Pourquoi la détection d’anomalies compte pour les entreprises
La détection d’anomalies repère les motifs inhabituels dans les données d’une entreprise avant qu’ils ne deviennent de vrais problèmes : à quoi elle sert, et pourquoi elle compte.
La détection d’anomalies repère, dans un flux de données, les observations qui ne se comportent pas comme les autres : la vibration qui change de forme avant qu’un roulement lâche, la voie de télémesure qui dérive, le navire qui passe là où aucun ne devrait. Elle compte parce que l’évènement rare est celui qui coûte, et parce qu’aucune équipe ne peut surveiller des milliers de séries à l’œil. Qu’elle soit rentable dépend de deux choses que la méthode elle-même ne règle pas : comment les anomalies sont définies, et combien de fausses alarmes l’exploitation peut absorber.
Trois sortes d’anomalies
La synthèse de Chandola, Banerjee et Kumar (2009) les distingue par ce qui rend l’observation anormale.
| Sorte | Ce qui est anormal | Sur un signal |
|---|---|---|
| Ponctuelle | Une valeur, hors plage à elle seule | Un pic dans une série de pression |
| Contextuelle | Une valeur normale ailleurs, anormale ici | Un courant normal à pleine charge, anormal au ralenti |
| Collective | Une suite dont chaque valeur est normale, mais pas le motif | Une vibration qui garde son niveau et change de spectre |
Un seuil fixe attrape la première sorte. Les deux autres demandent le contexte, les voies voisines ou la forme de la suite, ce qu’un modèle apprend à partir d’exemples.
Pourquoi elle compte, avec les cas derrière
- Des équipements à l’essai. Sur un banc d’essai de moteur, des observations anormales dans les séries de capteurs à haute fréquence peuvent rendre des spectrogrammes entiers inutilisables ; les détecter et les corriger est ce qui conserve l’information de l’essai. Ezako a publié une approche par apprentissage profond de ce problème avec Safran Aircraft Engines en 2021.
- Une exploitation à grande échelle. L’ANFR veille sur plus de 76 000 sites radio en France. En 2020, Ezako a prédit les sites les plus susceptibles de révéler une anomalie, pour que les contrôles soient ordonnés par vraisemblance plutôt que par liste.
- Des systèmes qu’on ne peut pas visiter. Un satellite se surveille par sa seule télémesure. En 2020, le CNES a confié à Ezako la détection d’anomalies sur celle-ci, à côté des méthodes de surveillance classiques, qu’elle ne remplace pas.
- Des contraintes embarquées. Au sein du projet DeepGreen piloté par le CEA (2023), la détection devait tourner sur un microcontrôleur : le modèle se juge à sa taille et à son énergie autant qu’à son rappel.
- La surveillance en mer. Sur des enregistrements d’hydrophones et de fibre, l’anomalie est un passage de navire, une signature inhabituelle, une source jamais vue. Les projets RAPID DASMIA avec Alseamar (2022) et XPERT (2025), soutenus par la DGA et l’Agence de l’innovation de défense, travaillent à les détecter en temps réel sur les plateformes elles-mêmes.
Ce qui décide de la rentabilité
| Seuils fixes | Détection apprise | |
|---|---|---|
| Attrape | Les anomalies ponctuelles | Les anomalies ponctuelles, contextuelles et collectives |
| Demande | Les limites d’un ingénieur, par voie | Des exemples labélisés, relus |
| Fausses alarmes | Nombreuses quand les conditions changent | Fixées par un point de fonctionnement, mesurées en alarmes par heure |
| Défauts inconnus | Manqués sauf s’ils franchissent une limite | Trouvés quand ils s’écartent du normal appris |
| Entretien | Des limites révisées à la main | Un jeu de données versionné, un modèle réentraîné sur les détections validées |
La ligne qui compte est celle des fausses alarmes. Un détecteur qui signale dix évènements par heure qu’un analyste doit rejeter est éteint dans le mois ; le point de fonctionnement se choisit sur un jeu de validation, à la précision que l’exploitation peut supporter, et le rappel est ce que cette précision permet. Chaque détection est ensuite validée ou rejetée par une personne, et chaque décision est un nouveau label : le détecteur progresse sur les données du client, et le nombre de fausses alarmes est mesuré, pas supposé.
Par où commencer
- Nommer les anomalies qui coûtent quelque chose, avec les gens qui font tourner l’équipement.
- Labéliser un premier échantillon d’enregistrements et le relire.
- Mesurer un premier détecteur sur des données mises de côté, au point de fonctionnement que l’exploitation demande.
- Le mettre en service avec validation humaine, et versionner le jeu de données à mesure que les labels s’accumulent.
Les algorithmes, l’analyse de données de capteurs et l’acoustique sous-marine décrivent ce qu’Ezako fournit à chaque étape.
Sources
- V. Chandola, A. Banerjee, V. Kumar, Anomaly Detection: A Survey, ACM Computing Surveys 41(3), 2009.
- Ezako, Une approche par apprentissage profond de la détection d’anomalies de signal, avec Safran Aircraft Engines, 2021 ; Détecter les anomalies de la télémesure de satellites, avec le CNES, 2020 ; Ezako et Alseamar, 2022 ; Ezako et XPERT, 2025 ; projets.
Publié en février 2021 ; réécrit en septembre 2026 avec les sortes d’anomalies, les cas menés depuis, et ce qui décide de la rentabilité de la détection.