Detección de Anomalías: Revolución a través de la IA en Sectores Clave

Introducción
La detección de anomalías, conforma un área del machine learning de interés en una gran variedad de ámbitos. En 2022, como ejemplo de caso a comentar se podía leer en un artículo de un medio digital de divulgación relacionada con inteligencia artificial, que Karten Roth, investigador de doctorado de la University of Tübingen, ganaba el EMVA Young Professional Award por su trabajo en un modelo de redes neuronales, PatchCore, para precisamente identificar imágenes con defectos, a partir de datos de partida sin ellos, en una beca de prácticas en Amazon AWS. Los resultados gozaban de un rendimiento muy alto gracias a una novedad relacionada con el uso más eficiente en memoria de los datos, que simultáneamente mejoraba los resultados (Roth et al. 2022).

¿Qué es la Detección de Anomalías?

La detección de anomalías es un proceso de Machine Learning que identifica patrones inusuales que no se ajustan al comportamiento esperado. Es fundamental en numerosas aplicaciones, desde la seguridad financiera hasta el mantenimiento predictivo en la industria.

El Caso de PatchCore: Un Avance en la Detección de Anomalías

En 2022, Karsten Roth, investigador de doctorado en la University of Tübingen, fue galardonado con el EMVA Young Professional Award por su innovador modelo de redes neuronales, PatchCore. Este modelo mejora significativamente la identificación de imágenes defectuosas, marcando un hito en la eficiencia y precisión de la detección de anomalías.

La actualidad de la temática de detección de anomalías, en constante evolución, lleva a encontrar publicadas de forma reciente, diversas revisiones relativas a la aplicación distintas familias enteras de técnicas con este mismo objetivo, como las relacionadas con árboles de decisión (Barbariol et al. 2021), o las GAN (Generative Adversarial Networks, Xia et al. 2022), etc. y también se pueden encontrar publicaciones referidas a áreas de estudio concretas, con sus condicionantes específicos, como las orientadas al fraude financiero de Hilal et al. 2022.

En el caso de PatchCore, las potenciales aplicaciones serían las relacionadas con la detección de anomalías en imágenes, aunque el abanico de problemáticas en los que se puede utilizar sigue siendo muy vasto a pesar del formato. Un ejemplo de utilización sería el mencionado en la publicación de Muñoz-Ramírez et al. 2022, que hace referencia al uso de bases de datos de imágenes de resonancia magnética (MRI) con herramientas similares (en este caso, autoencoders variacionales (VAE) combinados con GAN, que son el estado del arte en el área), para identificar nuevos pacientes no tratados de la enfermedad de Parkinson. Otro ejemplo de aplicación de la detección de anomalías en este ámbito de las imágenes que puede abarcar también un amplio espectro, sería la propia industria manufacturera en su carácter más general, como en el caso especificado en la publicación de Kähler et al. 2022, que utiliza también autoencoders convolucionales para la inspección industrial de superficies relacionadas con el mantenimiento de componentes de aviones, automatizando el proceso de revisión visual habitual.

Es en este último ámbito en el que Roth et al. (2022), defiende su PatchCore que codifica parches de las imágenes en características, primero mediante una red, en un paso que por sí solo, se ve perjudicado por las limitaciones de un clasificador de imágenes convencional y la falta de flexibilidad ante tipos de anomalías desconocidos que pueden darse.

Así, el resultado del entrenamiento de la red del detector de anomalías produce una serie de características por cada parche, que se integran en un banco de memoria, evitando aquellas características demasiado genéricas, o aquellas demasiado sesgadas a una clasificación pura en grupos de las imágenes de entrenamiento. A partir de ese banco de memoria, mediante una agregación de parches vecinos, teniendo en cuenta las posiciones en la imagen, se reconstruye una codificación de la misma, en la que el sistema puede diferenciar los grupos de parches anómalos, de los que no lo son. Esta agregación se hace a partir de un submuestreo de un conjunto de datos representativo del banco de memoria, que reduce el tiempo de búsqueda de las anomalías, a la vez que reduce el número de características que es necesario almacenar en el mismo y también hace necesarios menor número de casos de entrenamiento para el funcionamiento del algoritmo, frente a otras alternativas.

Aplicaciones Prácticas de la Detección de Anomalías

La versatilidad de PatchCore se extiende a múltiples sectores. En medicina, se ha aplicado en el análisis de imágenes de resonancia magnética para detectar precozmente la enfermedad de Parkinson. En la industria manufacturera, facilita la inspección visual automatizada de componentes, como los utilizados en la aviación, mejorando la seguridad y reduciendo los tiempos de inactividad.

Impacto y Futuro de la Detección de Anomalías con IA

La detección de anomalías mediante IA no solo está redefiniendo prácticas actuales sino que también está pavimentando el camino hacia futuras innovaciones. La capacidad de identificar de manera proactiva irregularidades tiene el potencial de transformar industrias, mejorando la seguridad, la eficiencia y la sostenibilidad.

Conclusión:
La IA y el I+D en la detección de anomalías están marcando el comienzo de una nueva era de eficiencia y precisión en múltiples sectores. PatchCore, junto con otros avances, ilustra el potencial de estas tecnologías para enfrentar desafíos complejos, demostrando que estamos solo al principio de lo que la IA puede lograr.

¿Interesado en explorar cómo la IA puede revolucionar su sector a través de la detección de anomalías? Contáctenos en Deduce Data Solutions para descubrir soluciones personalizadas que integran lo último en IA e I+D.