ขึ้นอยู่กับ 'แบบจำลองผสมแบบเกาส์เซียน' หรือ GMM
“โครงข่ายประสาทเทียมนั้นทรงพลังแต่ก็มีข้อเสียเปรียบที่สำคัญ นั่นคือ การจัดการข้อมูลที่มองไม่เห็น เช่น ข้อบกพร่องในผลิตภัณฑ์ระหว่างการผลิต ถือเป็นความท้าทายเนื่องจากการพึ่งพาข้อมูลการฝึกอบรมที่มีอยู่ ข้อมูลใหม่ๆ มักจะถูกจัดประเภทผิดๆ เป็นหมวดหมู่ที่มีอยู่” ตามที่บริษัทระบุ “บริษัทไม่สามารถเก็บตัวอย่างจากความผิดปกติทุกอย่างในชีวิตจริงได้ โดยเฉพาะข้อบกพร่องที่ไม่คาดคิด GMM เป็นเทคนิคการจัดกลุ่มที่เราสามารถใช้เพื่อตรวจจับความผิดปกติได้”
เครื่องมือพัฒนาซอฟต์แวร์ 'FOMO-AD' ได้รับการออกแบบมาเพื่อสร้างอัลกอริธึมการตรวจจับที่ใช้ GMM สำหรับอุปกรณ์ที่มีทรัพยากรจำกัด เช่น MCU
GMM แสดงถึงการแจกแจงความน่าจะเป็นโดยเป็นส่วนผสมของการแจกแจงแบบเกาส์เซียน (ปกติ) หลายตัว ส่วนประกอบแบบเกาส์แต่ละรายการในส่วนผสมแสดงถึงกลุ่มของจุดข้อมูลที่มีลักษณะคล้ายคลึงกัน “ดังนั้น GMM ทำงานโดยใช้สมมติฐานที่ว่าตัวอย่างภายในชุดข้อมูลสามารถสร้างแบบจำลองได้โดยใช้การแจกแจงแบบเกาส์เซียนที่แตกต่างกัน” Edge Impulse กล่าว
การตรวจจับความผิดปกติโดยใช้ GMM เกี่ยวข้องกับการระบุจุดข้อมูลที่มีโอกาสต่ำ หากจุดข้อมูลมีความน่าจะเป็นที่ต่ำกว่าอย่างมากที่จะถูกสร้างขึ้นโดยแบบจำลองแบบผสมเมื่อเปรียบเทียบกับจุดข้อมูลอื่นๆ ส่วนใหญ่ จะถือว่าเป็นความผิดปกติ และคะแนนความผิดปกติที่สูงจะถูกส่งออก
“GMM มีการทับซ้อนกับ K-mean บ้าง อย่างไรก็ตาม กลุ่ม K-means มักจะเป็นทรงกลม ทรงกลม หรือทรงกลมมากเกินไป เมื่อ GMM สามารถสร้างแบบจำลองคลัสเตอร์ทรงรีได้” บริษัทกล่าวเสริม