Détection d'anomalies : repérez les signaux faibles avant qu'ils ne deviennent des problèmes
La détection d'anomalies par IA identifie automatiquement les comportements qui s'écartent de la normale dans un flux de données : mesures de capteurs, consommations, transactions, journaux informatiques, trajectoires ou séquences vidéo. Le modèle apprend ce qu'est un fonctionnement « normal », puis signale tout écart significatif, même d'un type jamais observé.
C'est la brique de base de la maintenance prédictive, de la détection de fraude, de la cybersécurité comportementale et de la surveillance de process.
Pour qui ?
- Industrie : surveillance de machines tournantes, pompes, compresseurs, lignes de production.
- Transport et mobilité : matériel roulant, aéronautique, flottes de véhicules.
- Énergie et utilities : réseaux électriques, fuites d'eau, consommations atypiques de bâtiments.
- Banque, assurance, e-commerce : fraude, transactions et sinistres suspects.
- IT et cybersécurité : comportements réseau ou utilisateurs anormaux.
- Sécurité et retail : comportements anormaux en vidéo (chute, attroupement, objet abandonné).
Comment ça fonctionne ?
- Définition de la normalité : avec les experts métier, on qualifie les modes de fonctionnement normaux et les anomalies connues.
- Collecte des données : séries temporelles de capteurs, logs, transactions ou vidéo, synchronisées et nettoyées.
- Extraction de caractéristiques : tendances, fréquences, corrélations entre capteurs, contexte (charge, température).
- Modélisation non supervisée ou semi-supervisée : autoencodeurs, isolation forest, clustering, modèles de prédiction dont l'erreur sert d'indicateur.
- Score d'anomalie et seuils : calibrés pour équilibrer alertes manquées et fausses alertes.
- Explication et priorisation : quel capteur, quel équipement, quelle cause probable.
- Boucle de retour : les diagnostics des techniciens enrichissent le modèle, qui peut ensuite devenir supervisé.
Expertises mobilisées
- Machine learning sur séries temporelles et apprentissage non supervisé (méthodes IA).
- Computer vision pour les anomalies en vidéo.
- Data engineering IoT : collecte, stockage et synchronisation de capteurs (expertise data).
- Edge AI : détection directement sur l'équipement, au plus près du capteur (déploiement IA).
- Expertise métier : maintenance, fiabilité, risques.
Contraintes et points de vigilance
- Rareté des anomalies : les pannes sont peu nombreuses, ce qui rend l'apprentissage supervisé difficile, voire impossible.
- Fausses alertes : trop d'alertes et les équipes cessent de les regarder. Le réglage des seuils est critique.
- Changements de régime : nouveau produit, saison, maintenance peuvent être pris pour des anomalies.
- Explicabilité : une alerte sans explication est rarement suivie d'action.
- Vie privée : l'analyse de comportements humains est encadrée par le RGPD et l'AI Act.
Exemple concret
SNCF Voyageurs surveille par télédiagnostic 2 500 trains (sur 17 000 entretenus). Faute de pannes en nombre suffisant pour un apprentissage supervisé (moins de 450 pannes commerciales pour 200 rames de banlieue), la direction du Matériel a choisi une approche non supervisée : les données des capteurs des portes, pantographes, batteries et compresseurs sont comparées entre équipements similaires, et ceux qui s'écartent du groupe sont signalés pour maintenance. Résultat : jusqu'à 3 fois moins de pannes en service commercial sur les lignes équipées (Hub France IA, 2024).
Dans l'aéronautique, easyJet a évité 35 annulations techniques en août 2022 grâce à la maintenance prédictive Skywise d'Airbus (Airbus).
Pourquoi Micelia ?
Micelia sait travailler avec peu d'anomalies étiquetées, sur des données hétérogènes (capteurs, images, vidéo), et déployer les modèles au plus près des équipements grâce à son expertise en IA embarquée. Nous construisons avec vos équipes des alertes compréhensibles et actionnables.
CTA : Vous collectez des données capteurs sans les exploiter ? Parlons de votre cas.
FAQ
Faut-il un historique de pannes pour démarrer ? Non. Les approches non supervisées apprennent à partir du fonctionnement normal.
Quelle différence avec des seuils d'alarme classiques ? Les seuils surveillent une mesure à la fois. L'IA analyse les combinaisons de mesures et leur contexte, et détecte des dérives plus tôt.
Peut-on détecter des comportements anormaux en vidéo ? Oui (chute, intrusion, objet abandonné), sans reconnaissance des personnes.
