Anomalieerkennung bezeichnet die automatische Identifikation von Datenpunkten, Mustern oder Ereignissen, die signifikant vom definierten Normalverhalten abweichen. Ein Anomalie-Erkennungssystem lernt, wie „normal“ aussieht – entweder durch explizit definierte Schwellenwerte oder durch statistische Modelle, die Normalmuster aus historischen Daten ableiten – und schlägt Alarm, sobald ein Datenpunkt oder eine Sequenz außerhalb dieses Normalbereichs liegt.
Anomalieerkennung ist einer der wertvollsten Anwendungsfälle von Machine Learning in der Unternehmensautomation, weil viele kritische Probleme – Betrug, Cyberangriffe, Maschinenausfälle, Prozessabweichungen – sich durch Abweichung vom Normalverhalten ankündigen, bevor sie als Fehler explizit erkennbar werden.
Anomalietypen und Erkennungsansätze
Punktanomalien
Einzelner Datenpunkt weicht stark vom Normalwert ab. Beispiel: Eine Transaktion über 50.000 € bei einem Kunden, dessen Durchschnitt 200 € beträgt.
Kontextanomalien
Datenpunkt ist normal in anderem Kontext, aber nicht hier. Beispiel: 30 °C Außentemperatur ist normal im August – anomal im Januar.
Kollektive Anomalien
Einzelne Datenpunkte normal, aber Sequenz als Ganzes auffällig. Beispiel: 20 kleine Transaktionen in 10 Minuten – kein einzelner auffällig, das Muster schon.
Strukturanomalien
Veränderung im grundlegenden Verhaltensregime. Beispiel: Prozess, der bisher stabil 100 Einheiten/Stunde liefert, bricht dauerhaft auf 40 ein.
Anomalieerkennung in der Automation
- Betrugserkennung: Ungewöhnliche Transaktionsmuster werden in Millisekunden erkannt und geblockt oder eskaliert
- Prozessüberwachung: Abweichungen von definierten Prozessnormen (Durchlaufzeit, Fehlerrate, Volumen) werden sofort gemeldet
- Predictive Maintenance: Maschinensensoren werden auf Anomalien überwacht – ungewöhnliche Vibration oder Temperatur kündigt Ausfall an
- Sicherheitsmonitoring: Ungewöhnliche Zugriffsmuster auf Systeme oder Daten werden als potenzielle Sicherheitsvorfälle markiert
- Qualitätskontrolle: Produktionsparameter außerhalb der Normkurve lösen automatisch Qualitätsalerts aus
Schwellenwertbasiert vs. ML-basiert
Schwellenwertbasierte Anomalieerkennung definiert feste Grenzen: „Transaktion über 10.000 € = Anomalie“. Einfach, aber starr – sie übersieht kontextuelle Anomalien und produziert viele Fehlalarme. ML-basierte Anomalieerkennung lernt das dynamische Normalverhalten und erkennt auch subtile Abweichungen – aber erfordert Trainingsdaten und kann schwieriger zu erklären sein. In der Praxis werden beide kombiniert: Schwellenwerte für klare Extremwerte, ML für kontextuelle Muster.
Praxisbeispiel
Ein Zahlungsdienstleister setzt ML-basierte Anomalieerkennung für Echtzeit-Betrugserkennung ein. Das Modell lernt für jeden Kunden ein individuelles Verhaltensprofil: typische Transaktionsbeträge, Tageszeiten, Händlerkategorien, geografische Bereiche. Wenn eine Transaktion von diesem Profil signifikant abweicht – ein unbekannter Händler in einem fremden Land, ungewöhnliche Uhrzeit, dreifacher Normalbetrag – berechnet das Modell einen Risikoscore. Über Schwellenwert: Transaktion wird blockiert, Kunde erhält Push-Benachrichtigung zur Bestätigung. Das System verarbeitet 3.000 Transaktionen pro Sekunde und trifft jede Entscheidung in unter 50 Millisekunden.
