Avviksdeteksjon har som mål å oppdage tidsperioder hvor data avviker fra forventede mønstre. I mange sammenhenger, slik som når et digitalt helsesystem overvåker en pasients kliniske data, er oppdagelsen av slike avvik avgjørende for å bedre sikkerhet, øke effektivitet og gjøre informerte beslutninger. Ettersom data i økende grad kommer i form av en strøm av målinger, er det et stadig voksende behov for algoritmer som kan oppdage avvikende adferd i sanntid. Et sentralt mål med dette prosjektet er å utvikle pålitelige og transparente algoritmer for avviksdeteksjon i strømmedata, med matematisk beviselige garantier for deres evne til å oppdage avvikende atferd på en pålitelig måte.
I motsetning til algoritmer utviklet for retrospektiv dataanalyse, må algoritmer for sanntids deteksjon operere innenfor svært strenge beregningsmessige rammer. Siden nye data kan ankomme i høyt tempo, må algoritmene prosessere nye datapunkter med svært høy hastighet. En sentral komponent i prosjektets utvikling av nye algoritmer er bruken av grid-baserte søk for å oppdage avvik. Denne nye tilnærmingen gjør det mulig å konstruere svært raske algoritmer med sterke matematiske garantier.
I samarbeid med industrielle partnere vil prosjektet implementere de nye algoritmene på tvers av ulike anvendelsesområder. Prosjektet har blant annet til hensikt å bruke de nye algoritmene til å overvåke KI- og maskinlæringssystemer for avvikende atferd. Ettersom avvikende atferd i KI-systemer kan indikere redusert ytelse, modelldrift eller skjevheter i treningsdata eller resultater, er ambisjonen at algoritmene våre vil øke påliteligheten til disse systemene.
Les mer om prosjektet og nyheter på den engelske siden her.
