Bir odeme sisteminde aniden yukselen basarisiz islem orani, bir fabrikada normalin disina cikan makine titresimi veya bir web sitesinde gece yarisi patlayan trafik... Bu olaylarin ortak yani, bir insanin fark etmesi cok gec olabilecek olagandisi davranislar olmalaridir. Anomali tespiti (anomaly detection), verideki bu sessiz alarmlari otomatik olarak yakalayan yontemler butunudur. Bu yazida nasil calistigini ve nerede ise yaradigini ele aliyoruz.
Anomali Nedir, Ne Degildir?
Anomali, verinin genel davranisindan belirgin sekilde sapan bir gozlemdir. Ancak her sapma bir sorun degildir; bir kampanya gunundeki yuksek satis "anormal" ama beklenen bir durumdur. Bu yuzden anomali tespitinin amaci sadece sapmayi bulmak degil, anlamli sapmayi ayirt etmektir.
- Nokta anomalisi: Tek bir deger asiri yuksek veya dusuk.
- Baglamsal anomali: Deger tek basina normal ama o baglamda tuhaf (gece 3'te ofis elektrik tuketimi).
- Kolektif anomali: Tek tek normal ama birlikte olagandisi bir dizi olay.
Nerede Kullanilir?
Anomali tespiti sektorden bagimsiz genis bir uygulama alanina sahiptir. Ortak nokta, nadir ama maliyetli olaylari erken yakalama ihtiyacidir.
- Finans: Kredi karti dolandiriciligi ve suphelı islem tespiti.
- Uretim: Sensor verisinden makine arizasini onceden kestirme.
- BT operasyonlari: Sunucu metriklerinde beklenmedik davranis.
- E-ticaret: Sahte hesap ve bot trafigi tespiti.
Yontemler: Basitten Karmasiga
En basit anomali tespiti istatistiksel esikler ile yapilir: Ortalamadan belirli bir standart sapma otesindeki degerler isaretlenir. Bu yontem seffaf ve hizlidir, cok degiskenli olmayan durumlar icin yeterlidir.
Daha karmasik senaryolarda Isolation Forest, DBSCAN gibi makine ogrenmesi algoritmalari veya zaman serisi icin mevsimselligi hesaba katan modeller kullanilir. Cok yuksek boyutlu verilerde ise autoencoder gibi derin ogrenme yaklasimlari, normal davranisi ogrenip sapmayi olcer.
Etiketli Veri Olmadan Calismak
Anomali tespitinin en buyuk zorlugu, anomalilerin nadir ve cogu zaman etiketsiz olmasidir. Elinizde "bu dolandiricilikti" diye isaretlenmis binlerce ornek olmayabilir. Bu yuzden alan buyuk olcude denetimsiz ogrenmeye (unsupervised learning) dayanir: Model, normalin ne oldugunu ogrenir ve ona uymayani isaretler.
Elinizde gecmis etiketler varsa, bunlar modeli dogrulamak ve esikleri ayarlamak icin cok degerlidir. Az sayida etiketle yari-denetimli yaklasimlar da mumkundur.
Yanlis Alarm Dengesi
Anomali tespitinde en kritik tasarim karari, hassasiyet ile yanlis alarm arasindaki dengedir. Cok hassas bir sistem her kucuk dalgalanmada alarm verir; ekip kisa surede uyarilari gormezden gelmeye baslar (alarm yorgunlugu). Cok gevsek bir sistem ise gercek sorunlari kacirir.
- Onceliklendirme: Her anomaliye ayni onemi vermeyin, siddet skoru ekleyin.
- Geri bildirim dongusu: Ekibin "bu yanlis alarmdi" bildirimini modele geri besleyin.
- Baglamsal esikler: Gunun saatine ve mevsime gore uyarlanan esikler kullanin.
Insan Kararini Devreye Almak
Anomali tespiti sistemi genellikle son karari vermez; dikkat cekilmesi gereken durumlari one cikaran bir filtre gibi calisir. Yakalanan anomaliyi bir uzman degerlendirir ve aksiyon alir. En etkili sistemler, otomasyon ile insan yargisini birlestirir.
Sonuc olarak anomali tespiti, buyuyen veri hacimlerinde insan gozunun kacirdigi kritik sinyalleri yakalamanin en pratik yoludur. Basit istatistiksel esiklerle baslayin, yanlis alarm dengesini dikkatle ayarlayin ve insan geri bildirimini sisteme surekli geri besleyin. Boyle kurulan bir sistem, sorunlar buyumeden mudahale sansi kazandirir.