AI 용어집 · 기초 · 전통 ML·추천·검색
이상 탐지 Anomaly Detection
이상 탐지(Anomaly Detection)는 대부분의 데이터가 보이는 '평소 패턴'을 익혀 두고, 그 패턴에서 크게 벗어난 드문 사례를 자동으로 찾아내는 머신러닝 기법입니다.
어떻게 작동하나
이상 사례는 워낙 드물고 종류도 미리 다 알 수 없어서, '이건 이상'이라고 정답을 붙인 데이터가 부족한 경우가 많습니다. 그래서 보통은 정상 데이터만 가지고 평소 패턴을 익히는 비지도 학습 방식을 씁니다. 새 데이터가 들어오면 평소 패턴에서 얼마나 떨어져 있는지를 '이상 점수'로 매기고, 미리 정해 둔 기준선(임계값)을 넘으면 경보를 울립니다. 평균에서 얼마나 먼지를 재는 통계 방법, 가까운 이웃이 거의 없는 점을 찾는 거리 기반 방법(KNN 등), 데이터를 무작위로 잘라 쉽게 따로 떨어지는 점을 찾는 트리 기반 방법(Isolation Forest), 정상 데이터를 압축했다 되살려 보고 잘 되살아나지 않는 것을 이상으로 보는 딥러닝 방법 등이 있습니다.
이상 탐지가 경보를 내기까지
- 1정상 데이터 모으기평소 기록 위주
- 2평소 패턴 학습통계·거리·트리·딥러닝
- 3이상 점수 매기기평소에서 얼마나 먼가
- 4기준선과 비교넘으면 경보
- 5사람이 확인결과를 다시 반영
왜 중요한가
카드 부정 결제, 공장 설비의 고장 징후, 서버 장애, 보안 침입처럼 드물지만 한 번 놓치면 피해가 큰 사건을 잡는 데 쓰입니다. 데이터가 끊임없이 쏟아지는 환경에서는 사람이 모든 기록을 들여다볼 수 없기 때문에, 의심스러운 것만 먼저 골라 주는 역할이 중요합니다. 이상 사례의 정답을 미리 다 몰라도 쓸 수 있다는 점이 큰 장점입니다. 처음 보는 유형의 공격이나 고장도 '평소와 다르다'는 이유만으로 잡아낼 수 있습니다.
알아 둘 점
기준선을 낮게 잡으면 정상인 것까지 경보가 울려 담당자가 지치고, 높게 잡으면 진짜 문제를 놓칩니다. 이 균형을 업무 비용에 맞게 정하는 일이 실제 도입에서 가장 어렵습니다. 또 '평소'는 시간이 지나면 바뀝니다. 계절, 새 상품 출시, 고객층 변화로 데이터 드리프트가 생기면 모델을 다시 맞춰야 합니다. 마지막으로 '이상'이 곧 '문제'는 아닙니다. 명절 직전 매출 급증처럼 이유 있는 변화도 있으므로, 경보를 사람이 확인하고 그 결과를 다시 모델에 반영하는 휴먼 인 더 루프 구조가 흔히 함께 쓰입니다.
예시
신용카드 회사는 고객마다 평소 결제 금액, 시간대, 지역, 가맹점 종류를 학습해 두고, 새벽에 처음 보는 해외 가맹점에서 큰 금액이 결제되는 것처럼 패턴을 크게 벗어난 거래를 실시간으로 표시합니다. 점수가 높은 거래는 결제를 잠시 멈추거나 고객에게 확인 문자를 보냅니다. 제조 현장에서는 설비 센서의 진동·온도 시계열을 지켜보다가 평소와 다른 흔들림이 나타나면 고장 전에 점검을 요청하는 방식으로 쓰입니다.