Son blog yazımızda, NVIDIA’nın NV-Tesseract adını verdiği model ailesini tanıttık. Bu modeller, anomali tespiti, sınıflandırma ve tahmin gibi çeşitli zaman serisi problemlerini tek bir çerçevede birleştirmek için tasarlanmıştır. Yapılan çalışma, paylaşılan genel amaçlı bir omurga ile farklı zaman serisi problemlerini ele almanın potansiyelini göstermiştir.
NVIDIA’nın NV-Tesseract-AD modeli, bu temelin üzerine inşa edilmiştir. Ancak bu model, yalnızca transformer’lara güvenmek yerine, difüzyon modelleme tekniğini tanıtarak, öğrenme müfredatı ile dengelemiştir ve uyarlanabilir eşik yöntemleri ile bir araya getirilmiştir. Bu unsurlar, alanın en zorlayıcı sorunlarını ele alarak, zamanla değişen gürültülü ve yüksek boyutlu sinyalleri yönetmeyi hedefler.
Ayrıca, NV-Tesseract-AD bir evrim olarak düşünülebilir: Modelin ilk versiyonu yalnızca univariate verilerle sınırlıydı ve gürültü varlığında sıklıkla başarısız oluyordu. Versiyon 2.0, mimarinin çok değişkenli (multivariate) girdileri ele alacak şekilde genişletilmesinin yanı sıra, güvenilir eğitim için öğrenme müfredatları ve uyarlanabilir eşik değerleri ile gerçek dünya koşullarında daha fazla sağlamlık sağlamak amacıyla geliştirilmiştir.
Anomali Tespitinin Yeniden Gözden Geçirilmesi Gerekiyor
Anomali tespiti, veri akışındaki sıradışı noktaları bulmak gibi basit görünse de, gerçek dünya zaman serisi ile çalışanların bildiği gibi, veri bilimi açısından karmaşık bir problem haline gelir. Bu zorluğun ilki durumsal değişkenliktir. Çoğu sinyal asla sabit durmaz. Yarı iletken sensörler zamanla kayar, hasta vital değerleri vücut ritimlerine göre değişir, uzay aracı telemetre verileri gezginin hareketine bağlı olarak tamamen farklı gözükebilir. Bu durum, ne zaman bir şeyin anormal görünebileceğine dair karmaşık bir durum yaratır.
Bir diğer zorluk ise gürültü ve kıtlıktır. İşaretler nadiren etiketlenir ve çoğu zaman yanıltıcıdır. Gerçek anomali etiketleri elde etmek pahalıdır; operatörler sadece gözlemledikleri şeyleri etiketleyebilir ve hatta alan uzmanları dahi bir dalgalanmanın gerçek bir hata mı yoksa sadece doğal bir değişkenlik mi olduğunu tartışabilir. Birçok veri seti sahte pozitiflerle doludur veya tespit etmek istediğimiz kritik hataları atlayabilir.
Örneğin, nükleer santrallerde binlerce sensör reaktör basıncını, soğutma akışını ve çekirdek sıcaklığını sürekli izler. Gerçek anomali durumları—örneğin, küçük bir soğutucu sızıntısı veya erken aşama bir pompa arızası—nadir görünür. Küçük bir basınç dalgalanması, rutine dönüşen gürültü olarak göz ardı edilebilir. Bu tür bir yanlış sınıflandırma, reaktör güvenliğini tehdit eden bir zincirleme arızanın erken aşamalarını gizleyebilir.
Bu tür durumlar, sektörler genelinde daha büyük bir zorluğu göstermektedir: seyrek ve güvenilmez etiketler, denetimli öğrenimi küçük, gürültülü veri setlerine fazla bağımlı kılarken, geniş miktarda etiketlenmemiş verilerdeki kritik kalıpları göz ardı etmektedir.
Zaman Serileri İçin Difüzyon Modelleri
Generatif difüzyon modelleri başlangıçta görüntüler için tasarlanmıştı, ancak temel prensipleri zaman serilerine de mükemmel bir şekilde uyum sağlar. Difüzyon modelleri, bir sinyali bir anda yeniden oluşturmak yerine, veriyi yavaşça gürültü ile kirletir ve ardından bu süreci adım adım geri döndürmeyi öğrenir. Sonuç olarak, bu model, ince zaman yapısını yakalayarak yüzlerce veya binlerce ilişkili sinyali ölçeklendirebilir.
Bu iteratif iyileştirme güçlüdür. Küçük sapmalar – bir hastanın kalp atışındaki mikro değişiklikler veya bir uydunun batarya voltajındaki hafif kaymalar – modelin “normal” yolların manifoldunu öğrendiğinde belirgin hale gelir. Denoising işlemi düzgün bir şekilde yapılamayan sinyaller anomali olarak öne çıkar, çünkü bu durum verinin altta yatan yapısını ihlal eder.
Ancak difüzyon kendi kırılganlıkları ile de gelir. Eğitim çok karmaşık görevlerle başlarsa, model basit yeniden yapılandırmalara düşebilir veya aynı zamanda konverjluk sağlayamayabilir. NV-Tesseract-AD, bu sorunu öğrenme müfredatı ile ele alır. Eğitim sürecinin erken aşamalarında, model, denoising işleminin basit olduğu hafif kirletilmiş girdilere odaklanır. Zamanla, gürültü ve maskeleme oranları kademeli olarak artırılır, bu da modelin giderek karmaşık yeniden yapılandırmaları ustaca yapmasını sağlar.
Segmentli Güven Sırasıyla Çok Ölçekli Uyarlamalı Güven Segmentleri
Difüzyon modelleri anomali puanları üretir. Ancak bu puanların eşiklere dönüştürülmesi gerekmekte ve eşikler genellikle en zayıf halka olarak kabul edilmektedir. Statik kesme noktaları değişen sinyaller karşısında yetersiz kalır; üretim araçları yeniden kalibre edildiğinde, hastalar dinlenirken veya aktifken geçiş yaptığında veya ağlar yoğun ve düşük yoğunluklu talep arasında dalgalandığında sıkıntı doğabilir. Böyle bir ortamda, global eşikler ya gerçek anomalleri kaçırır ya da operatörleri mahveden yanlış alarm yaratır.
Bunu çözmek için NVIDIA araştırmacıları iki patent bekleyen yöntem geliştirdi—Segmentli Güven Sıraları (SCS) ve Çok Ölçekli Uyarlamalı Güven Segmentleri (MACS). Her ikisi de denetimsiz, modelden bağımsızdır ve güven aralıkları teorisine dayalı olup, anlaşılır ve NV-Tesseract-AD’nin ötesinde geniş uygulama alanlarına sahiptir. Bu yöntemler, anomali tespit sürecinin eşik belirleme aşamasında yer alır ve bir sapmanın önemli kabul edilip edilmeyeceğini belirler.
SCS, zaman serisini yerel olarak stabil rejimlere böler ve her bir rejim için ayrı bir istatistiksel temel oluşturur. Her rejimde güven sınırları uyum sağlar, böylece hassasiyeti artırır ve yüksek doğal varyasyon olan yerlerde tutum gösterir.
MACS ise verileri aynı anda kısa, orta ve uzun vadeli pencereler aracılığıyla inceler. Bir dikkat mekanizması en ilgili ölçeği tartar ve iki aşamalı bir tespit kuralı sahte alarmların sayısını azaltır. Bu yöntem, ayrı dedektörler gerektirmeden anlık patlamaları veya kademeli dalgalanmaları yakalayabilir.
Birlikte, SCS ve MACS, anomali tespitinde uzun süredir arzulanan bir dengeyi sağlar: ince hataları yakalayacak kadar hassas, aynı zamanda operatörleri gürültü ile boğmayacak kadar disiplinli.
Önemli noktalar:
- SCS, eşikleri yerel olarak stabil rejimlere uyum sağlar, hata oranını düşürür.
- MACS, verileri birden fazla zaman ölçeğinde değerlendirir, hızlı patlamaları ve dalgalanmaları daha az sahte uyarıyla yakalar.
- Her ikisi de patent bekleyen NVIDIA yenilikleri, denetimsiz ve anlaşılırdır, NV-Tesseract-AD’nin ötesinde uygulama potansiyeline sahiptir.
Gerçek Dünya Etkisi
Değerlendirmelerimiz, sadece liderlik tablolarını geçmek üzerine değildi. Soruyu daha basit bir hale getirdik: Difüzyon tekniklerinin ve uyarlanabilir eşiklerin gürültülü, çok değişkenli veri setlerine uygulandığında ne olur?
Önceden bahsettiğimiz gibi, Genesis ve Calit2 kamu veri setleri üzerinde yaptığımız testlerde, modeller arasında belirgin bir fark vardı. Versiyon 1.0, ya basit sonuçlar üretti ya da hiçbir sonuç elde edemedi. Fakat versiyon 2.0, difüzyon ve uyarlanabilir eşiklerle, gerçek yapıları ve gürültüden ayırmayı başardı; daha önce sistemin görmediği anomalleri ortaya çıkardı. Bu fark sadece doğrulukla değil, aynı zamanda sağlamlıkla ilgiliydi; eski yöntemlerin zayıf kaldığı gürültü ve kıtlık koşullarında bile performansı sürdürdü.
Bu sağlamlık, gerçek dünya durumlarına doğrudan taşınır. Sağlık hizmetlerinde, sorun anomali eksikliği değil, sahte alarmların bolluğudur. Yoğun bakım ünitesindeki klinik uzmanlar, her küçük dalgalanmaya müdahale edemezler. Gereksinim duydukları şey, hasta için spesifik temeller oluşturabilen, eşikleri dinamik olarak uyarlayan ve yalnızca önemli sapmaları öne çıkaran bir sistemdir. NV-Tesseract-AD bu yaklaşımın, gereksiz alarmları azaltmada, klinik güveni artırmada ve gerçek bir anomali ortaya çıktığında hızlı yanıtların sağlanmasında nasıl etkili olabileceğini gösterir.
Havacılık sektöründe ise, telemetri, bir misyonun farklı aşamalarında büyük farklılıklar gösteren binlerce kanalı kapsamaktadır. Statik bir eşik, operatörleri, uzay aracının mod değiştirmesi sırasında alarm yağmuruna tutabileceği gibi, kritik bir hata öncesinde ince bir kaymayı da kaçırabilir. Difüzyon modelleme ve uyarlanabilir eşikleri birleştirerek, NV-Tesseract-AD anomali tespitinin beklenen rejim kaymalarını ve gerçek anomalleri ayırt edebilmesi için gösterdiği performansı sunar—örneğin, bir rover tekerleğindeki beklenmedik tork değişiklikleri gibi, görev sonlandırıcı hale gelmeden önce sinyalleri öne çıkarır.
Bulut işlemleri açısından ise, güvenilirlik, çok çeşitli metriklerin izlenmesine dayanır; burada, ani dalgalanmalar ile uzun vadeli eğilimler, her ikisi de kritik öneme sahip olabilir. Operatörler yalnızca alarmlar değil, güven duyabilecekleri alarmlar ihtiyacı içindedir. Çok ölçekli eşikler, NV-Tesseract-AD’nin API hata patlamalarını, uzun vadeli dalgalanmalardan ayırt edebilmesini sağlamaktadır. Sonuç olarak, olay yanıt süreçleri hızlanır ve mühendislerin güvenildiği gösterge panellerinde gürültü azalır.
Önemli noktalar:
- Noisy veri setleri olan Genesis ve Calit2 üzerinde yapılan değerlendirilmeler, difüzyon ve eşiklerle olan performans farkını göstermektedir.
- Gerçek dünya etkileri, sağlık hizmetlerinde sahte alarmların azaltılması, havacılıkta rejim değişikliklerinin ayırt edilmesi ve bulut operasyonlarında gürültünün filtrelenmesiyle ilgilidir.
- Çerçeve, gürültü ve kaymalara karşı dayanıklılık gösterir; bu, kritik durumlarda güven inşa etme gerektiren bir ön koşuldur.
Anomali Tespitinin Gelecek Nesli için Ümit Verici Bir Yön
Anomali tespiti her zaman yapay zekanın en kalıcı sorunlarından biri olmuştur. Statik kurallar değişikliklere karşı başarısız olur ve gelişmiş derin öğrenme modelleri gürültülü, yüksek boyutlu ortamlarda çökme yaşar. NV-Tesseract-AD, difüzyon modelleme, müfredata dayalı öğrenme, uyarlanabilir eşikler ve dikkatle yapılmış tasarım iyileştirmelerini bir araya getirerek endüstriler genelinde daha akıllı anomali tespit sistemleri geliştirmek için bir çerçeve sunar.
Değerlendirmelerimiz, difüzyon ve uyarlanabilir eşikler uygulandığında, anomali tespit sistemlerinin gürültüye daha dayanıklı, çok değişkenli karmaşıklıkları yönetme yeteneği daha yüksek ve operatörler gözünde daha güvenilir hale geldiğini göstermektedir. Daha kapsamlı değerlendirmeler ve iyileştirmeler hala devam etse de, günümüze kadar yapılan çalışmalar, gelecek nesil anomali tespit sistemlerinin geliştirilmesi için umut verici bir yön sunduğunu göstermektedir.
NV-Tesseract-AD ile Başlayın
NV-Tesseract-AD, başlangıçta bir değerlendirme lisansı ile müşteri önizlemesi olarak sunulacak ve gelişmiş zaman serisi modelleme yeteneklerini ilk elden keşfetme fırsatı verecektir. Kullanıcılar kendi veri setlerini getirebilir, müfredata dayalı difüzyonla anomali tespitini çalıştırabilir ve tespit hassasiyetlerini ihtiyaçlarına göre ayarlayabilirler. Sistem, konsept kanıtından keşif üretim denemelerine kadar ölçeklenir ve mevcut MLOps boru hatlarına ve tespit yöntemlerine entegre edilir.
NVIDIA DGX Cloud ekibi ile iletişime geçin ve bir demo talep edin, zaman serisi gereksinimlerinizi tartışın ve NV-Tesseract-AD’nin anomali tespit iş akışınızın temel taşı olmasını keşfedin.
SEMICON West Etkinliği’nde 7-9 Ekim 2025’te katılacak mısınız? “Akıllı Üretim ve Tahminsel Bakım için Zaman Serisi Modelleme” başlıklı oturumumuza katılmayı unutmayın.
