Kaspersky annonce le lancement et la disponibilité de Machine Learning for AnomalyDetection (MLAD), une solution conçue pour détecter les anomalies dès leur apparition dans les processus de production. Le détecteur de la solution s’appuie sur des algorithmes de machine learning qui analysent les données de télémétrie transmises par les capteurs posés sur les équipements industriels.
La solution Kaspersky MLAD signale les dysfonctionnements matériels en émettant des alertes dès que les paramètres du processus de fabrication commencent à afficher des valeurs inattendues. Son interface graphique dispose de nombreuses fonctionnalités qui facilitent l’analyse détaillée des anomalies. Kaspersky MLAD peut également s’intégrer aux systèmes de contrôle existants pour diffuser des alertes sur les tableaux de bord des opérateurs.
Un analyseur d’anomalies détectées
Kaspersky MLAD dispose également d’une interface graphique pour analyser les anomalies détectées. En consultant les graphiques temporels de l’ensemble des processus monitorés, un expert peut voir ce qui a cessé de fonctionner, à quel moment et dans quelle partie du système.
Le réseau neuronal de la solution Kaspersky MLAD analyse en temps réel les données de télémétrie issues des différents capteurs utilisés lors du processus de production. Il détecte les écarts mineurs tels que les changements de dynamique ou de corrélation au niveau des signaux et émet une alerte avant que les valeurs n’atteignent leur seuil minimal et n’affectent les performances. Cela permet aux opérateurs d’anticiper et de mettre en œuvre des actions de prévention.
Pour pouvoir détecter les anomalies, le réseau neuronal commence par mémoriser le comportement habituel de la machine à partir de l’historique des données de télémétrie. Si un paramètre du processus de production change — par exemple, si un nouveau type de matière première est introduit — ou si une partie de l’équipement est remplacée, un opérateur peut réexécuter le module de machine learning pour mettre à jour le réseau neuronal.
