Collecter des exemples
Transactions, mesures de capteurs, connexions ou comportements.
Trouver ce qui sort de l’ordinaire
Comment une IA détecte-t-elle une anomalie ?
Le système apprend ou décrit ce qui paraît habituel, puis attribue un score d’étrangeté aux observations qui s’en éloignent. Une anomalie est un signal à examiner, pas automatiquement une fraude, une panne ou une menace.
À retenirRare ne signifie pas dangereux. Dangereux ne signifie pas toujours rare. Le contexte et la vérification humaine restent essentiels.
Anomalie possible
Le principe général
Décrire la normale, mesurer l’écart, choisir un seuil
Repérer la zone habituelle
Densité, distance, reconstruction ou règles apprises.
Calculer un score d’anomalie
Plus l’observation s’écarte, plus le score peut augmenter.
Déclencher une vérification
Le seuil traduit un compromis entre alertes et cas manqués.
Deux situations distinctes
Nettoyer un historique ou surveiller du nouveau
Les anomalies sont déjà dans l’entraînement
La méthode cherche la zone la plus dense tout en écartant les observations déviantes.
La référence est supposée normale
Le système apprend sur des cas propres, puis juge de nouvelles observations.
Un même écart, plusieurs explications
L’alerte commence l’enquête
Exemple concret : un paiement effectué à l’étranger peut être inhabituel pour un compte sans être frauduleux. Le système signale l’écart ; une vérification du contexte permet de décider.
- 1
Événement légitime rare
Un achat exceptionnel pendant un voyage. - 2
Erreur de donnée
Capteur défectueux, unité différente ou valeur manquante. - 3
Changement durable
Une nouvelle habitude devient progressivement normale. - 4
Incident réel
Fraude, intrusion, panne ou dérèglement à confirmer.
Le seuil change tout
Sensible ou sélectif ?
Un seuil bas capture davantage de situations inhabituelles mais surcharge les contrôles. Un seuil élevé réduit les alertes tout en augmentant le risque de manquer un incident.
Rappel élevé, nombreux faux positifs possibles.
Contrôles ciblés, anomalies discrètes parfois manquées.
Avant le déploiement
Quatre précautions
- 1
Définir le coût des erreurs
Une fausse alerte et un cas manqué n’ont pas le même impact. - 2
Tester les saisons et groupes
La normale varie selon l’heure, le lieu ou la population. - 3
Expliquer le signal
Montrer les facteurs ayant rendu le cas inhabituel. - 4
Actualiser la référence
Surveiller la dérive sans apprendre automatiquement les incidents.
Sources techniques
Pour vérifier et approfondir
Ces références distinguent la détection de valeurs aberrantes présentes dans l’historique, la détection de nouveautés et l’évaluation concrète de plusieurs méthodes.
scikit-learnNovelty and Outlier Detection →scikit-learnÉvaluer des détecteurs de valeurs aberrantes →
Sources consultées le 28 septembre 2026.
Choisir dans l’abondance
D’autres modèles classent des milliers de contenus pour proposer les plus pertinents.
Comprendre une notion
Gardez le fil de votre apprentissage.
Une étape courte et clairement reliée à ce que vous venez de lire.