Detección de anomalías: qué es y usos

Qué es la detección de anomalías

La detección de anomalías es la técnica que encuentra lo que no encaja: un pago fuera de lo normal, una pieza con un defecto, una lectura de sensor que no cuadra. En lugar de aprender todas las formas posibles de error, el sistema aprende cómo es lo normal y señala lo que se aleja de ese patrón. Es útil precisamente cuando los casos raros son pocos o cambian de forma.

Cómo funciona

Hay varias formas de abordarla:

• Reglas y umbrales: una temperatura por encima de un valor o un importe fuera de un rango. Son simples y fáciles de explicar, pero no ven patrones combinados.
• Estadística: se calcula lo habitual (media, dispersión, estacionalidad) y se marca lo que se aleja demasiado.
• Machine learning: el modelo aprende el comportamiento normal a partir de muchos ejemplos y puntúa cada nuevo dato según lo raro que es.

En cualquier caso hay que decidir un umbral, y eso es una decisión de negocio: un umbral bajo genera falsas alarmas; uno alto deja pasar casos reales. Por eso las alertas suelen ir a revisión humana antes de actuar.

Detección de anomalías con machine learning

Con machine learning se pueden vigilar muchas variables a la vez y encontrar desviaciones que ninguna regla aislada detectaría. En imágenes, un modelo puede aprender cómo es un producto conforme y señalar las piezas que se apartan. Es una herramienta útil, pero no garantiza detectar todo lo desconocido: hay que definir pruebas, revisar muestras y fijar sus límites de uso.

Para qué sirve en una empresa

• Finanzas: discrepancias en pagos y cobros, movimientos inusuales o posibles fraudes.
• Mantenimiento: señales de una máquina que anticipan un fallo.
• Calidad: piezas o acabados que no siguen el patrón del producto correcto.
• Operaciones: desviaciones en ventas, gastos o márgenes.
• Seguridad: accesos o movimientos fuera de lo habitual captados por cámaras.

Un ejemplo: en una planta, los sensores de un motor registran vibración y temperatura cada minuto. El modelo aprende la combinación normal de ambas y avisa cuando empieza a cambiar, antes de que el motor se pare.

Cómo lo aplicamos en DPI

En nuestro servicio de machine learning, el mantenimiento predictivo monitoriza equipos en tiempo real para detectar anomalías que anticipen fallos, y la conciliación de movimientos bancarios automatiza la detección de discrepancias en pagos y cobros. En control de calidad industrial, cuando los defectos reales son escasos, la detección de anomalías puede aprender el patrón de producto conforme y señalar desviaciones.