Baseia-se em 'modelos de mistura gaussiana' – GMMs.
“As redes neurais são poderosas, mas têm uma grande desvantagem: lidar com dados invisíveis, como defeitos num produto durante o fabrico, é um desafio devido à sua dependência de dados de formação existentes. Insumos totalmente novos muitas vezes são classificados incorretamente nas categorias existentes”, segundo a empresa. “As empresas não podem coletar amostras reais para todas as anomalias, especialmente para defeitos imprevistos. GMMs são técnicas de agrupamento que podemos usar para detecção de anomalias.”
A ferramenta de desenvolvimento de software, 'FOMO-AD', foi projetada para criar algoritmos de detecção baseados em GMM para dispositivos com recursos limitados, como MCUs.
Um GMM representa uma distribuição de probabilidade como uma mistura de múltiplas distribuições gaussianas (normais). Cada componente gaussiano na mistura representa um agrupamento de pontos de dados com características semelhantes. “Assim, os GMMs funcionam partindo do pressuposto de que as amostras dentro de um conjunto de dados podem ser modeladas usando diferentes distribuições gaussianas”, disse Edge Impulse.
A detecção de anomalias usando GMM envolve a identificação de pontos de dados com baixas probabilidades, continuou. Se um ponto de dados tiver uma probabilidade significativamente menor de ser gerado pelo modelo de mistura em comparação com a maioria dos outros pontos de dados, ele será considerado uma anomalia e será gerada uma pontuação de anomalia alta.
“O GMM tem alguma sobreposição com K-means, no entanto, os clusters K-means são sempre circulares, esféricos ou hiperesféricos quando o GMM pode modelar clusters elípticos”, acrescentou a empresa.