यवस्थित करेगा।

हमारी टीम ने एक वैरिएबल ऑटोएनकोडर का उपयोग करके एक अनुकूलित एमएल मॉडल बनाया। हमने शारीरिक हिंसा और संपत्ति की क्षति को दर्शाने वाले 150 वीडियो का एक प्रशिक्षण डेटासेट एकत्र किया और इन वीडियो को ओपनसीवी ढांचे के साथ पूर्व-संसाधित किया। फिर, हमने डेटा को सामान्य बनाने और बढ़ाने के लिए टॉर्चविजन लाइब्रेरी पर भरोसा किया और एमएल एल्गोरिदम को प्रशिक्षित करने के लिए इसका इस्तेमाल किया।

परिणामी समाधान विसंगतियों का पता लगाने के लिए क्रॉस-सत्यापन पर निर्भर था। उदाहरण के लिए, यह स्क्रीन पर त्रुटि संदेश को "पढ़कर" और उपलब्ध स्क्रीन टेम्पलेट्स के विरुद्ध इसे सत्यापित करके खराब स्लॉट मशीनों की पहचान कर सकता है। अंतिम समाधान ग्राहक के क्लाउड-आधारित सुरक्षा प्रणाली में निर्बाध रूप से एकीकृत हो गया, स्लॉट मशीनों की 24/7 निगरानी की गई और जब भी कोई विसंगति पाई गई तो सुरक्षा कर्मियों को सूचित किया गया।

विनिर्माण में विसंगति का पता लगाना

जैसे-जैसे विनिर्माण प्रक्रियाएं तेजी से स्वचालित होती जा रही हैं, मशीनरी अधिक जटिल होती जा रही है और सुविधाएं बड़ी होती जा रही हैं। नतीजतन, पारंपरिक निगरानी दृष्टिकोण अब पर्याप्त नहीं हैं।

विसंगति का पता लगाने वाली तकनीकें आपकी सुविधा में मानक से विभिन्न विचलनों को चित्रित कर सकती हैं और उनके बढ़ने से पहले आपको सूचित कर सकती हैं और यहां तक कि मामूली मुद्दों और गंभीर चिंताओं के बीच अंतर करना भी सीख सकती हैं।

विनिर्माण के लिए विसंगति का पता लगाने के कई लाभ हैं। ये उपकरण निम्नलिखित समस्याओं का पता लगा सकते हैं:

• उपकरण ख़राब होना . विनिर्माण इंटरनेट ऑफ थिंग्स (IoT) सेंसर के सहयोग से, AI एल्गोरिदम विभिन्न डिवाइस मापदंडों, जैसे कंपन, तापमान, आदि की निगरानी कर सकता है और मानक से किसी भी विचलन को पकड़ सकता है। ऐसे परिवर्तन यह संकेत दे सकते हैं कि उपकरण अतिभारित है, लेकिन इसका मतलब खराबी की शुरुआत भी हो सकता है। एल्गोरिदम आगे के निरीक्षण के लिए उपकरण को चिह्नित करेगा। इसे पूर्वानुमानित रख-रखाव भी कहा जाता है।

  
  

• उपकरण का कम उपयोग । एमएल-आधारित विसंगति का पता लगाने वाले समाधान यह देख सकते हैं कि कौन से उपकरण लंबे समय तक निष्क्रिय रहते हैं और ऑपरेटर से लोड वितरण को संतुलित करने का आग्रह करते हैं।

  
  

• सुरक्षा संबंधी खतरे . सुरक्षा कैमरा फ़ीड की निगरानी करके, विसंगति का पता लगाने वाला सॉफ़्टवेयर उन कर्मचारियों का पता लगा सकता है जो फ़ैक्टरी के सुरक्षा प्रोटोकॉल का पालन नहीं कर रहे हैं, जिससे उनकी स्वयं की भलाई खतरे में पड़ रही है। यदि आपके कर्मचारी सुरक्षा निगरानी के लिए पहनने योग्य वस्तुओं का उपयोग करते हैं, तो मशीन लर्निंग थके हुए और बीमार श्रमिकों का पता लगाने के लिए सेंसर डेटा का विश्लेषण कर सकती है और उन्हें उस दिन छुट्टी लेने या साइन आउट करने के लिए प्रोत्साहित कर सकती है।

  
  

• ढांचागत मुद्दे . एमएल एल्गोरिदम पानी या गैस रिसाव और किसी अन्य ढांचागत क्षति का पता लगा सकता है और संबंधित साइट प्रबंधक को सूचित कर सकता है।

विनिर्माण विसंगति का पता लगाने वाले समाधान का एक उदाहरण अमेरिका स्थित हाइपर-प्योर पॉलीसिलिकॉन के निर्माता हेमलॉक सेमीकंडक्टर से आता है। कंपनी ने अपनी प्रक्रियाओं में दृश्यता प्राप्त करने और इष्टतम उत्पादन पैटर्न से किसी भी विचलन को रिकॉर्ड करने के लिए विसंगति का पता लगाने की तैनाती की। कंपनी ने संसाधन खपत में प्रति माह लगभग $300,000 की बचत की सूचना दी।

खुदरा क्षेत्र में विसंगति का पता लगाना

विसंगति का पता लगाने से खुदरा विक्रेताओं को व्यवहार के असामान्य पैटर्न की पहचान करने और संचालन में सुधार करने और अपने व्यवसाय और ग्राहकों की सुरक्षा के लिए इन अंतर्दृष्टि का उपयोग करने में मदद मिल सकती है। एआई एल्गोरिदम ग्राहकों की बदलती मांगों को पकड़ सकता है और खुदरा विक्रेताओं को उन उत्पादों को खरीदने से रोकने के लिए सचेत कर सकता है जो मांग में वस्तुओं को दोबारा स्टॉक करते समय नहीं बिकेंगे। साथ ही, विसंगतियाँ प्रारंभिक चरण में व्यावसायिक अवसरों का प्रतिनिधित्व कर सकती हैं, जिससे खुदरा विक्रेताओं को प्रतिस्पर्धा से पहले उनका लाभ उठाने की अनुमति मिलती है। ईकॉमर्स के मामले में, वेबसाइट के मालिक असामान्य व्यवहार का पता लगाने के लिए ट्रैफ़िक की निगरानी के लिए विसंगति का पता लगाने वाले मॉडल तैनात कर सकते हैं जो धोखाधड़ी गतिविधि का संकेत दे सकता है।

इसके अतिरिक्त, खुदरा विक्रेता अपने परिसर को सुरक्षित करने के लिए विसंगति का पता लगाने वाली तकनीकों का उपयोग कर सकते हैं। ITRex में, हमने एक ऐसा समाधान बनाने के लिए PoCs की एक श्रृंखला आयोजित की जो शॉपिंग मॉल और अन्य सार्वजनिक स्थानों पर लगाए गए सुरक्षा कैमरों द्वारा स्ट्रीम किए गए वीडियो में हिंसा की अभिव्यक्तियों, जैसे झगड़े, का पता लगा सकती है। समाधान 3डी कनवल्शनल न्यूरल नेटवर्क विसंगति का पता लगाने की विधि पर निर्भर करता है, जिसे एक व्यापक लड़ाई डेटासेट पर प्रशिक्षित किया गया था। इस प्रकार का एमएल एल्गोरिदम एक्शन डिटेक्शन कार्यों पर अच्छा प्रदर्शन करने के लिए जाना जाता है। यदि आप ऐसे समाधान में रुचि रखते हैं, तो हम आपको शुरुआत में पूरा डेमो दिखा सकते हैं। फिर, हमारी टीम एल्गोरिदम को ठीक करेगी और आपके स्थान और व्यवसाय की विशिष्टताओं से मेल खाने के लिए इसकी सेटिंग्स को समायोजित करेगी, और हम इसे आपके मौजूदा सुरक्षा सिस्टम में निर्बाध रूप से एकीकृत करेंगे।

विसंगति का पता लगाने के साथ शुरुआत करना

जैसा कि आप देख सकते हैं, स्पॉट-ऑन विसंगति का पता लगाने के लिए कस्टम एआई मॉडल को प्रशिक्षित करना एक तकनीकी चुनौती हो सकती है। इसीलिए हमारी टीम ने नवीन प्रौद्योगिकी पर नजर रखने वाली कंपनियों के लिए पांच-चरणीय मार्गदर्शिका तैयार की। कुछ विशेषज्ञ युक्तियों के लिए नीचे स्क्रॉल करें - और यदि आप एआई में नए हैं या एआई अनुप्रयोगों और परियोजना लागतों के बारे में अधिक जानकारी चाहते हैं तो कृत्रिम बुद्धिमत्ता के लिए हमारी व्यावसायिक मार्गदर्शिका डाउनलोड करने पर विचार करें।

चरण 1: निर्धारित करें कि आप विसंगति का पता कैसे लगाएंगे

यहां दो विकल्प हैं. आप या तो अपने डेटा में विशिष्ट विसंगतियों की तलाश कर रहे हैं, या आप मानक व्यवहार से भटकने वाली हर चीज़ को चिह्नित करना चाहते हैं। आप यहां जो भी चुनेंगे वह आपके प्रशिक्षण डेटा को प्रभावित करेगा और एआई तकनीकों के चयन को प्रतिबंधित करेगा।

यदि आप आधार रेखा से भटकने वाली प्रत्येक घटना को पकड़ना चाहते हैं, तो आप मॉडल को सामान्य व्यवहार का प्रतिनिधित्व करने वाले बड़े डेटासेट पर प्रशिक्षित करेंगे। उदाहरण के लिए, यदि आप ड्राइविंग और यातायात सुरक्षा पर काम कर रहे हैं, तो आपका डेटासेट सुरक्षित ड्राइविंग दिखाने वाले वीडियो से बना होगा।

मान लीजिए कि आप विशिष्ट विसंगतियों का पता लगाना चाहते हैं - उदाहरण के लिए, कार दुर्घटनाएं, लेकिन छोटे उल्लंघन नहीं, जैसे कि लाल बत्ती के माध्यम से गाड़ी चलाना। इस मामले में, आपके प्रशिक्षण डेटासेट में कार दुर्घटनाओं के वीडियो या चित्र शामिल होंगे।

चरण 2: प्रशिक्षण डेटासेट को एकत्रित और पूर्व-संसाधित करें

पिछले चरण के नतीजे से आपको यह तय करने में मदद मिलेगी कि आपको किस प्रकार के डेटा की आवश्यकता है।

अपने आंतरिक कंपनी स्रोतों से डेटा एकत्र करें या सार्वजनिक रूप से उपलब्ध डेटासेट का उपयोग करें। फिर, डुप्लिकेट और किसी भी गलत या असंतुलित प्रविष्टियों को खत्म करने के लिए इस डेटा को साफ़ करें। जब डेटासेट साफ हो जाता है, तो आप सेट को एआई एल्गोरिदम के लिए उपयुक्त बनाने के लिए स्केलिंग, सामान्यीकरण और अन्य डेटा परिवर्तन तकनीकों का उपयोग कर सकते हैं। अपने डेटासेट को तीन भागों में विभाजित करें:

• मॉडलों को सिखाने के लिए प्रशिक्षण डेटा
• प्रशिक्षण के दौरान मॉडल के प्रदर्शन का मूल्यांकन करने के लिए सत्यापन डेटा
• प्रशिक्षण प्रक्रिया पूरी करने के बाद प्रदर्शन स्कोर करने के लिए डेटा का परीक्षण करना

अधिक जानकारी के लिए, मशीन लर्निंग के लिए डेटा कैसे तैयार करें, इस पर हमारी विस्तृत मार्गदर्शिका देखें।

चरण 3: अपनी विसंगति का पता लगाने की तकनीक चुनें

यह चरण केवल तभी प्रासंगिक है यदि आप एक कस्टम समाधान बनाना चाहते हैं। आप या आपका तकनीकी विक्रेता व्यावसायिक समस्या से निपटने के लिए सबसे उपयुक्त कृत्रिम बुद्धिमत्ता तकनीक का चयन करेंगे। यहां विचार करने के लिए तीन प्रमुख कारक हैं:

• कार्य हाथ में है (ऊपर चरण 1 देखें)। यदि आप विशेष रूप से परिभाषित विसंगतियों का पता लगाना चाहते हैं, तो वेरिएशनल ऑटोएनकोडर (वीएई) एक बढ़िया विकल्प है।

  
  

• तकनीकी आवश्यकताएँ . इसमें वह सटीकता और विवरण स्तर शामिल हो सकता है जिसे आप प्राप्त करना चाहते हैं। उदाहरण के लिए, यदि आप एक एमएल मॉडल को प्रशिक्षित करना चाहते हैं जो वीडियो में विसंगतियों को पकड़ता है, तो इष्टतम फ्रेम दर पर निर्णय लेना महत्वपूर्ण है, क्योंकि विभिन्न एल्गोरिदम अलग-अलग गति से फ्रेम का विश्लेषण करते हैं। जब तक आप जिस विसंगति का पता लगाना चाहते हैं वह एक सेकंड के भीतर हो सकती है, तब तक यह अनुशंसा की जाती है कि आप वीडियो क्लिप में प्रत्येक फ्रेम का अध्ययन करें, और वीएई जैसे धीमे एल्गोरिदम का उपयोग करना अव्यावहारिक हो जाता है। दूसरी ओर, सिंगुलर वैल्यू डीकंपोजिशन (एसवीडी) काम को काफी तेजी से कर सकता है।

  
  

• आपके प्रशिक्षण डेटासेट का आकार . कुछ मॉडल, जैसे ऑटोएनकोडर, को छोटे डेटासेट पर ठीक से प्रशिक्षित नहीं किया जा सकता है।

चरण 4: मॉडल बनाएं/खरीदें और प्रशिक्षित करें

आप या तो तैयार विसंगति का पता लगाने वाला सॉफ़्टवेयर खरीद सकते हैं या एक कस्टम सिस्टम लागू कर सकते हैं जो आपकी विशिष्ट आवश्यकताओं के अनुरूप होगा और उस प्रकार की विसंगतियों के अनुरूप होगा जिसमें आप रुचि रखते हैं।

जब आपके पास सीमित वित्तीय संसाधन हों, कोई कस्टम प्रशिक्षण डेटासेट न हो, या मॉडल प्रशिक्षण के लिए समय न हो, तो आप एक ऑफ-द-शेल्फ विसंगति पहचान प्रणाली का विकल्प चुन सकते हैं, और आप एक विक्रेता ढूंढ सकते हैं जो पहले से ही एक समाधान प्रदान करता है जो विसंगतियों के प्रकार का पता लगा सकता है। आप चिंतित हैं. लेकिन ध्यान रखें कि इन समाधानों में डेटा विशेषताओं के संबंध में अंतर्निहित धारणाएं हैं और जब तक ये धारणाएं कायम रहेंगी, ये अच्छा प्रदर्शन करेंगे। हालाँकि, यदि आपकी कंपनी का डेटा उस आधार रेखा से भटक जाता है, तो एल्गोरिदम समान सटीकता के साथ विसंगतियों का पता नहीं लगा सकता है।

यदि आपके पास एआई एल्गोरिदम को प्रशिक्षित करने के लिए पर्याप्त डेटा है, तो आप कस्टम विसंगति पहचान समाधान बनाने और प्रशिक्षित करने के लिए एक मशीन लर्निंग डेवलपमेंट कंपनी को नियुक्त कर सकते हैं। यह विकल्प आपकी व्यावसायिक आवश्यकताओं को पूरा करने और आपकी प्रक्रियाओं में फिट होने के लिए डिज़ाइन किया जाएगा। एक और बड़ा लाभ यह है कि आप तैनाती के बाद भी इस समाधान को अनुकूलित कर सकते हैं। आप अपनी बदलती व्यावसायिक आवश्यकताओं के आधार पर इसे तेजी से काम करने या विभिन्न मापदंडों पर ध्यान केंद्रित करने के लिए इसकी सेटिंग्स में बदलाव कर सकते हैं।

चरण 5: समाधान तैनात करें और उसकी निगरानी करें

आप विसंगति का पता लगाने वाले समाधान को स्थानीय या क्लाउड में तैनात करेंगे। यदि आप ITRex के साथ काम करते हैं, तो हमारे पास आपके लिए चुनने के लिए दो विकल्प होंगे:

• क्लाउड-आधारित विसंगति का पता लगाना , जहां हम आपके सॉफ़्टवेयर सिस्टम, डिवाइस और तृतीय-पक्ष सेवाओं से डेटा एकत्र करते हैं और इसे आपके स्थानीय संसाधनों से लोड हटाने के लिए भंडारण और प्रसंस्करण के लिए क्लाउड पर प्रसारित करते हैं।

  
  

• एज विसंगति का पता लगाना , जहां एमएल एल्गोरिदम आपके डेटा का स्थानीय रूप से विश्लेषण करते हैं और डेटा का केवल एक हिस्सा क्लाउड पर अपलोड करते हैं। यह दृष्टिकोण मिशन-महत्वपूर्ण प्रणालियों के लिए सबसे उपयुक्त है जो देरी को बर्दाश्त नहीं करते हैं, जैसे स्वायत्त वाहन और चिकित्सा IoT समाधान।

एमएल एल्गोरिदम काम पर सीखना जारी रखते हैं, जो उन्हें नए प्रकार के डेटा के अनुकूल होने की अनुमति देता है। लेकिन इसका मतलब यह भी है कि उनमें पूर्वाग्रह और अन्य अवांछनीय प्रवृत्तियाँ आ सकती हैं । इस परिदृश्य से बचने के लिए, आप एल्गोरिदम के प्रदर्शन का पुनर्मूल्यांकन करने और आवश्यक समायोजन लागू करने के लिए ऑडिट शेड्यूल कर सकते हैं।

ITRex विसंगति का पता लगाने में कैसे मदद कर सकता है

ITRex ग्रुप में, हमारे पास मशीन लर्निंग मॉडल, जैसे बीटा-वेरिएशनल ऑटोएन्कोडर्स (बीटा-वीएई) और गॉसियन मिक्सचर मॉडल (जीएमएम), आईओटी, डेटा एनालिटिक्स और डेटा विज़ुअलाइज़ेशन के साथ व्यापक अनुभव है। हमने इन तकनीकों को विभिन्न उद्योगों में लागू किया है, इसलिए हम उन विशिष्टताओं से अवगत हैं जो स्वास्थ्य देखभाल जैसे भारी-विनियमित क्षेत्र लाते हैं। हम कस्टम समाधान विकसित करने और उन्हें आपकी व्यावसायिक प्रक्रियाओं में एकीकृत करने के लिए ओपन-सोर्स और मालिकाना तकनीक, जैसे डेटा माइनिंग टूल और एमएल फ्रेमवर्क के संयोजन का उपयोग करते हैं।

विसंगति का पता लगाने के लिए हमारे कस्टम एआई-आधारित समाधान दोनों कार्यों के साथ काम कर सकते हैं - पूर्वनिर्धारित विसंगतियों का पता लगाना और स्थापित मानक व्यवहार से किसी भी विचलन का पता लगाना। आप बुनियादी ढांचे को बचाने के लिए क्लाउड का विकल्प चुन सकते हैं, या हम उन महत्वपूर्ण अनुप्रयोगों का समर्थन करने के लिए सिस्टम को स्थानीय रूप से चला सकते हैं जो विलंबता को बर्दाश्त नहीं करते हैं।

क्या आप विसंगति का पता लगाने वाली प्रणाली लागू करने में रुचि रखते हैं? हमें एक पंक्ति लिखें ! हम कस्टम एमएल मॉडल बनाने और प्रशिक्षित करने में आपकी सहायता कर सकते हैं। भले ही आप रेडीमेड समाधान चुनते हैं, अगर यह ओपन-सोर्स है और इसमें एपीआई है, तो भी हम इसे आपके अपने डेटा पर फिर से प्रशिक्षित कर सकते हैं ताकि यह आपके सिस्टम पर बेहतर ढंग से फिट हो सके!