iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論・115 年第一次・L11・第 22 題

沒有異常標籤,怎麼訓練異常偵測?

原題

某製造業工廠規劃導入 AI 監控系統,持續分析設備感測數據(如溫度、震動與壓力)。系統需能在缺乏完整異常標註資料的情況下,辨識與一般運作型態顯著不同的狀態,並發出預警。在此需求下,下列何種技術較為適合?

白話

一間製造業工廠要用 AI 監控設備的溫度、震動、壓力等感測數據。系統必須在缺乏完整異常標註資料的情況下,仍能辨識出與一般運作型態顯著不同的狀態,並發出預警。

問你:在這個缺乏異常標籤的條件下,哪種技術較為適合?

一句話總結

沒有異常標籤時,用 VAE 學習正常資料長什麼樣,重建誤差大的就是異常。

情境

先感受問題:設備壞掉前你怎麼知道?

假設你是「台灣精機」工廠的設備管理工程師。廠裡有 200 台壓縮機,每台每秒都在回傳溫度、震動、壓力三個數字。

過去五年,設備真正發生「異常故障」的次數:總共 12 次。

這 12 次資料加起來,跟每天產生的幾百萬筆正常數據比起來,幾乎是零。

主管說:「我要一個 AI,能在設備快壞掉之前就提前示警。」

問題來了:AI 要學「異常長什麼樣」,但你只有 12 筆異常,根本不夠訓練一個能認識各種異常的分類模型。你能用的,就只有幾百萬筆「正常運作」的資料。

舊方法

只靠有標籤的異常資料,會撞牆

傳統做法是「有什麼異常就學什麼異常」,但在這個場景會遇到五個根本問題:

  1. 異常標籤太少:12 筆 vs 數百萬筆,訓練出來的模型嚴重不平衡,幾乎什麼都預測為「正常」
  2. 異常類型不固定:壓縮機可能以 20 種不同方式壞掉,只有 12 筆根本覆蓋不了
  3. 未見過的新型異常認不出:模型只認識學過的異常模式,遇到沒見過的新故障型態,照樣放行
  4. 標註成本極高:要讓設備真的壞一次才能收集一筆異常資料,現實中不可能刻意製造故障
  5. 定義模糊:「異常」的邊界在哪裡?溫度超過幾度才算異常?不同設備、不同季節的閾值都不同,很難寫死規則

新方法

VAE 怎麼在沒有異常標籤的情況下發現異常

VAE(Variational Autoencoder,變分自編碼器)的思路完全反過來:不學「異常是什麼」,改學「正常是什麼」。

把「台灣精機」幾百萬筆正常運作的溫度、震動、壓力數據餵進 VAE,讓它學習「正常設備的運作模式」,也就是正常資料的分佈(distribution)。

學完之後,VAE 能做一件事:給它一筆新資料,它會嘗試把它壓縮再重建出來。正常的資料,重建的結果跟原來很像;異常的資料,重建出來的結果會跟原來差很多。

這個差距叫做重建誤差(Reconstruction Error)。設定一個閾值:重建誤差超過閾值,就發出預警。

「台灣精機」的系統上線後,壓縮機在震動頻率出現微小漂移時,VAE 的重建誤差就開始上升。三天後,工程師去現場檢查,發現軸承已磨損,在真正故障前完成更換。

這就是選項 C 講的:採用變分自編碼器(VAE)學習正常資料分佈,當新資料偏離正常分佈時即發出預警。

錯選項

為什麼其他選項是錯的

A使用支援向量機(SVM)建立異常分類模型

字面在說什麼

用 SVM 訓練一個分類器,能把資料分成「正常」和「異常」兩類。

為什麼不對

SVM 是監督式學習,需要同時有正常和異常的標籤才能訓練。題目明確說「缺乏完整異常標註資料」,SVM 訓練不起來。雖然有一種特殊變體叫 One-Class SVM 可以用於異常偵測,但題目選項直接說「建立異常分類模型」,意味著需要正負兩類標籤。

誰會選錯

知道 SVM 是強分類器就直覺選 A 的人。SVM 很強,但前提是資料要有標籤,沒有標籤的異常資料,SVM 根本沒有辦法學。

B以決策樹(Decision Tree)學習異常類型的判斷規則

字面在說什麼

用決策樹把感測數據按規則分類,找出哪些條件組合會導致異常。

為什麼不對

決策樹也是監督式學習,需要標記好的訓練資料才能建立規則。更重要的是,「學習異常類型的判斷規則」意味著你要先知道有哪些異常類型,才能讓樹去學,但題目的情境是根本沒有充分的異常樣本。

誰會選錯

覺得「判斷規則」這幾個字很直觀,工廠就是要訂規則嘛,所以選 B。但決策樹的規則來自訓練資料中的標籤,不是人工設定的閾值,沒有標籤就沒有規則。

D使用生成對抗網路(GAN)直接預測異常標籤

字面在說什麼

用 GAN 來判斷每筆感測數據是否為異常,並給出異常標籤。

為什麼不對

GAN 的設計目的是生成逼真的資料(讓生成器欺騙判別器),而不是直接做異常標籤的預測。更重要的是,「直接預測異常標籤」這個說法本身有問題,因為我們就是因為缺乏異常標籤才來找解決方案,GAN 無法憑空生出正確標籤。

誰會選錯

知道 GAN 也是生成模型,覺得它跟 VAE 類似可以解決無標籤問題的人。GAN 理論上也可以做異常偵測,但「直接預測異常標籤」這個描述不符合 GAN 的工作方式,而且訓練穩定性遠不如 VAE。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目一 人工智慧基礎概論 第 22 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。