Deep Learning für Finanzsektor, Cyber-Sicherheit und IT-Monitoring Wormser Startup erkennt fix und präzise Anomalien

Anbieter zum Thema

ASAP Holding GmbH

DAXTEN GmbH

VON ZUR MÜHLEN'SCHE GmbH

STACKIT GmbH & Co. KG

Das KI-Startup Mainthink stellt mit „Deepant“ ein Deep-Learning-System für eine multiviarate Erkennung von Anomalien vor. Es soll gängigen Verfahren in Präzision sowie Verarbeitungszeit überlegen sein und im Finanzsektor und der Cyber-Sicherheit, aber auch im Hardware-Monitoring zum Einsatz kommen.

Das Wormser Startup Mainthink, das KI- (Künstliche Intelligenz) und simulationsbasierte Systeme für strategische Entscheidungsvorschläge entwickelt, hat das System für Anomalie-Erkennung „Deepant“ vorgestellt. Das vom Team rund um den Mainthink-CTO Igor Kadoshchuk entwickelte Deep-Learning-System soll Unregelmäßigkeiten in komplexen Datenmustern genau und zugleich schnell erkennen.

Zentrales Einsatzgebiet soll der Bankensektor werden. Mainthink betont die Effektivität von Deepant aber auch für das Monitoring und die Wartung von IT-Systemen sowie für die Cyber-Sicherheit. So soll Deepant bei der Erkennung von Geräteausfällen, Sensorstörungen und operativen Ineffizienzen wie auch bei der Signalisierung unbefugter Zugriffe, betrügerischer Aktivitäten und Verletzungen der Datensicherheit gängigen Ansätzen voraus sein.

So profitieren auch Sicherheitsexperten von generativer KI

GenAI ist nicht nur ein Cybercrime-Tool

Grundlage: Kontext- oder Korrelationsanalyse im Zeitverlauf

Dafür setze das Deepant (Deep Learning for Anomaly Detection in Time Series) auf spezifische neuronale KI-Architekturen (Convolutional Neural Networks), die eine zuverlässige Identifikation und Abstraktion lokaler Muster auch jenseits strikter Reihenfolgen ermöglichen sollen. Hinzu kämen zusätzlich entwickelte (und nicht weiter spezifizierte) Komponenten zur Klassifizierung von Anomalien und zur Anpassung an dynamische Datenumgebungen in Echtzeit.

Deepant sei insbesondere präziser und schneller als Verfahren der statistischen Zeitreihenanalyse (wie ARIMA) und der linearen Dimensionsreduktion (rPCA), ebenfalls im Vergleich zu neuronalen Netzen zur Erkennung langfristiger Abhängigkeiten (LSTM) und zu auf so genannten Isolationsbäumen basierenden Maschinellen Lernverfahren (Isolation Forest). Die Anomalie-Erkennung mit diesen Methoden zeige Schwächen vor allem bei komplexen Datensätzen mit mehreren (multivariaten) Messreihen, gerade wenn sich Abweichungen nur im Zusammenspiel mehrerer – für sich genommen unauffälliger – Werte zeigen.

Etwa könne sich ein Mitarbeiter in ein internes IT-System einloggen, sich zugleich aber gemäß Zutrittsprotokollen außerhalb des Gebäudes befinden. Auf Einzelvariablen ausgelegte Ansätze wären in solchen Fällen außerstande, den (regelkonformen) Login mit dem (ebenfalls unauffälligen) Verlassen des Gebäudes zu korrelieren.

Überlegen in Benchmarks gegen traditionelle Verfahren

Deepant hingegen analysiert laut Mainthink zuverlässig das Verhältnis mehrerer Variablen im Zeitverlauf: abweichende Datenpunkte (etwa Sensordaten), Muster (viele gescheiterte Logins in einer kurzen Zeitspanne), unerwartete Korrelationen zwischen Variablen (Logins aus unterschiedlichen Zeitzonen) oder fehlende Kausalitäten (System meldet abgeschlossene Aufgabe, obwohl diese noch nicht initiiert wurde).

Reschki – Ressourceneffizient mit HPC und KI

5 Pilotprojekte für intelligente Ressourcennutzung

So habe Deepant in Vergleichstests gegen nicht-kontextuelle Verfahren stets die höchsten Werte bei Präzision und Verarbeitungszeit erzielt. Vergleiche des Mainthink-Ansatzes mit anderen multivariaten Erkennungssystemen für Anomalien, etwa in der Datenanalyse und in der Cyber-Sicherheit, sowie mit KI-gestützten Observability-Tools in Rechenzentren sind nicht publiziert.

(ID:50487905)