Wie Anomalieerkennung tatsächlich funktioniert
Anomalieerkennung sieht wie ein Klassifizierungsproblem aus – ist diese Transaktion betrügerisch, ist dieser Sensorwert ein Ausfall –, wird aber fast nie als eines behandelt, aus einem einfachen Grund: Anomalien sind selten und meist unmarkiert. Man kann keinen Klassifikator trainieren, Betrugsmuster zu erkennen, von denen man noch nie ein Beispiel gesehen hat.
Warum "einfach die Anomalien labeln" nicht funktioniert
Klassische Klassifizierung braucht eine vernünftige Anzahl markierter Beispiele jeder vorherzusagenden Klasse. Betrug, Geräteausfälle und Einbruchsversuche sind genau die Ereignisse, von denen ein Unternehmen nicht viele bestätigte, gut markierte Beispiele hat – und die wichtigsten sind oft neuartig: Ein Betrugsmuster oder Fehlermodus, den noch niemand gesehen hat, ist genau das, was man erkennen muss. Das schließt "einen Klassifikator auf bekannten schlechten Beispielen trainieren" als vollständige Strategie aus.
Der statistische Ansatz
Die einfachste echte Technik besteht darin, zu modellieren, wie "normal" aussieht, und alles zu markieren, was deutlich abweicht. Ein Z-Score markiert einen Datenpunkt danach, wie viele Standardabweichungen er vom Mittelwert entfernt liegt; die Interquartilsabstand-Methode (IQR) markiert Punkte weit außerhalb der typischen Streuung, was bei schiefen Daten besser funktioniert als ein einfacher Mittelwert-und-Standardabweichung-Ansatz. Beide setzen voraus, dass man "normal" numerisch für eine einzelne Variable definieren kann, was bei etwas wie Serverantwortzeit gut funktioniert, aber versagt, wenn "normal" von der Beziehung zwischen vielen Variablen gleichzeitig abhängt.
Der modellbasierte Ansatz
Isolation Forests funktionieren anders: Statt "normal" zu definieren, nutzen sie die Tatsache aus, dass sich Anomalien leichter vom Rest der Daten trennen lassen als typische Punkte. Zufälliges Partitionieren der Daten isoliert einen Ausreißer in weniger Schritten als einen typischen Punkt, und diese Anzahl wird zum Anomalie-Score. Autoencoder verfolgen einen anderen Ansatz – ein neuronales Netz lernt, normale Daten gut zu komprimieren und zu rekonstruieren; rekonstruiert es eine neue Eingabe schlecht, ist dieser Rekonstruktionsfehler das Signal, dass etwas nicht zum gelernten Muster passt.
Der Kompromiss, der nie verschwindet
Jedes Anomalieerkennungssystem balanciert zwei Kosten, die in entgegengesetzte Richtungen ziehen: eine echte Anomalie zu verpassen (ein falsch negatives Ergebnis – die teure Art, da es oft genau das ist, wofür das System existiert) gegen normales Verhalten als anomal zu markieren (ein falsch positives Ergebnis – was Vertrauen in das System untergräbt und die Zeit verschwendet, die jemand mit der Prüfung von Alarmen verbringt). Es gibt keine Einstellung, die beides eliminiert; den Schwellenwert zu verschärfen, um mehr echte Anomalien zu erfassen, bedeutet immer mehr Fehlalarme, und die richtige Balance hängt vollständig davon ab, welcher Fehler im jeweiligen Kontext mehr kostet – Betrug zu verpassen ist nicht dieselbe Kostenklasse wie eine kleine Sensorstörung zu verpassen.