Definizione
Che cos’è Anomaly detection e come funziona?
Può usare soglie, statistica o machine learning. Un’anomalia è un segnale da interpretare, non necessariamente un guasto.
Le tecniche vanno dalle soglie fisse allo z-score, fino a metodi non supervisionati come isolation forest o autoencoder, utili quando gli esempi di anomalia sono rarissimi. Il lavoro vero è definire il “normale” per ogni contesto: una pressa ha comportamenti diversi per stampo, materiale e temperatura ambiente. Se il riferimento non tiene conto di queste condizioni, il sistema segnala come anomalo ogni cambio formato.
Esempio aziendale
Esempio di Anomaly detection in azienda
Il sistema rileva una combinazione insolita di assorbimento e velocità e avvisa il responsabile di produzione.
Applicazioni
Quando può essere utile
- macchine
- frodi
- qualità
- reti IT
- processi finanziari
Limiti
Quando fare attenzione
- stagionalità e cambi formato scambiati per anomalie
- troppi falsi allarmi che portano a ignorare gli avvisi
- riferimento “normale” costruito su dati già difettosi
- deriva lenta dei processi non ricalibrata
Da non confondere
Anomaly detection: con cosa non va confuso?
L’anomaly detection segnala scostamenti. La classificazione assegna elementi a categorie conosciute.
Dalla definizione al progetto
Cosa può realizzare Agentix con Anomaly detection
Prendiamo serie temporali da macchine, log applicativi o movimenti contabili e costruiamo un profilo di normalità per ogni contesto operativo, distinguendo prodotto, turno e stato macchina. Su questa base scegliamo il metodo più semplice che regge: soglie dinamiche, modelli statistici o algoritmi non supervisionati.
Ogni segnalazione arriva con le variabili che l’hanno generata e un grafico del periodo, così chi la riceve capisce subito se intervenire. Le risposte degli utenti (utile, falso allarme, già noto) vengono salvate e usate per ritarare soglie e modello nel tempo.
Scopri l’AI per produzione e qualitàRisposte rapide
Domande frequenti su Anomaly detection
Serve avere esempi di anomalie per addestrare il modello?
No, molti metodi imparano solo il comportamento normale e misurano quanto un nuovo dato se ne allontana. Gli esempi di anomalie note servono però per validare il sistema: senza di essi non si sa quanti problemi reali vengono intercettati e quanti sfuggono.
Come si scelgono le soglie di allarme?
Si parte dal costo dei due errori: un falso allarme fa perdere tempo all’operatore, un’anomalia mancata può produrre scarti o fermi. Le soglie si tarano su un periodo di prova in cui ogni segnalazione viene classificata come utile o inutile, poi si aggiornano per linea o macchina.
Anomaly detection e manutenzione predittiva sono la stessa cosa?
No. L’anomaly detection segnala che qualcosa è diverso dal solito, senza dire cosa né quando si romperà. La manutenzione predittiva usa anche questi segnali, ma li collega a un modo di guasto specifico e stima il tempo rimanente prima dell’intervento.
Dal concetto all’applicazione
Vuoi applicare Anomaly detection nella tua azienda?
Partiamo dal processo, dai dati disponibili e dal risultato atteso per definire un primo progetto concreto.