Un'azienda desidera una soluzione ML per rilevare anomalie nell'output dei sensori, ma non dispone di esempi etichettati. Quale approccio di modellazione è appropriato per il rilevamento non supervisionato delle anomalie in questo caso?

Un autoencoder è un tipo di rete neurale artificiale utilizzata per l'apprendimento non supervisionato. È progettato per imparare una rappresentazione efficiente (codifica) dei dati di input, ricostruendo l'input stesso. Nel rilevamento delle anomalie, un autoencoder viene addestrato su dati "normali". Quando gli viene presentato un input anomalo, avrà difficoltà a ricostruirlo accuratamente, risultando in un errore di ricostruzione elevato. Questo errore elevato indica un'anomalia. La regressione lineare, la classificazione e gli alberi decisionali sono metodi di apprendimento supervisionato che richiedono dati etichettati per l'addestramento, rendendoli inadatti per questo scenario senza esempi etichettati di anomalie.