Využití metod ML a XAI pro detekci anomálií z událostních logů v automobilovém průmyslu v jazyce Python

Kateřina Remešová

Bachelor's thesis

The Utilization of ML and XAI Methods for Anomaly Detection fro Event Logs in Automotive Industry using Python

Abstract:

Cílem bakalářské práce je poskytnout podrobný přehled metod pro detekci anomálií a zkoumat jejich aplikaci na data v automobilovém průmyslu. V teoretické části jsou rozebrány jednotlivé metody, včetně tradičních statistických, vzdálenostních a pravidlových přístupů, stejně jako moderních strojových učení (ML), jako jsou Isolation Forest a Local Outlier Factor (LOF). Dále je zdůrazněna důležitost vysvětlovat blackboxová řešení pomocí metod Explainable Artificial Intelligence (XAI), které umožňují lepší porozumění a důvěru v modely strojového učení. V praktické části práce jsou tyto metody aplikovány na reálná data z automobilového průmyslu týkající se části výrobního procesu vozidel. Pro každou metodu je provedeno důkladné vyhodnocení jejich výkonnosti, interpretace a vhodnosti pro konkrétní úlohy detekce anomálií. V rámci tohoto vyhodnocení jsou zkoumány také různé strategie předzpracování dat včetně nevyváženosti tříd, které mohou mít vliv na účinnost a spolehlivost detekce anomálií. Závěrem práce jsou prezentována doporučení a limity jednotlivých metod detekce anomálií v kontextu automobilového průmyslu. Tato doporučení zahrnují optimální postupy pro nasazení a ladění těchto metod, stejně jako možné směry pro další výzkum a rozvoj v oblasti detekce anomálií a vysvětlitelné umělé inteligence. Bakalářská práce tak přispívá k aktuálním diskusím a úsilí o zlepšení bezpečnosti, spolehlivosti a výkonnosti vozidel a poskytuje užitečný základ pro další výzkum v této oblasti.

Abstract:

The aim of this bachelor thesis is to provide a detailed overview of anomaly detection methods and to investigate their application to automotive industry data. The theoretical part discusses each method, including traditional statistical, distance and rule-based approaches, as well as modern machine learning (ML) approaches such as Isolation Forest and Local Outlier Factor (LOF). Furthermore, the importance of explaining black box solutions using Explainable Artificial Intelligence (XAI) methods is highlighted, allowing for better understanding and confidence in machine learning models. In the practical part of the thesis, these methods are applied to real data from the automotive industry concerning a part of the vehicle manufacturing process. For each method, a thorough evaluation of their performance, interpretation and suitability for specific anomaly detection tasks is performed. As part of this evaluation, different data preprocessing strategies are also investigated, including class imbalances that may affect the efficiency and reliability of anomaly detection model. Finally, the paper presents recommendations and limitations of different anomaly detection methods in the context of the automotive industry. These recommendations include optimal practices for deploying and tuning these methods, as well as possible directions for further research and development in anomaly detection and explainable artificial intelligence. The thesis contributes to current discussions and efforts to improve vehicle safety, reliability and performance and provides a useful basis for further research in this area.

Keywords

Detekce anomálií, Isolation Forest, LOF, XAI

Keywords

Anomaly detection, Isolation Forest, LOF, XAI

Language used: Czech

Date on which the thesis was submitted / produced: 8. 5. 2023

Thesis defence

• Date of defence: 14. 6. 2023
• Supervisor: Tomáš Kliegr
• Reader: Petr Máša

Vysoká škola ekonomická v Praze

Bachelor programme:
Aplikovaná informatika