Detectarea anomaliilor este o tehnică de învățare automată prin care un sistem identifică automat exemple, evenimente sau tipare de date care se abat semnificativ de la comportamentul normal sau așteptat — fără a avea neapărat exemple etichetate explicit ca „anormale” în antrenament.
Există trei abordări principale: detectarea supravegheată (modelul este antrenat pe exemple etichetate atât ca normale, cât și ca anormale, dar acestea din urmă sunt de obicei rare), nesupravegheată (modelul învață doar din date normale și marchează ca anomalie orice se abate statistic de la tiparul învățat) și semi-supravegheată (o combinație a celor două, frecvent folosită în practică pentru că anomaliile reale sunt rareori suficient de numeroase pentru antrenament clasic).
Aplicațiile detectării anomaliilor sunt extrem de variate: în securitate cibernetică, identifică trafic de rețea neobișnuit care ar putea indica un atac; în sistemele financiare, marchează tranzacții suspecte de fraudă; în mentenanța industrială predictivă, detectează vibrații sau temperaturi anormale ale echipamentelor care preced o defecțiune; în sănătate, identifică valori de laborator sau semnale ECG neobișnuite care pot semnala o problemă medicală.
Algoritmii folosiți variază de la metode statistice clasice (deviația standard, scorul Z) până la tehnici moderne bazate pe rețele neuronale, precum autoencoderele — care învață să reconstituie datele normale cu eroare mică, dar eșuează vizibil la reconstituirea datelor anormale, eroarea de reconstrucție devenind astfel un semnal de anomalie.
