ما المقصود بالكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يكمن الهدف من الكشف عن الحالات الشاذة في اكتشاف حالات الانحراف في البيانات. لكن مع قيام المؤسسات بجمع المزيد والمزيد من المعلومات في الكثير والكثير من الأماكن، قد يكون اكتشاف الانحرافات عن القاعدة أمرًا صعبًا للغاية. الدخول إلى الذكاء الاصطناعي. يمكن الآن مسح مجموعات البيانات الضخمة بسرعة للوصول إلى أنماط تقع خارج القاعدة وبالتالي؛ تحديد الحالات الشاذة. يُعد الكشف عن الحالات الشاذة القائمة على الذكاء الاصطناعي مُفيدًا في اكتشاف الاحتيال المالي وبعض الحالات الطبية وتدخلات الشبكة، وذلك من بين العديد من التطبيقات الأخرى.

ما المقصود بالكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يُعد الكشف عن أوجه الخلل باستخدام الذكاء الاصطناعي عملية يراجع فيها نموذج ذكاء اصطناعي مجموعة البيانات، ويحدّد السجلات التي تُعد قيمًا شاذة مقارنةً بخط الأساس.

يتم تحديد خط القاعدة المتوقع لمجموعة بيانات أثناء عملية التدريب النموذجي باستخدام مزيج من البيانات السابقة وتوقعات الصناعة وأهداف المشروع. ويمثل خط الأساس السلوك الطبيعي، ويُستخدم كنقطة مرجعية لإجراء المقارنة.

وبمجرد تحديد خط الأساس، يمكن تنفيذ عملية كشف أوجه الخلل باستخدام أساليب تحليل البيانات التقليدية التي تستند إلى قواعد محددة مسبقًا. ينشئ النطاق الثابت والضيق لهذه القواعد قيودًا يمكن التغلب عليها من خلال قدرة نموذج الذكاء الاصطناعي على التطور والتكيف مع مرور الوقت. يمكن أيضًا إجراء الكشف عن الحالات الشاذة بالذكاء الاصطناعي دون بيانات أساسية في الحالات التي يعالج فيها النظام البيانات شبه الخاضعة إلى الإشراف وغير الخاضعة إلى الإشراف.

يشمل الكشف عن الحالات الشاذة على تطبيقات تشغيلية ومحددة في المجال؛ ومن الأمثلة على ذلك تحليل معاملات بطاقات الائتمان وسجلات الأمان وبيانات الإنتاج. مع تحول المؤسسات إلى بيئات تقنية معلومات تعتمد على البيئات متعددة السحابة ومشروعات الذكاء الاصطناعي التوليدي، تزداد أهمية الكشف عن أوجه الخلل بالذكاء الاصطناعي وفائدته. بالنسبة إلى أقسام تكنولوجيا المعلومات التي تعتمد على السحابة المتعددة على سبيل المثال، التعقيدات الأصلية للبيئة—طبقات وأنواع متعددة من بروتوكولات الأمان والتكوينات المُختلفة وواجهات برمجة التطبيقات المُخصصة لقابلية التشغيل البيني—مما يعني أن نموذج الذكاء الاصطناعي يمكن أن يساعد في تبسيط اكتشاف المشكلات وتحسينه.

النقاط الرئيسة

• يمكن للذكاء الاصطناعي تحسين سرعة الكشف عن الحالات الشاذة ودقتها وقابلية تطبيقها.
• على الرغم من أن الكشف عن الحالات الشاذة التقليدي القائم على القواعد يتطلب تحديثًا متكررًا، إلا أن الكشف عن الحالات الشاذة المدعوم بالذكاء الاصطناعي يمكن أن يتكيف تلقائيًا مع الأنماط والاتجاهات الجديدة.
• عند تدريب GenAI على البيانات الاصطناعية، يمكن لاكتشاف الحالات الشاذة بالذكاء الاصطناعي تسليط الضوء على القيم الشاذة، ويمكن أن تشكِّل هذه النتائج الأساس لاتجاه مجموعات البيانات الأخرى التي تم إنشاؤها اصطناعيًا.
• يمكن أن يساعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي أيضًا في التحقق من مجموعات البيانات الاصطناعية المستخدمة لأغراض التدريب.

شرح الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يتمتع الكشف عن الحالات الشاذة بأصول في الإحصاءات، وخاصةً مع التطبيقات الصناعية في التصنيع في أوائل القرن القرن العشرين. استخدم خبراء التشفير الكشف عن الحالات الشاذة لفك الرموز من خلال مشاهدة الأنماط غير العادية أو الانحرافات عن التوزيع الإحصائي المتوقع للحروف أو الرموز. مع زيادة وفرة البيانات، أصبح الكشف عن الحالات الشاذة القائم على الكمبيوتر هو القاعدة في مجالات مثل الكشف عن الاحتيال وإدارة المخزون ومراقبة الجودة.

يغير الكشف عن الحالات الشاذة بالذكاء الاصطناعي العملية من مجموعة ثابتة من القواعد الإحصائية إلى نموذج أكثر مرونة تم تدريبه لإنشاء خط قاعدة "عادي". من خلال التدريب على البيانات، يوفر نموذج الذكاء الاصطناعي تعريفًا أدق وأصقل للبيانات المتوقعة—وكلما زادت البيانات التي يعالجها، زادت دقتها. يسمح هذا بنموذج يعكس بشكل أفضل الجوانب العديدة لكل تطبيق ويميز للاستخدامات المُعقدة، مثل مراقبة أجهزة إنترنت الأشياء والأنظمة الأخرى التي تنشئ الكثير من البيانات والتي لا تكون فيها العلاقات بين نقاط البيانات واضحة دائمًا.

يقدم الذكاء الاصطناعي التوليدي مثالاً يوضح كيف يمكن للكشف عن أوجه الخلل بالذكاء الاصطناعي أن يدعم طيفًا واسعًا من المشروعات والخدمات. تكاد جميع مشروعات تدريب نماذج الذكاء الاصطناعي التوليدي تصبح ممكنة بفضل الطفرات التي تحققت في جمع البيانات وتخزينها ومعالجتها. في حين يمكن تطبيق الكشف عن الحالات الشاذة التقليدي القائم على القواعد على هذه المشروعات، فإن الدقة والفروق الدقيقة لمعالجة هذه الكميات الكبيرة من البيانات بشكل نظيف تكون غالبًا غير موجودة. بالتالي، يمكن أن يكون الكشف عن الحالات الشاذة بالذكاء الاصطناعي ضرورة في تحويل البيانات وتطبيع مصادر بيانات التدريب، وتحديد القيم الشاذة، واكتشاف التحيزات في البيانات، وحتى المساعدة في إنشاء بيانات اصطناعية لتدريب الخوارزميات.

طريقة عمل الكشف عن الحالات الشاذة بالذكاء الاصطناعي

تتشابه عملية الكشف عن الحالات الشاذة بالذكاء الاصطناعي تمامًا مع عملية أي نموذج للذكاء الاصطناعي—ويلزم توفير مصادر البيانات والتدريب والتكرار. يكمن الفرق الأساس في الأهداف المحددة، إذ يركز الكشف عن الحالات الشاذة على القيم الشاذة. فيما يلي الخطوات العامة لاكتشاف الخلل باستخدام الذكاء الاصطناعي:

1. جمع البيانات ومعالجتها الأولية: كما هو الحال في سائر مشاريع الذكاء الاصطناعي، يبدأ كشف حالات الخلل باستخدام الذكاء الاصطناعي بتحديد توجه المشروع. أولاً، تتطلب أهداف الصورة الكبيرة للمشروع تعريفًا: ما الحالة الطبيعية للبيانات، وما نطاق البيانات المطلوب أخذها في الاعتبار؟ من تلك النقطة، يجب على الفِرق تحديد مصادر البيانات للتدريب وإنشاء مستودع لجمع البيانات وتصنيفها—ما السجلات الشاذة وما غير ذلك؟ يمكن للمؤسسات تبسيط عملية إنشاء بيانات التدريب هذه من خلال البناء في التحويلات الآلية بين المصدر ومستودع التدريب.
2. اختيار الخوارزمية: بدلًا من الاكتفاء بالأهداف العامة، يمكن للفرق تحديد أهداف أكثر تفصيلًا والقيود المرتبطة بها لاختيار السمات المناسبة، وتحديد الخصائص، وانتقاء الخوارزمية الأنسب لكل حالة. بالنسبة إلى الكشف عن الحالات الشاذة، توفر الشبكات الإحصائية (التراجع) والتجميع (خوارزمية K-means) والشبكات العصبية ملاءمة ممتازة. تحاول جميع الخوارزميات المستخدمة للكشف عن الحالات الشاذة بالذكاء الاصطناعي تصنيف سجلات البيانات. يستخدم الأشخاص الأكثر نجاحًا غالبًا الشبكات العصبية التي تصنِّف البيانات بطرق مُعقدة. على سبيل المثال، يمكن تصنيف المعاملات المالية على أنها نموذجية لحساب أو قيمة عالية. يمكن تصنيفها فيما بعد على أنها ناشئة من مواقع متوقعة أو موقع جديد، ويمكن تصنيفها على أنها نفقات نموذجية أو غير عادية. عندما تحدث حالتان شاذتان في معاملة واحدة، قد تكون معاملة احتيالية. عندما تكون جميع الشروط الثلاثة موجودة، فمن المحتمل أن تكون احتيالية. من خلال التدريب، يمكن للذكاء الاصطناعي إجراء هذا النوع من التحليل عبر العديد من الفئات وتطبيق معاملات الترجيح للمساعدة في تحديد الوقت الذي يجب فيه التحقق من المعاملة بشكل أكبر.
3. تدريب النماذج واختيارها:بعد اكتمال هذه العناصر، يمكن للفرق البدء في تدريب النموذج. تتضمن الخطوات إنشاء البنية، واختيار نموذج أساس مُتاح، وإعداد بيانات التدريب، وتشغيل بيانات التدريب من خلال النموذج. بعد ذلك، تستخدم الفِرق مجموعة بيانات أخرى لاختبار النموذج المُدرب لقياس مدى اكتشافه للحالات الشاذة. يستمر التدريب حتى يعمل النموذج كما هو مطلوب. اعتمادًا على الخوارزمية الأساسية، قد يستمر النموذج في التعلم من البيانات المُباشرة لمواصلة التحسن بمرور الوقت.
4. الكشف الفوري مقابل المعالجة الدفعية: اعتمادًا على التطبيق، قد يعمل كشف حالات الخلل باستخدام الذكاء الاصطناعي في الوقت الفعلي، أو يعالج البيانات على دفعات كبيرة. قد يتطلب الكشف الفوري تخصيص موارد حوسبة ومعالجة كبيرة للعملية. في المقابل، ينتج الكشف الفوري نتائج بسرعة، لكن قد تكون هذه النتائج أقل ثراءً وتفصيلاً من تلك التي يتم تقديمها من البيئة الخاضعة إلى التحكم لمعالجة الدفعة. بالتالي، قد ينخرط الكشف الفوري في اكتشاف الحالات الشاذة الدقيقة للسرعة.

مزايا الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يمثل الكشف عن الحالات الشاذة بالذكاء الاصطناعي قفزة كبيرة إلى الأمام مُقارنة بالكشف عن الحالات الشاذة التقليدي القائم على القواعد. يمكن أن تتطلب الأنظمة المستندة إلى الذكاء الاصطناعي بنية تحتية للحوسبة أقوى، لكنها عادةً تؤدي أداءً أفضل بكثير. فيما يلي بعض المزايا الأكثر شيوعًا للكشف عن الحالات الشاذة بالذكاء الاصطناعي:

• تحسين الدقة والإحكام: تطوّر الشبكات العصبية المدربة جيدًا آلاف الفئات أو المجموعات، وتُدرك كيف يمكن أن تشير العضوية في هذه المجموعات إلى البيانات المترابطة. تظهر النتيجة في القدرة على اكتشاف انحرافات البيانات التي لن يتم العثور عليها أبدًا باستخدام القواعد المكتوبة من الإنسان. تجد هذه النماذج حالات شاذة أدق ولديها السياق المناسب لإصدار الأحكام. يجمع كل هذا لأجل عملية كشف أدق.
• قابلية التوسع: لا يقتصر الذكاء الاصطناعي على التعامل مع مجموعات البيانات الضخمة، وهو أمر تستطيع الأنظمة القائمة على القواعد القيام به أيضًا، بل يمتد إلى التعامل مع مجموعات بيانات أكثر تعقيدًا. في الخوارزميات الحالية لمجموعات البيانات الكبيرة جدًا والمُعقدة للغاية، يتم إنشاء تمثيلات المتجهات لكل سجل مُعقد. يتم بعد ذلك استخدام عمليات بحث التشابه للعثور على أقرب الأجهزة المجاورة. إذا كانت أقرب أجهزة مجاورة للمتجهات في مجموعة معروفة بأنها تحتوي على سجلات احتيالية، فهذا رهان آمن على أن السجل قيد النظر هو أيضًا. يمكن لهذا النهج التوسع إلى مجموعات البيانات التي تحتوي على مليارات السجلات، والتي تحتوي كل منها على بيانات مُعقدة.
• إمكانات المراقبة الفورية: يتيح النهج نفسه الذي يمكّن أنظمة الكشف من العمل على نطاق واسع أداء مهامها بالسرعة المطلوبة أيضًا. يمكن إجراء عمليات بحث التشابه بسرعة كبيرة، حتى على البيانات المُعقدة.
• تحسين القدرة على التكيف مع الأنماط المُتغيرة: يمكن للخوارزميات التي تنشئ مجموعات من السجلات اكتشاف حالات خلل جديدة محتملة من خلال التعرف على مجموعات سجلات جديدة. قد تمثل هذه المجموعات حالات شاذة جديدة، لكنها قد تمثل أيضًا تحولاً فيما يتم تسجيله. على سبيل المثال، لنفترض أن المنتج الذي يوفره المتجر ينتشر على وسائل التواصل الاجتماعي؛ تحدث مجموعة جديدة داخل البيانات. في هذا المثال، تكون الحالة الشاذة حالة سعيدة. قد يساعد تحليل طريقة حدوثها المتجر أو المُنتِج في تحقيق ذلك مرة أخرى. إذا انتهت الحالة، فقد لا تنمو المجموعة. مرة أخرى، هذه البيانات لي.
• خفض النتائج الإيجابية: قد يشير التغير في طبيعة السجلات إلى تطور إيجابي للأعمال، كما في المثال السابق. أو، قد تصنِّف القواعد الثابتة سجلات المبيعات الواسعة الجديدة هذه على أنها احتيال. من غير المرجح أن يحدث هذا النوع من سوء التصنيف مع الأنظمة القائمة على الذكاء الاصطناعي، والتي تنظر عادةً إلى علاقات البيانات بطريقة أدق.

التقنيات الرئيسة في الكشف عن الحالات الشاذة بالذكاء الاصطناعي

في حين أن نماذج الكشف عن الحالات الشاذة بالذكاء الاصطناعي تتبع العديد من الخطوات والقواعد العامة نفسها مثل مشروعات تطوير الذكاء الاصطناعي الأخرى، فإن العملية تعتمد على أساليب مُحددة مناسبة تمامًا للغرض. فيما يلي التقنيات الرئيسة المُستخدمة في الكشف عن الحالات الشاذة بالذكاء الاصطناعي:

1. التعلم الخاضع إلى الإشراف مقابل التعلم غير الخاضع إلى الإشراف: يتعين على الفرق الاختيار بين التعلم الخاضع إلى الإشراف والتعلم غير الخاضع إلى الإشراف لاستخدامه في كشف حالات الخلل بالذكاء الاصطناعي. كلاهما يعمل. مع ذلك، فإن الحالات الشاذة المُصنفة في مجموعات البيانات تميل إلى أن تكون أندر، ويمكن أن تكون بيانات التصنيف عملية بطيئة ومُكلِّفة. في معظم الحالات، يُفضل التعلم غير الخاضع إلى الإشراف لأنه أسرع وأقل تكلفة. تكون النتيجة القدرة في تجميع السجلات وتحديد القيم الشاذة، لكن تتواجد حاجة إلى مزيد من التدريب أو البرمجة لتحديد إذا كانت القيم الشاذة الموجودة معتدلة أو تمثل بعض التهديدات التي يجب إدارتها.
2. الأساليب المستندة إلى التجميع: يُعد التجميع من تقنيات الذكاء الاصطناعي الشائعة، ويُستخدم كثيرًا في كشف حالات الخلل نظرًا إلى قدرة النماذج على تجميع نقاط البيانات استنادًا إلى السمات المشتركة وأوجه التشابه الأخرى. وتُعرف هذه التقنيات غالبًا باسم الأساليب القائمة على القرب، إذ تحدد حالات الخلل بناءً على بُعد نقطة البيانات عن النقاط المجاورة لها، ويمكن أن تكون فعالة للغاية في اكتشاف القيم الشاذة المحلية التي قد لا ترصدها اختبارات إحصائية أخرى. من خوارزميات التجميع الشائعة خوارزمية K-means، وكذلك خوارزمية k-NN، التي تحسب المسافة إلى أقرب الجيران في فضاء عالي الأبعاد. وتُعد النقاط التي يكون متوسط مسافتها إلى جيرانها مرتفعًا حالات خلل. ثمة أسلوب آخر يُعرف باسم عامل القيم الشاذة المحلية (LOF)، ويعتمد على مقارنة كثافة النقاط. فإذا كانت كثافة نقطة ما أقل بكثير من كثافة النقاط المحيطة بها، تُصنَّف كقيمة شاذة محتملة. التمثيلات المتجهية يتم فهرستها وتُستخدم لإجراء هذه المقارنات. يمكن لقواعد البيانات متعددة الوسائط التي تدعم إنشاء المتجهات ومعالجتها تسهيل اكتشاف الحالات الشاذة للبيانات المُعقدة.
3. الشبكات العصبية: يمكن أن تحدد الشبكات العصبية الأنماط المُعقدة وتحلل العلاقات غير الخطية، ما يساعد على اكتشاف القيم الشاذة وحالات الخلل. تتمثل بعض بنيات الشبكة العصبية للكشف عن الحالات الشاذة بالذكاء الاصطناعي في أجهزة التشفير التلقائية، والتي يمكن أن تكشف عن الحالات الشاذة أثناء مرحلة إعادة البناء، وشبكات الخصومة التوليدية، أو شبكة GAN، التي يمكن أن تستخدم نموذج المولد/التمييز لتحديد القيم الشاذة من خلال المُميِّز.
4. تقنيات الكشف عن حالات الخلل في السلاسل الزمنية: بالنسبة إلى البيانات المسجلة عبر الزمن، تُعد التقنيات السابقة مفيدة، إلا أن اختيار التقنية الأنسب يعتمد على الموارد، والأهداف، ونقاط البيانات، وعوامل أخرى. على سبيل المثال، يمكن لخوارزميات التجميع تقييم معاملات بطاقات الائتمان للاحتيال من خلال تجميع أبعاد مُحددة، مثل المنطقة الجغرافية وفئة الشراء والتكلفة. في مثال آخر، يمكن للشبكة العصبية ملاحظة العلاقات بين دقة الإخراج ودورات الاستخدام حول آلات الإنتاج المُعقدة. من خلال تقييم العلاقات بين مختلف الشاشات على الآلة، قد تحدد الشبكة العصبية أن مجموعة من نقاط البيانات تشير إلى الحاجة إلى إجراء صيانة مُبكرة أكثر من المعتاد.

حالات استخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي

يعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي مُفيدًا في مجموعة واسعة من التطبيقات والصناعات. تشمل العوامل التي يجب مراعاتها إذا كانت حالة استخدامك تتطلب بيانات داخلية أو خارجية أو كليهما وإذا كان الكشف الفوري هو الهدف أم لا.

تتضمن التطبيقات الشائعة للكشف عن الحالات الشاذة ما يلي:

• الأمن السيبراني: من خلال المراقبة المستمرة لجميع جوانب البنية التقنية للمؤسسة، يستطيع كشف أوجه الخلل رصد المؤشرات التي قد تنذر بوقوع هجوم. وفي بيئات الحوسبة متعددة السحب، يقدّم كشف أوجه الخلل بالذكاء الاصطناعي دعمًا كبيرًا لفرق تقنية المعلومات التي قد تواجه تحديات ناتجة عن تعدد الأنظمة وتداخل إعداداتها. بالنسبة إلى الإعدادات مُتعددة السحابات، يمكن للذكاء الاصطناعي مراقبة العديد من تفاصيل العمليات التي تتطلب خبرة في عملية كل سحابة فردية تلقائيًا.
• الإدارة المالية: يُعد كشف الاحتيال أحد أقدم وأبرز تطبيقات كشف أوجه الخلل. من المنطقي تشغيله باستخدام الذكاء الاصطناعي مع نمو أحجام البيانات المالية. باستخدام الكشف عن الحالات الشاذة في الذكاء الاصطناعي، تحصل المؤسسات على نماذج أدق تستفيد من مجموعات البيانات الكبيرة هذه. في الوقت نفسه، يكتشف المحتالون الماليون باستمرار تقنيات جديدة، ويسمح الذكاء الاصطناعي للنموذج بالتطور والتحسن في الكشف عن أنماط جديدة من خلال تطبيق سياق أوسع.
• الرعاية الصحية: يستطيع الذكاء الاصطناعي تحليل بيانات المستشفيات للمساعدة في اكتشاف أوجه الخلل التي قد تشير إلى أوجه قصور في الكفاءة، أو ضعف استغلال المرافق، أو وجود عمليات احتيال.
• عمليات تقنية المعلومات: مع ازدياد تعقيد بيئات تقنية المعلومات المؤسسية واتساع نطاق مراقبة الشبكات، يمكن لكشف أوجه الخلل بالذكاء الاصطناعي أن يدعم خبراء التقنية ويحد من ظاهرة "إرهاق التنبيهات". على سبيل المثال، قد يحلل الذكاء الاصطناعي سجلات التطبيقات لتحديد الحالات الشاذة التي قد تشير إلى تدهور في الأداء، مثل أوقات الاستجابة البطيئة أو الأخطاء.
• التصنيع:  باتت أنظمة كشف أوجه الخلل بالذكاء الاصطناعي في قطاع التصنيع قادرة على تحليل عدد أكبر بكثير من نقاط البيانات، في إطار الجهود المستمرة لاكتشاف المشكلات المحتملة ومعالجتها قبل أن تتسبب في توقفات مكلفة أو عيوب في الإنتاج أو مخاطر على السلامة. على سبيل المثال، قد تشير تقلبات درجات الحرارة غير الطبيعية في المعدات إلى ارتفاع درجة الحرارة، في حين أن الكاميرات التي تعمل بالذكاء الاصطناعي قد تكتشف العيوب في المنتجات قبل شحنها إلى العملاء.
• إدارة المخزون في قطاع البيع بالتجزئة: يستخدم تجار التجزئة أنظمة كشف أوجه الخلل لتحليل أنماط الشراء، بما يساعدهم على اكتشاف طلبات الشراء الجماعية الاحتيالية، أو محاولات احتكار المخزون بواسطة الروبوتات خلال فترات التخفيضات، أو الارتفاعات غير المعتادة في الطلب التي قد تشير إلى تلاعب في سلاسل الإمداد.
• الإدارة البلدية وقطاع التشييد: يوفّر كشف أوجه الخلل فوائد كبيرة لكل من يحتاج إلى مراقبة البنية الأساسية، ولا سيما عند الاستفادة من الطائرات المسيّرة. بالنسبة إلى البلديات، يمكن للذكاء الاصطناعي تحليل الصور التي تم التقاطها للجسور والطُرق وخطوط الطاقة لتحديد أوجه الخلل وتمكين الصيانة الاستباقية. بالمثل، يمكن للطائرات دون طيار المزودة بكشف أوجه الخلل المدعوم بالذكاء الاصطناعي رصد تقدم المشروع مقابل النماذج؛ وتحديد مخاطر السلامة، مثل المعدات المفقودة أو وضع المواد غير الصحيح؛ وكشف العيوب الهيكلية في المباني قيد الإنشاء.

كيف تساعد Oracle في اكتشاف أوجه الخلل؟

على مدى عقود، شكّلت قاعدة بيانات Oracle عنصرًا أساسيًا في أنظمة كشف أوجه الخلل ضمن أكثر بيئات تقنية المعلومات تعقيدًا في قطاعات المال، وتجارة التجزئة، والمرافق، والخدمات اللوجستية، وغيرها من القطاعات. واليوم، بفضل Oracle AI Database وOracle Cloud Infrastructure، أصبح بإمكان عدد أكبر من المؤسسات الاستفادة من إمكانات Oracle وخبراتها في التعلم الآلي وخدمات الذكاء الاصطناعي لتطبيقات كشف أوجه الخلل.

فعلى سبيل المثال، عند استخدام Oracle AI Database، يمكنك إنشاء النماذج وتشغيلها مباشرة داخل قاعدة البيانات، بما في ذلك نماذج التصنيف، والانحدار، والتجميع، وكشف أوجه الخلل، والسلاسل الزمنية، وغيرها من تقنيات التعلم الآلي. كما تحصل على أداء أعلى وقابلية أكبر للتوسع بفضل تحسينات المعالجة داخل قاعدة البيانات، والاستغناء عن نقل البيانات المخزنة فيها، إلى جانب سهولة نشر النماذج. ولأن Oracle AI Database يعمل دون أي تعديلات سواء في البيئات المحلية أو عبر أبرز منصات السحابة، يمكنك تنفيذ عمليات كشف أوجه الخلل في الموقع الذي توجد فيه البيانات. وتتولى قاعدة البيانات نفسها إدارة المتجهات بوصفها نوعًا أصيلًا من البيانات، كما تشغّل نماذج التضمين داخلها، مما يتيح إجراء عمليات البحث عن التشابه عبر بيانات الأعمال والمستندات، والاستفادة من أساليب تعتمد على القرب في عمليات البحث عن التشابه.

استكشاف اكتشاف الحالات الشاذة باستخدام خدمة Oracle Cloud AI

بالاعتماد على Oracle AI Database وخدمات الذكاء الاصطناعي المتوفرة على Oracle Cloud Infrastructure (OCI)  ستحصل على جميع الأدوات والنماذج والإمكانات اللازمة لدمج الذكاء الاصطناعي في التطبيقات وسير العمل، بما في ذلك المزايا المخصصة لكشف أوجه الخلل في مختلف البيئات. ويجمع كل من OCI وOracle AI Database بين التعلم والتكيّف المدعومين بالذكاء الاصطناعي لدعم أعمال المراقبة والصيانة والإشراف في مختلف القطاعات وحالات الاستخدام.

تُعد توقعات الكشف عن الحالات الشاذة بالذكاء الاصطناعي واعدة بشكل استثنائي، يأتي ذلك بفضل الحجم المتزايد وتعقيد البيانات عبر الصناعات، بالإضافة إلى الحاجة إلى تحديد استباقي للاحتيال والمشكلات الأخرى. توقع رؤية نماذج الذكاء الاصطناعي الأكثر تطورًا، بما في ذلك التعلم العميق والتقنيات غير الخاضعة إلى الإشراف، لتصبح بذلك أكثر مركزية للكشف عن الحالات الشاذة، وذلك بفضل قدرتها على للكشف عن الحالات الشاذة الدقيقة دون الوصول إلى بيانات مُصنفة. تسعى الشركات أيضًا إلى تحسين التحليل الفوري، وتحقيق تكامل أفضل مع الأنظمة الحالية، ونشر الكشف عن الحالات الشاذة على الحافة.

فيديو: شاهد خدمة OCI لكشف أوجه الخلل أثناء العمل

الأسئلة الشائعة حول الكشف عن الحالات الشاذة بالذكاء الاصطناعي

ما الذي يميز الكشف عن الحالات الشاذة بالذكاء الاصطناعي عن الأساليب التقليدية؟

يعتمد الكشف عن الحالات الشاذة التقليدي على الفِرق التي تضع القواعد وحدود البيانات. على الرغم من أن هذا يمكن أن يؤدي إلى نتائج، إلا أنه يأتي مع قيود كبيرة، مثل الفشل في التكيف مع تغيرات الصناعة المُتطورة وإهمال العلاقات غير الخطية. يُعد الكشف عن الحالات الشاذة بالذكاء الاصطناعي أكثر تكيُّفًا مع البيانات المُتغيرة ويمكنه استهلاك المزيد من أنواع البيانات.

كيف يمكن للشركات تحديد إذا كانت بحاجة إلى الكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

يكون عادةً الكشف عن الحالات الشاذة بالذكاء الاصطناعي أقوى وأدق وأسرع من الكشف عن الحالات الشاذة التقليدي، مما يجعله أداة أعمال مُفيدة للعديد من المؤسسات. مع ذلك، ثمة ظروف تكون فيها الأساليب التقليدية كافية. لتحديد أفضل ملاءمة، يجب على المؤسسات فحص تعقيد بياناتها، وصرامة احتياجاتها التنظيمية، وعوامل الخطر الأمني. بالإضافة إلى ذلك، يحتاج نطاق الموارد المتاحة إلى المراعاة. على سبيل المثال، هل يمكن للشركة دعم شراء نموذج تم تدريبه مُسبقًا وتحسينه، وهل لديها موارد الحوسبة والبيانات لدعم الجهد؟ هل الخدمة السحابية الخيار الأفضل؟ في كثير من الحالات، ذلك هو المسار الأكثر فعالية من جانب التكلفة.

ما الخطوات الأساسية لبدء استخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي؟

تتضمن الخطوات الأساسية لاستخدام الكشف عن الحالات الشاذة بالذكاء الاصطناعي:

• تحديد الهدف ومصادر البيانات والقيود
• تحديد خوارزمية الذكاء الاصطناعي المُناسبة لتحقيق الأهداف
• تدريب النموذج وإعداده وضبطه، سواء تم تدريبه مُسبقًا أو تطويره داخليًا
• إطلاق النموذج ببيانات مُباشرة ومراقبة مخرجاته باستمرار
• تقييم النتائج لمعرفة إذا كانت بدأت في الكشف عن الاتجاهات المُفاجئة