Data Anomalies – الكشف الآلي¶

الغرض¶

تقوم وحدة Data Anomalies بتحديد الشواذ في مجموعات بياناتك تلقائيًا — دون الحاجة لكتابة قواعد.
تراقب باستمرار جودة تسليم البيانات، وتتعلّم ما هو "الطبيعي" وتكتشف الانحرافات في الوقت الحقيقي.

من خلال استخدام كشف مستند إلى الذكاء الاصطناعي، تكتشف digna أخطاء البيانات الصامتة مثل السجلات المفقودة، المكررة، أو التالفة التي قد تشوّه التقارير، نماذج التعلم الآلي، ولوحات المعلومات.

نظرة تقنية عامة¶

المقاييس المحللة¶

تقوم digna بعمل بروفايل مستمر للجوانب التالية من بياناتك:

حجم السجلات – إجمالي عدد الصفوف، يوميًا أو على أساس دفعات
القيم المفقودة – اكتشاف الحقول الفارغة أو null
التوزيعات والهيستوغرامات – مراقبة تغيّر شكل التوزيع في البيانات
نطاق القيم – التعرف التلقائي على القيم الخارجة عن النطاق أو القيم المتطرفة
التفرد – فحوصات لمفاتيح مكررة أو إدخالات مكررة

الكشف الذكي عن الشواذ¶

يستخدم التعلّم من التاريخ لتحديد الحدود المتوقعة ديناميكيًا
يكتشف الانحرافات في الحجم، توزيعات القيم، أو العلاقات المنطقية
يوظف الذكاء الاصطناعي لتعديل العتبات تلقائيًا بناءً على وقت اليوم أو الأنماط الموسمية
يفرّق بين التقلبات الإحصائية والشواذ الحقيقية
ينتج مقاييس تفصيلية ودرجات ثقة لكل مجموعة بيانات وعمود

سيناريوهات الاكتشاف¶

فيما يلي أمثلة لمشكلات العالم الحقيقي التي تلتقطها وحدة Data Anomalies تلقائيًا:

السيناريو	الوصف
هبوط أو ارتفاعات مفاجئة في الحجم	اختفاء نصف المعاملات اليومية، تحميل دفعات مكررة، أو طفرة مفاجئة في البيانات
قيم مفقودة أو null	اكتمال عمليات الاستخراج لكن أعمدة حيوية تُركت فارغة
انحرافات في التوزيع	تغير مفاجئ في متوسط مبلغ الشراء أو عدد المعاملات لكل منطقة
تبديل أعمدة	تبدّل أعمدة مثل first_name و last_name عن طريق الخطأ خلال ETL
قيم تصنيفية غير متوقعة	مثل ظهور "Zurich" ضمن قائمة المدن النمساوية
فقدان المفردية المفاجئ	بدأت معرفات كانت فريدة سابقًا بالتكرار بسبب أخطاء ضم من المصدر العلوي

البنية والتنفيذ¶

التنفيذ داخل قاعدة البيانات: تُنفّذ كل منطق كشف الشواذ داخل محرك قاعدة البيانات (Teradata, Snowflake, Databricks, PostgreSQL, إلخ.)
لا نقل للبيانات: تقرأ digna المقاييس فقط، ولا تنقل البيانات الخام خارجيًا أبدًا
تحديثات تراكمية: تُحلّل كل مرة شُقوق البيانات الجديدة فقط من أجل الكفاءة
تردد فحص قابل للتكوين: كل ساعة، يوميًا، أو مفعّل بواسطة عمليات علويّة
تخزين النتائج: تُكتب المقاييس وعلامات الشذوذ مرة أخرى إلى مخطط المراقبة الخاص بـ digna للتصوّر والتنبيه

الفوائد¶

المجال	الفائدة
الأتمتة	يلغي مئات من استعلامات SQL اليدوية أو تعريفات القواعد
الدقة	يكتشف مشكلات غالبًا ما يفشل فيها العتبات الثابتة
القابلية للتوسّع	يراقب ملايين السجلات لكل جدول بكفاءة
التكامل	يعمل بسلاسة مع digna Data Analytics لتحليل الاتجاهات
الامتثال	يضمن السيطرة المستمرة على جودة وقابلية رصد البيانات
الشفافية	يوفّر درجات ثقة، طوابع زمنية، وأكواد سبب لكل شذوذ

كيف يتعلّم digna ما هو "الطبيعي"¶

مرحلة البروفايل: تجمع digna مقاييس من مجموعات البيانات التاريخية.
مرحلة التعلّم: تحدد نماذج الذكاء الاصطناعي الأنماط المتكررة (موسمية، أسبوعية، يومية).
مرحلة المراقبة: تُقارن مجموعات البيانات المستقبلية بالعتبات التي تعلّمت ديناميكيًا.
مرحلة التنبيه: تُرفع الانحرافات التي تتجاوز حدود الثقة الإحصائية كشواذ.

جميع النماذج قابلة للتفسير، حتمية، ومُحسّنة لأحجام بيانات مؤسسية.

أمثلة على حالات الاستخدام¶

مراقبة جودة البيانات في نُظم معاملات البنوك
كشف فشل التحميل في وظائف ETL أو مستودعات البيانات
تحديد نشاط عملاء غير طبيعي في سجلات الاتصالات
مراقبة اتساق البيانات السريرية في قنوات تحليلات الرعاية الصحية
منع تعطل لوحات البيانات في بيئات BI والتقارير

الأسئلة المتكررة¶

هل تتطلّب وحدة Data Anomalies قواعد محددة مسبقًا؟
لا — تُعلِّم الوحدة نفسها من سلوك البيانات تلقائيًا.

هل يمكنني تحديد عتبات محددة إن رغبت؟
نعم. تسمح digna بالجمع بين الكشف المستند إلى الذكاء الاصطناعي والكشف المعتمد على القواعد (عبر Data Validation).

كيف يتم تقليل الإيجابيات الكاذبة؟
تستخدم الوحدة التعلّم التكيفي وتقييم ثقة إحصائية لتجاهل التغيرات الموسمية الطبيعية.

أين تتم عمليات المعالجة؟
تجري كل المعالجات داخل قاعدة بياناتك — لا تستخرج digna البيانات الخام.

هل هي مناسبة للبيانات الحساسة أو المنظمة؟
نعم. تعمل digna بالكامل محليًا (on-premises) أو في سحابة خاصة وتلتزم بمعايير الامتثال الأوروبية.