En los últimos años, varios tipos de series temporales de datos recogidos en campos como la sanidad, las infraestructuras sociales y la fabricación han sido aprovechados por la IA para realizar juicios de situación y detectar anomalías. En el caso de los time-series data, sin embargo, hay una amplia gama de factores que pueden contribuir a la toma de decisiones de la IA. Esto significa que incluso a los expertos les resulta difícil advertir qué tipo de cambios en los datos han contribuido a la detección de una anomalía, lo que dificulta la adopción de medidas adecuadas para prevenir su aparición.
Fujitsu e Inria, más concretamente el equipo del proyecto DATASHAPE de Inria, dirigido por Frédéric Chazal en Francia, han desarrollado con éxito una nueva tecnología basada en el análisis topológico de datos (TDA) que puede identificar los factores que contribuyen a la detección de anomalías por parte de la IA para las series temporales de datos y visualizar las diferencias en las decisiones de la IA durante circunstancias normales, así como en las anómalas.
Ambas compañías creen que esto contribuirá al análisis de las causas de las anomalías en los time-series data de diversos procesos, clarificando el mecanismo que rodea la ocurrencia de las anomalías, así como el descubrimiento de nuevas soluciones para las mismas.
Tecnología recién desarrollada
Fujitsu e Inria han desarrollado una tecnología de IA que puede determinar la causa de las anomalías en las series temporales de datos, y que cuenta con las siguientes características clave:
1) Utilizando una tecnología de análisis desarrollada por Fujitsu que extrae las características que afectan al juicio de los time-series data y detecta las anomalías, las características que condujeron al juicio anómalo, así como las características no relacionadas con los datos que fueron juzgados como anómalos por la IA, se mapean en un plano (espacio TDA).
2) La tecnología transforma los datos puntuales de la característica que es la base más cercana al grupo de point data de la operación anómala.
3) Las series temporales de datos se deforman basándose en la conversión de las características de los point data, y se generan los datos que se consideran normales.
Esto permite comparar la forma de onda de los time-series data normales, así como los anómalos y permite al usuario investigar visualmente la causa de la irregularidad.
