Was ist Ausreißererkennung? 2 Beispiele zur Verdeutlichung

In einer sich ständig wandelnden und datengetriebenen IT-Welt sind künstliche Intelligenz (KI) und maschinelles Lernen (ML) zu unverzichtbaren Technologien geworden. Sie unterstützen Unternehmen dabei, ihre Geschäftsprozesse zu optimieren und datenbasierte Entscheidungen zu treffen. Im Jahr 2023 überrannte KI die gesamte Welt und prägt seitdem global von ethischen Fragen bis hin zu den Aktienkursen von KI-affinen Technologieunternehmen. Was genau für eine KI ist Ausreißererkennung und was wäre ein Beispiel für Ausreißererkennung? Das erfahren Sie in diesem Blog anhand der zwei Beispiele.

Es gibt 5 Arten von KI

Die faszinierende Welt der Künstlichen Intelligenz (KI) besteht aus fünf zentralen Arten von Künstlicher Intelligenz. Diese Kategorien umfassen Machine Learning, Ausreißererkennung, Computer Vision, NLP (Natural Language Processing) und Knowledge Mining. Jeder dieser Bereiche birgt einzigartige Funktionen und Anwendungsmöglichkeiten, die spezifische geschäftliche Herausforderungen adressieren und wertvolle Ergebnisse generieren können.

Wir werden detailliert erklären, was Ausreißererkennung ist. Dies ist essenziell, um Anomalien früh zu erkennen und deren Gefahrenpotenzial in Schach zu halten.

Reminder

KI ist Software, die versucht wie ein Mensch zu handeln und menschliche Fähigkeiten nachahmt.

Was ist ein Ausreißer?

Ausreißer sind Datenpunkte, die signifikant von der erwarteten Verteilung oder dem normalen Verhalten abweichen. Die Ausreißererkennung spielt eine wichtige Rolle in verschiedenen Bereichen wie der Betrugserkennung, der Netzwerksicherheit, der Qualitätskontrolle und der Anomalieerkennung in industriellen Prozessen.​

Wie schwer kann es schon sein, eine Anomalie zu erkennen?

Eine Anomalie tritt nicht nur bei Extrempunkten einer Datenreihe auf, sondern besteht bereits bei kleinen Abweichungen von den erwarteten Werten.

Könnten Sie im folgenden Graf die Anomalie sehen, wenn sie das hellblaue Band nicht hätten? Wohl kaum.

​Zudem bestehen die wenigstens Datenreihen aus nur einer Variablen. Der Normalfall ist eine komplexe Datenstruktur mit unübersichtlichen Abhängigkeiten.

Es gibt zwei verschiedene Ausreißererkennungen

Die Ausreißererkennung kann sowohl für einzelne Variablen als auch für mehrere Variablen durchgeführt werden. Bei der Ausreißererkennung für eine einzelne Variable liegt der Fokus auf der Identifizierung von Datenpunkten, die sich deutlich von der normalen Verteilung der Variable unterscheiden. Dies kann beispielsweise bedeuten, dass ein Verkaufsbericht einen ungewöhnlich hohen Umsatz aufweist oder dass ein Sensorwert in einem industriellen Prozess plötzlich stark abweicht. ​

Die Ausreißererkennung für mehrere Variablen beinhaltet die Analyse von Abhängigkeiten und Beziehungen zwischen verschiedenen Variablen, um anomale Muster oder Verhaltensweisen zu identifizieren. Dies ist besonders nützlich, um komplexe Systeme zu überwachen und Anomalien in den Interaktionen zwischen den Variablen zu erkennen. Ein Beispiel hierfür könnte die Überwachung des Netzwerkverkehrs sein, bei der Abweichungen in den Verbindungsmustern zwischen verschiedenen Knotenpunkten oder die Kommunikation mit ungewöhnlichen externen IP-Adressen als Ausreißer erkannt werden.

Spätestens nach diesem zweiten Beispiel sollte klar sein, dass eine künstliche Intelligenz deutlich besser Anomalien erkennt als der Mensch.​

Bonus: Ausreißererkennung in Azure

Erfahren Sie, wie Sie Ausreißererkennung in Azure nutzen können in unserem kostenlosen Whitepaper. Dort finden Sie auch die vier weiteren Arten von KI, sowie weitere Insights zu den Vorteilen von Ausreißererkennung.

Bei Fragen oder Anregungen zum Thema New Work, zur Microsoft Welt oder zu Collaboration Tools stehen wir Ihnen gerne beratend zur Seite. Wir freuen uns auf Ihre Kontaktaufnahme.

Weitere Blogartikel aus Bereichen, die von New Work, über Microsoft 365 bis hin zu Sustainable IT reichen, finden Sie auf unserer Blogseite.