이상징후 감지를 위해 사용되는 인공지능 기술은 크게 지도학습, 비지도학습 기반으로 나뉘는데 지도학습은 현업 전문가가 학습할 데이터셋에 '정상', '비정상' 라벨링을 하고 이를 기반으로 예측하는 모델을 만드는 것으로 이미 잘 알고 계실 것입니다. 

 현실에서는 지도학습 대신 반지도학습(semi-supervised), 비지도학습(unsupervisedb) 방식이 많이 사용됩니다. 이유는 '이상치' 데이터가 정상데이터 대비 극히 적기 때문입니다. 예를 들어 생산라인에서 수집한 센서 데이터 가운데 거의 대부분은 정상 데이터이고 고장 징후를 나타내는 이상 신호는 극히 드뭅니다. 실제로 고장이 나거나 날 상황이 되어야 수집이 가능한텐데 이상치 데이터를 많이 수집할 수 있는 그런 공장이 현실적으로 운영된다면 문제가 되겠죠? 생산라인 외에도 금융거래나 기타 다른 분야에서도 이는 같은 상황입니다. 

 결국 정상 데이터를 학습 단계에서 사용하여 정상적인 경우의 데이터 분포를 추정하는 모델을 만들어서 입력되는 데이터가 이 분포와 얼마나 다른지 (혹은 거리 상 떨어져 있는지)를 계산해서 지정한 임계치를 넘어서면 이상치로 판단하게 됩니다. 하지만 이상치가 정상데이터 분포를 벗어나긴 했으나 우리가 찾고자 하는 목적(예: 불량 판정)에 맞는 케이스인지 아닌지에 대한 판단을 위해서는 추가적인 작업이 필요할 수 있습니다. 

이상징후 감지를 위해 다음과 같은 기법의 딥러닝 모델이 사용됩니다. 용도에 따라서는 시계열, 이미지 이상징후 감지 등으로 다시 구분할 수 있습니다.

제가 찾아본 링크들을 알려 드릴게요.