في عالم البيانات الضخمة، يبقى كشف الشذوذ في بيانات الزمن المتعددة (Multivariate Time Series) من أكبر التحديات التي تواجه الباحثين والمطورين. غالبًا ما تتضمن هذه البيانات أنواعًا مختلفة من الشذوذ، مثل النقاط المعزولة (isolated spikes) والتغيرات في التوزيع (level shifts) وتغيرات الزمن (rhythm changes) والانهيارات في الترابط بين المستشعرات (inter-sensor correlation breakdowns). بينما تركز العديد من الطرق غير الخاضعة للإشراف على نوعين أو نوع واحد فقط، تقدم تقنية CRAFTIIF (Cross-Resolution Analytic Four-Type Interpretable Isolation Forest) حلاً مبتكرًا بالكامل.

تم تصميم CRAFTIIF لاكتشاف جميع الأنواع الأربعة للشذوذ دون الحاجة لتعديل يعتمد على مجموعة البيانات المحددة. يقوم النظام بإنشاء 500 رسم عشوائي من الميزات باستخدام الموجات التحليلية عبر أربع عائلات مختلفة (Morlet، DOG، Haar، Coiflet)، حيث يستهدف كل رسم نوعًا محددًا من الشذوذ. يتم تغذية هذه الميزات في خمسة غابات عزلية (Isolation Forests) - واحدة لكل نوع، بالإضافة إلى غابة ميتا (meta-IF) للشذوذ المركب. تساعد خوارزمية Otsu/MAD التكيفية في ضبط الكشف تلقائيًا عبر معدلات الشذوذ التي تتراوح من 0.1% إلى 69.2%.

بفضل هيكلها المدروس، يوفر كل IF (Isolation Forest) نسب فرع محددة للشذوذ، مما يعني أن الكشف عن نوع الشذوذ يتم مباشرة من خلال التركيب، دون الحاجة لشرح مضاف لاحقًا. في تقييم شامل على 19 مجموعة بيانات من معيار mTSBench، برزت CRAFTIIF كالأفضل بمتوسط F1 يبلغ 0.228 (على جميع المجموعات) وF1 يصل إلى 0.322 (على 13 مجموعة قابلة للكشف).

عند دراسة النتائج، اكتشف الباحثون أن 6 من 19 مجموعة بيانات كانت غير قابلة للكشف بواسطة أي طريقة غير خاضعة للإشراف. وقد أثبتت التحليلات التفصيلية أن التعديل التكيفي (+38% F1) والهياكل الأربعة للفروع (+20%) وmeta-IF (+23%) تعتبر جميعها ضرورية لهذا الأداء المذهل. هذا الابتكار ينذر بتغيير جذري في طريقة تعاملنا مع بيانات الزمن المتعددة، مما يتيح لنا استكشاف وتحليل البيانات بشكل أعمق وأكثر كفاءة.

في عالم يتزايد فيه الاعتماد على البيانات، تدفع تقنية CRAFTIIF الحدود لتحقيق إنجازات جديدة في مجال الذكاء الاصطناعي.

ما رأيكم في هذا التطور المثير؟ هل تعتقدون أن تقنيات مثل CRAFTIIF ستحدث ثورة في كشف الشذوذ في البيانات؟ شاركونا آراءكم في التعليقات!