تشخیص ناهنجاری

تشخیص ناهنجاری یعنی شناسایی خودکار نقاطی که به‌طور معنادار از رفتار عادی و مورد‌انتظار یک متریک فاصله دارند، بدون آنکه کسی دستی نگاه کند.

تشخیص ناهنجاری یک قدم فراتر از هشدار آستانه‌ای ثابت است. به‌جای «اگر از فلان عدد رد شد»، اول رفتار عادی متریک — با روند و فصلی بودن آن — را یاد می‌گیرد و بعد انحراف از آن الگو را ناهنجاری اعلام می‌کند. همین «یادگرفتن عادی» تفاوت کلیدی است، چون یک افت آخر هفته را که برای آستانه ثابت شبیه مشکل است، ناهنجاری نمی‌شمارد. چالش اصلی تنظیم حساسیت است: مدل بیش‌ازحد حساس هر نوسان را ناهنجاری می‌خواند (مثبت کاذب و خستگی هشدار) و مدل کم‌حساس مشکل واقعی را دیر می‌بیند. نکته مهم این است که ناهنجاری فقط می‌گوید «اینجا چیزی غیرعادی است»، نه اینکه چرا این اتفاق افتاده است. ناهنجاری خودش پاسخ نیست، بلکه شروع بررسی است و می‌تواند خطای ابزارگذاری، رویداد واقعی یا حتی موفقیت غیرمنتظره باشد.