/01Was ist Anomalieerkennung?
Anomalieerkennung (engl. Anomaly Detection) bezeichnet Verfahren, die Datenpunkte, Muster oder Ereignisse identifizieren, die signifikant vom erwarteten Normalverhalten abweichen. Im Kontext von KI kommen dabei sowohl klassische statistische Methoden als auch maschinelles Lernen zum Einsatz.
Man unterscheidet überwachte Ansätze (bekannte Anomalietypen im Training), halbüberwachte Ansätze (nur Normaldaten im Training, Abweichungen werden erkannt) und unüberwachte Ansätze (kein Label erforderlich, z. B. Clustering oder Autoencoder). Die Wahl hängt davon ab, ob bekannte Anomaliemuster vorliegen und wie viele annotierte Daten verfügbar sind.
/02Typische Einsatzfelder
Anomalieerkennung ist in vielen Branchen etabliert:
- Predictive Maintenance: Abweichende Sensordaten signalisieren drohende Maschinenausfälle
- IT-Sicherheit: Ungewöhnliche Netzwerkaktivitäten weisen auf Angriffe oder Datenlecks hin
- Betrugserkennung: Atypische Transaktionsmuster lösen Sperren aus
- Qualitätskontrolle: Optische Inspektion erkennt Defekte in Fertigungsteilen
- Finanzberichterstattung: Buchungsanomalien deuten auf Fehler oder Manipulation hin
Praxisbeispiel
Ein Maschinenbauunternehmen trainiert einen Autoencoder auf normalen Vibrationssignalen seiner CNC-Maschinen. Weicht das rekonstruierte Signal stark vom Eingangssignal ab, signalisiert das System einen drohenden Lagerschaden — Tage vor dem tatsächlichen Ausfall.
/03Relevanz für den Mittelstand
Anomalieerkennung gehört zu den KI-Anwendungen mit dem schnellsten Return on Investment für produzierende Unternehmen. Ungeplante Maschinenausfälle verursachen hohe Kosten; ein frühzeitiges Warnsystem reduziert Stillstandszeiten erheblich. Cloud-Anbieter wie AWS, Azure und Google Cloud bieten fertige Anomalieerkennungs-Services an, die auch ohne tiefes KI-Fachwissen integriert werden können. Kritisch ist die Kalibrierung der Anomaliegrenze: Zu sensitiv führt zu Alarmmüdigkeit, zu tolerant übersieht echte Probleme.