본 포스트에서는 딥러닝 기반 Anomaly Detection(이상감지)에 대하여 간략하게 설명하도록 하겠습니다.

작성자 : 박상민 - (주)인스페이스 미래기술실 연구원

본 포스트는 약 4개월간 이상감지(Anomaly Detection)를 연구하게 되면서 공부했던 것, 알아낸 것, 찾아봤던 자료, 구현체, 결과물 등을 정리해서 공유하는 글 입니다.

주관적인 내용이 포함되어 있으니 이해해주시기 바랍니다. 항공우주분야의 이상감지를 연구해왔기 때문에 글의 내용도 도메인에 밀접한 내용이 있으니 참고하시면 좋을 것 같습니다.

개요

이상감지란?

• 말 그대로 ‘이상’을 감지하는 것입니다. 어떤 데이터들 중에서 ‘이상한 것’들을 찾는 것 입니다. 시계열 데이터에서 과거 또는 현재의 시점에서 보편적인 패턴에서 벗어나거나, 벗어나려는 징후가 있는 드문 패턴 또는 이상 패턴을 찾아내는 것 입니다. 출처

  

중요성

• 사람 또는 살아있는 생물의 안전과 관련된 시스템들은 위험상황이나 재난상황에서 이상 상황을 최대한 빨리 감지하고, 대응하는게 무엇보다 중요합니다. 이상감지 시스템은 모든 산업분야에 적용될 수 있고, 구축한 시스템이 복잡할수록, 비쌀수록, 희귀할수록, 중요할수록 이상감지 시스템의 필요성은 커질 것 입니다.

적용분야

• 이상감지는 모든 분야에서 적용될 수 있고, 오래전부터 다양한 기법이 개발되고 연구되어 적용되었습니다. 유지보수를 하는 모든 제품과 건축물에는 적용할 수 있습니다. 앞으로는 ‘유지보수’영역에도 많은 투자와 연구가 이루어질 것이라 생각합니다. 그럼에따라 이상감지 시스템의 필요성도 더 커질것이며, 시장도 계속해서 늘어날 것 입니다.

적용 가능성

• 아직까지 독보적인 머신러닝 기반의 이상감지 기법은 없는 것 같습니다. 머신러닝 기반의 이상감지는 각자 도메인에 맞게 도메인 지식과 머신러닝 기법을 동시에 적용하는 경우가 많고, 도메인과 데이터에 따라 차이가 났습니다.

성장 가능성

• 무궁무진하다고 생각합니다. 지금까지 우리는 ‘연구’와 ‘개발’에만 초점이 맞추어져 있었습니다. 이는 제품 또는 건축물이(이동수단, 인공위성, 발전소, 고층빌딩 등) 복잡하고, 크고, 비용이 많이 들어갈수록, 유지보수의 비용이 크게 증가하게 될 것입니다. 그럼에따라 이상감지 시스템의 필요성도 더 커질 것이고, 관련 시장도 계속 늘어날 것 입니다.

기존의 항공우주 분야 이상감지 모니터링 기법

• OOL(Out of Limit) : 사전에 정의된 limit 값을 기준으로 이상치 탐지합니다.
• Exper System : 전문가들의 지식을 이용하여 순서드를 만들어 이상치 탐지합니다.
• Distance based : 특징 추출 후 군집화를 진행하여 거리기반 이상치 탐지합니다.
• Denisty based : 특징 추출 후 군집화를 진행하여 밀도기반 이상치 탐지합니다.
• Visualization : 특징 추출 후에 시각화를 하여 전문가들의 소견으로 이상치 탐지합니다.