Firma potrzebuje rozwiązania ML do wykrywania anomalii w danych wyjściowych z czujników, ale nie ma żadnych oznaczonych przykładów. Które podejście do modelowania jest odpowiednie do niewzorcowego wykrywania anomalii w tym przypadku?

Autoenkodery są odpowiednie do niewzorcowego wykrywania anomalii, ponieważ uczą się kompresować i rekonstruować normalne dane. Anomalie, będące odstępstwami od normy, są słabo rekonstruowane, co skutkuje wysokim błędem rekonstrukcji, który można wykorzystać do ich identyfikacji. Nie wymagają oznaczonych danych anomalii do treningu, co jest kluczowe w scenariuszu braku oznaczonych przykładów. Regresja liniowa i klasyfikacja to metody nadzorowane, które wymagają oznaczonych danych wejściowych i wyjściowych, co wyklucza je w tym przypadku. Drzewa decyzyjne również są zazwyczaj używane w scenariuszach nadzorowanych, choć istnieją warianty do wykrywania anomalii, to autoenkodery są bardziej uniwersalne w przypadku braku jakichkolwiek oznaczonych przykładów.