Naukowcy opracowali nową metodę wykrywania anomalii w inteligentnych fabrykach, która ma wyeliminować słabą stronę popularnych systemów monitorowania. Problem jest taki: tradycyjne modele sztucznej inteligencji trenowane na danych ze wszystkich przetwarzanych produktów rozpoznają anomalie mniej dokładnie, bo muszą być tolerancyjne dla różnych trybów pracy. Tworzy się coś na kształt "ślepego punktu" – systemy mogą przegapić subtelne zaburzenia lub ataki cyberatakujące infrastrukturę produkcyjną właśnie dlatego, że są zbyt permisywne. Proponowana metoda Product-Aware Autoencoder pracuje inaczej: uczy się modeli dedykowanych dla każdego typu produktu osobno, co pozwala na znacznie ściślejsze granice normalnego zachowania.
Tło tej pracy jest istotne dla branży Industry 4.0, gdzie systemy cyber-fizyczne coraz bardziej wplatają się w procesy wytwórcze. Bezpieczeństwo i niezawodność produkcji zależy teraz od zdolności sieciowych systemów do samoobrony – zarówno przed błędami procesowymi, jak i od rosnącego zagrożenia cyberatakami. Dotychczasowe rozwiązania globalne były proste w implementacji, ale miały ten wymieniony wcześniej problem z obszarami mroku.
Badacze przetestowali swoją metodę na benchmarku Extended Tennessee Eastman Process, klasycznym standardzie w branży. Wyniki pokazują, że model świadomy produktu wypadł porównywalnie do globalnego podejścia na standardowych metrykach, ale wykazał lepszą odporność na anomalie charakterystyczne dla danego typu produkcji. To oznacza praktycznie przydatne rozwiązanie dla fabryk, gdzie jednocześnie przetwarzane są różne towary – od chemii po elektronikę – a bezpieczeństwo procesu nie może zostać skompromitowane przez ogólnikowe filtry.