Ensemble Anomaly Detection - Mlops

Machine Learning modellərinin deploy edilməsi və product olaraq istifadə edilməsi hər zaman maraqlı gəlirdi. Ancaq öyrənməyə vaxt tapa bilmirdim. Nəhayət ki tətildən istifadə edərək daha çox vaxt ayırıb end-to-end bir proyekt hazırlaya bildim. Proyekt bank sahəsində yığılmış transaction datasına əsasən bir anomaliya təspitidir. Docker üzərindən FastApi ilə deploy olunmuşdur. Yazdığım model 5 unsupervised modelinin birləşməsinə əsasən qərar verir. Bu modellər python pyod kitabxanasından KNN, İForest, HBOS, CBLOF və PCA modelləridir. Bu modellərdən ən az 3 model daxil olmuş datanı anomaliya olaraq qəbul edirsə o zaman həmin data anomaliya olaraq qəbul edilir. Əks təqdirdə data normal qəbul edilir. Hal hazırda modelin sadəcə contamination (Datada olan anomaliya nisbəti kimi düşünə bilərsiniz) adında bir hyperparametri var. Vaxt olduqca daxildəki modellərində parametrlərini model xaricinə çıxararaq istifadəçiyə model üzərində daha çox dəyişiklik etmə şansı qazandırmağa çalışacam. Bundan başqa bu model data labeling üçün istifadə edilib ardınca supervised bir model qurulub daha yaxşı nəticələrdə əldə edilə bilər. Proyekti yazarkən pre-commit metotları istifadə edərək clean code yazmağa xususiylə diqqət etdim. Proyektin github linkini şərhlərə əlavə edirəm.