Wat is afwijkingsdetectie?

Een wijziging binnen een gegevenspatroon, een uitschieter of een gebeurtenis die buiten een standaardtrend valt. Een afwijking van iets wat wordt verwacht of iets dat niet aan de verwachtingen voldoet.

Een afwijking, of een uitschieter in een patroon, kan duiden op iets dat buiten de norm valt of iets dat mogelijk niet juist is.

Een enkel gegevenspunt dat te ver van de rest is geïdentificeerd.

Een afwijking die abnormaal is in de context van een gegevensset, maar normaal is in de context van een andere gegevensset. Dit is het meest voorkomende type contextuele afwijking in tijdreeksgegevens.

Wanneer een volledige subset van gegevens afwijkend is in vergelijking met een bredere verzameling gegevens, zijn individuele gegevenspunten geen overweging bij het identificeren van collectieve afwijkingen.

Machine learning gebruiken voor het detecteren van afwijkingen en het bewaken van condities.

Een digitale transformatie, ook bekend als digitalisering en Industry 4.0, maakt gebruik van technologie en gegevens om de productiviteit te stroomlijnen en de efficiëntie te verhogen. Er komen steeds meer gegevens beter beschikbaar omdat machines en apparaten met elkaar zijn verbonden en een overvloed aan gegevens naar talloze plaatsen kunnen overbrengen. Het doel is vervolgens informatie te verzamelen en te analyseren die uit de gegevens wordt verkregen om kosten en uitvaltijd te verlagen. Machine learning en gegevensanalyse spelen hierbij een grote rol.

Elke machine, ongeacht de complexiteit ervan, zal op een gegeven moment in slechte staat gaan verkeren. Dit betekent niet dat een machine het einde van zijn levensduur heeft bereikt of moet worden uitgeschakeld, maar wel dat er onderhoud nodig kan zijn om de machine weer volledig en optimaal te laten functioneren. Een grote te analyseren gegevensset kan afwijkingen opleveren die kunnen voorspellen of aangeven wanneer een machine onderhoud of vervanging nodig heeft.

Een reactieve benadering van detectie kan leiden tot uitvaltijd en prestatieproblemen die gevolgen hebben voordat er een oplossing is. Het opsporen van afwijkingen in de prestaties kan bedrijven helpen voorspellen wanneer en waarom er een probleem binnen een bedrijfsservice zou kunnen ontstaan. De meeste industrieën kunnen daar baat bij hebben. Hier zijn bijvoorbeeld twee sectoren die er hun voordeel mee kunnen doen:

• Telco: telecom-analyses produceren enorme sets gegevens en geavanceerde oplossingen zijn belangrijk om gebeurtenissen te detecteren en te voorkomen die de prestaties kunnen verlagen, zoals latentie, jitter en slechte gesprekskwaliteit.
• Adtech: het kan moeilijk zijn om de prestaties van complexe toepassingen te controleren vanwege de snelheid waarmee transacties plaatsvinden binnen een advertentieveiling. Met afwijkingsdetectie kunnen problemen in een toepassing worden opgespoord voordat de toepassing kan vastlopen, waardoor uitvaltijd tijdens een advertentiegebeurtenis wordt voorkomen.

Producten moeten soepel en met zo min mogelijk fouten werken. De natuurlijke ontwikkeling van producten kan leiden tot gedragsafwijkingen in alles, van een nieuwe functie tot een A/B-test, en voortdurende bewaking van gedragsafwijkingen kan uitval of voortdurende problemen voorkomen. Hoewel de meeste industrieën hiervan kunnen profiteren, zijn hier twee voorbeelden:

• eCommerce: afwijkingsdetectie kan zoeken naar vreemd gedrag of problemen met de productkwaliteit, zoals prijsfouten of abnormale seizoensveranderingen.
• Fintech: de financiële sector handelt in milliseconden en de zekerheid moet worden geboden dat de toepassingen die toezicht houden op transacties veilig en consistent zijn. Afwijkingsdetectie kan uitval of storingen voorkomen door te letten op alles wat abnormaal is in de prestaties en werking van toepassingen.

Een gebruikerservaring kan negatief zijn als de service op een site verslechtert. Met afwijkingsdetectie kunnen bedrijven reageren op eventuele kleine foutjes voordat ze klanten frustreren en leiden tot omzetverlies. Enkele industrieën kunnen op deze manier profiteren van detectie van anomalieën:

• Games: games zijn ingewikkeld, waardoor handmatige bewaking van de complexiteit van permutaties bijna onmogelijk is. Kunstmatige intelligentie (AI) kan problemen en fouten tegengaan in een gebruikerservaring, zoals kleine storingen.
• Online zaken doen: online bedrijven zijn sterk afhankelijk van UX voor succes. Het IT-team moet letten op API-fouten, uitvaltijd van server en laadtijd-problemen en deze beperken. Een snelle analyse van de achterliggende oorzaak door middel van detectie van afwijkingen kan snel een probleem opsporen om platforms, datacenters en besturingssystemen te helpen reparaties uit te voeren met weinig tot geen uitvaltijd.