Définition
Détection d’anomalies
La détection d’anomalies repère les cas qui sortent de l’ordinaire dans un flux de données.
En clair
La détection d’anomalies identifie les événements rares ou inhabituels par rapport à un comportement normal appris.
Comment ça marche
Le modèle apprend d’abord à quoi ressemble le « normal » (souvent sans étiquettes), puis signale ce qui s’en écarte trop. Pas besoin d’avoir vu la fraude à l’avance : il suffit qu’elle détonne.
Un exemple concret
Une banque bloque un paiement inhabituel (montant, lieu, heure) ; une usine détecte une machine dont les vibrations dérivent avant la panne ; un système repère une connexion suspecte.
Les limites
Trouver le bon seuil est délicat : trop sensible, il crie au loup (faux positifs) ; trop laxiste, il laisse passer les vrais problèmes.
À retenir
Trouver l’aiguille anormale dans la botte de foin : fraude, panne, intrusion.
Questions fréquentes
Faut-il connaître les fraudes à l’avance ?+
Non, c’est l’intérêt : on modélise le normal et on repère les écarts.
Beaucoup de fausses alertes ?+
Le risque existe ; on ajuste le seuil selon le coût d’une erreur.
Usages typiques ?+
Fraude, cybersécurité, maintenance prédictive, qualité.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.