Aller au contenu
English

Types d'anomalies

  • Leçon 2
  • 30 min
  • Module 1 : Ce que « inhabituel » veut dire

Où nous en sommes

Nous avons vu un paiement qu'une personne remarque tout de suite. Mais un événement inhabituel n'est pas toujours une seule valeur étrange. Certains sont normaux à midi et étranges à 3 h du matin. D'autres semblent normaux quand on les regarde séparément. Dans cette leçon, nous nommons les quatre types d'anomalies et trouvons un exemple de Larkfield pour chacun.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 2 sur 38 · Détection d'anomalies : trouver ce qui est inhabituelTypes d'anomalies
Aperçu du cours

Ce que vous saurez faire

Nommez le type d’anomalie que vous cherchez avant de choisir une méthode. Un détecteur qui vérifie un paiement à la fois ne peut pas voir certaines anomalies. Elles existent seulement dans un groupe ou dans un contexte.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 30 minutes

Ce que vous devez savoir

  • Ce qu’est une anomalie, le budget de 50 alertes par jour et le coût d’un cas manqué ou d’une fausse alerte, dans Le paiement qui ne cadrait pas.
  • Comment lire un graphique en courbes. Lire les distributions, dans Mathématiques et statistiques essentielles pour l’IA, montre l’habitude de lire les axes en premier.

Ce qu’il vous faut sur votre ordinateur

Rien. Cette leçon ne contient aucun code.

Une enseignante observe sa classe chaque matin. Voici quatre choses qu’elle pourrait remarquer :

  1. Un enfant est beaucoup plus grand que tous les autres. Une valeur est loin des autres.
  2. Un enfant porte un épais manteau d’hiver. En janvier, c’est normal. En juillet, c’est étrange. Le manteau reste le même; le mois le rend inhabituel.
  3. Tous les enfants chuchotent le même mot au même moment. Un chuchotement est normal. Trente à la fois ne le sont pas.
  4. À partir d’un lundi, la classe est toujours un peu plus bruyante qu’avant, et elle le reste. Aucune journée n’est étrange à elle seule, mais le niveau normal a changé.

Ce sont les quatre types d’anomalies de ce cours. Chacun demande une façon différente d’observer. Si l’enseignante vérifie seulement chaque enfant séparément, elle voit l’enfant de grande taille. Elle ne remarque jamais les chuchotements, parce qu’aucun enfant ne fait quelque chose de mal à lui seul.

Dans la dernière leçon, une personne pouvait facilement remarquer la carte volée de la cliente C-01234. Un programme voit seulement ce que vous lui demandez de comparer. Regardez de nouveau les huit paiements au Portugal. Pris séparément, chacun représente un petit montant, proche des paniers habituels de la cliente. Ensemble, huit paiements en 7,4 minutes depuis un nouveau pays signalent clairement un problème.

Avant de choisir une méthode, demandez-vous donc : quelle unité semble inhabituelle? Est-ce une valeur, une valeur dans son contexte, un groupe de valeurs ou le niveau d’une série entière? La réponse détermine ce que le détecteur doit comparer. Certaines méthodes ne peuvent pas voir certains types d’anomalies.

Une anomalie ponctuelle est une valeur loin des autres valeurs. C’est l’enfant de grande taille. C’est le type le plus facile à trouver, et la plupart des méthodes simples le recherchent.

La cliente C-08459 est une cliente individuelle. De juillet à novembre 2025, elle a fait 17 paiements honnêtes de 19,18 à 116,52 dollars. La moitié étaient inférieurs à 41,05 dollars : cette valeur du milieu s’appelle la médiane. Puis, le 5 octobre 2025 à 13 h 24, un paiement de 260,89 dollars est arrivé d’Italie :

Ses 17 paiements honnêtes Le paiement inséré
Montant De 19,18 à 116,52 dollars (médiane de 41,05) 260,89 dollars
Multiple de sa médiane De 0,5 à 2,8 6,4
Heure De 6 h à 23 h 13 h

Le paiement représente environ 6,4 fois sa médiane. Le corrigé le classe comme une prise de contrôle de compte : quelqu’un a accédé à son compte Larkfield. Cette personne a payé avec la carte enregistrée. L’heure est ordinaire, donc le montant porte le signal. Dans le prochain module, vous mesurez par un nombre l’écart par rapport à l’habitude, pour chaque paiement.

Anomalies contextuelles : normales ici, étranges ailleurs

Section intitulée « Anomalies contextuelles : normales ici, étranges ailleurs »

Une anomalie contextuelle est une valeur normale dans un contexte et étrange dans un autre. C’est le manteau d’hiver en juillet. Deux types d’information se rencontrent ici. Le contexte indique où ou quand une valeur survient : l’heure, le jour, le client, la région. La valeur est ce que vous mesurez : un montant, un nombre, une latence.

Larkfield compte ses paiements par carte chaque heure. À midi, le nombre habituel est de 132 paiements. À 4 h du matin, il est de 11. Ces nombres « habituels » sont les médianes de la même heure sur les 183 jours de données de paiement.

Le 31 juillet 2025, entre 4 h et 5 h du matin, Larkfield a reçu 59 paiements. À midi, 59 paiements représenteraient une heure calme : moins de la moitié des 132 paiements habituels. À 4 h du matin, 59 représente plus de cinq fois les 11 paiements habituels. La valeur 59 n’est pas étrange; 59 à 4 h du matin l’est.

Le corrigé l’explique : 50 de ces 59 paiements ont été insérés, et 47 faisaient partie d’un même test de cartes. Cela nous mène au troisième type.

Anomalies collectives : chaque événement est normal, le groupe est étrange

Section intitulée « Anomalies collectives : chaque événement est normal, le groupe est étrange »

Une anomalie collective est un groupe d’événements inhabituel dans son ensemble, même si chaque événement semble normal séparément. C’est toute la classe qui chuchote en même temps.

Les voleurs achètent souvent des listes de numéros de cartes volées. Avant de dépenser de gros montants, ils vérifient quelles cartes fonctionnent encore avec de tout petits paiements. C’est ce qu’on appelle le test de cartes.

Le 18 octobre 2025, de 4 h 54 à 5 h 40, un appareil (D-606ea539) a fait 45 paiements chez Larkfield, depuis le Japon. Chaque paiement utilisait la carte d’un client différent, pour un montant de 1,02 à 4,89 dollars. Regardez un seul paiement. Un paiement de 3 dollars est petit, mais les clients honnêtes font aussi de petits paiements. Les données de Larkfield comptent 719 paiements honnêtes de 5 dollars ou moins. Rien dans un seul paiement n’indique un « test de cartes ». Le groupe l’indique : un appareil, 45 cartes, 46 minutes.

Un détecteur qui attribue un score à chaque paiement selon l’historique du client voit 45 clients. Chacun a un petit paiement légèrement inhabituel. Un détecteur qui compte les paiements par appareil et par heure voit le groupe tout de suite.

Trois petits graphiques côte à côte. Anomalie ponctuelle : les 18 paiements d'une cliente en ordre chronologique, surtout entre 19 et 117 dollars, et un point bien au-dessus à 260,89 dollars. Anomalie contextuelle : une courbe du nombre habituel de paiements pour chaque heure de la journée, bas la nuit et élevé à midi et en soirée, et un point à 4 h du matin avec 59 paiements, bien au-dessus de la courbe à cette heure, mais sous la courbe à midi. Anomalie collective : 45 points entre 1 et 5 dollars sur 46 minutes, chacun ordinaire, avec une accolade au-dessus du groupe entier.
Les trois types, avec les données de Larkfield. Ponctuelle : une valeur loin des autres. Contextuelle : 59 paiements en une heure, c'est calme à midi et étrange à 4 h du matin. Collective : 45 tout petits paiements depuis un appareil, chacun avec la carte d'un autre client.
Description textuelle du diagramme

L’image contient trois petits graphiques. Le premier montre une anomalie ponctuelle. Il présente les 18 paiements de la cliente C-08459 en ordre chronologique, sur un axe vertical de 0 à 300 dollars. Dix-sept points se situent entre 19 et 117 dollars. Un point se trouve bien au-dessus, à 260,89 dollars. Le deuxième montre une anomalie contextuelle. Une courbe indique le nombre habituel de paiements pour chaque heure de la journée, de 0 à 23. Il est bas la nuit (environ 6 à 11 paiements) et élevé à midi (132) et en soirée (139). Un point à 4 h du matin représente 59 paiements. Il est bien au-dessus de la courbe à 4 h, mais sous la courbe à midi. Une ligne pointillée partant du point montre que 59 serait ordinaire plus tard dans la journée. Le troisième montre une anomalie collective. Quarante-cinq points entre 1 et 5 dollars sont répartis sur 46 minutes. Aucun point ne se distingue. Une accolade au-dessus de tous les points marque le groupe : un appareil, 45 cartes.

Le quatrième type concerne le temps. Un point de rupture est un moment où le niveau normal d’une série passe à un nouveau niveau et y reste. C’est la classe qui devient plus bruyante à partir d’un lundi. Aucune journée ne semble étrange à elle seule. Mais après le changement, chaque journée est un peu différente d’avant.

Grace, responsable du soutien chez Larkfield, surveille le taux de remboursement : la part des commandes que le service de soutien rembourse. Depuis le 7 avril 2025, Larkfield utilise un nouveau transporteur, et davantage de colis arrivent endommagés. Nous avons inséré ce changement : le taux de remboursement augmente de 0,3 point de pourcentage et reste à ce niveau. Dans les données, le taux était de 2,13 % avant le 7 avril 2025 et de 2,43 % après.

  • Avant le nouveau transporteur
  • À partir d'avril 2025 (nouveau transporteur depuis le 7 avril)
Taux de remboursement mensuel de Larkfield. Avant avril 2025, chaque mois se situe entre 1,98 % et 2,28 %. À partir de mai 2025, chaque mois se situe entre 2,30 % et 2,54 %. Aucun mois n'est extrême à lui seul; le niveau a changé.
Description textuelle du graphique

Le graphique montre le taux de remboursement de chaque mois d’avril 2024 à décembre 2025, sur un axe de 1,5 % à 3 %. Les douze premiers mois, d’avril 2024 à mars 2025, montent et descendent entre 1,98 % et 2,28 %. Avril 2025, le mois du changement, affiche 2,22 %. De mai 2025 à décembre 2025, chaque mois se situe entre 2,30 % et 2,54 %. La courbe ne fait pas un bond sur un seul mois. Elle passe à un niveau plus élevé et y reste.

Regardez un seul mois, par exemple juin 2025, avec 2,42 %. C’est élevé, mais pas frappant, et un détecteur d’anomalies ponctuelles pourrait ne jamais le signaler. C’est le niveau de la série entière qui a changé. Le module 3 enseigne les cartes de contrôle, conçues précisément pour cette question. Un petit décalage durable est difficile à trouver, et le cours mesure le temps dont chaque carte a besoin pour le détecter.

Les points de rupture ne sont pas tous des problèmes. Le 15 octobre 2025, Larkfield a ajouté le paiement à son application. Avant, l’application envoyait les clients payer sur le site Web. Dans les semaines suivantes, 60 % des clients ont commencé à payer dans l’application. Ils utilisaient un téléphone que la boutique n’avait jamais vu pour eux. Nous avons aussi inséré ce changement, comme un changement normal. Le graphique montre la part des paiements quotidiens faits sur un appareil nouveau pour le client :

La part des paiements sur un appareil nouveau pour le client. Dans le mois avant le lancement de l'application, elle était de 3,89 % en moyenne; dans le mois suivant, de 20,68 %. Le niveau normal a changé, et rien ne va mal.
Description textuelle du graphique

Le graphique montre une valeur pour chaque jour du 1er juillet au 30 novembre 2025. La valeur représente la part des paiements faits sur un appareil que le client n’avait jamais utilisé. Jusqu’à la mi-octobre, la courbe reste basse, surtout entre 2 % et 5 %, avec de petites hausses. À partir du 15 octobre, jour du lancement de l’application, elle monte en une semaine pour atteindre entre 20 % et 30 %. Puis elle redescend lentement, jusqu’à environ 5 % à la fin de novembre. Les téléphones utilisés dans l’application deviennent alors des appareils connus. Dans le mois avant le lancement, la moyenne était de 3,89 %; dans le mois suivant, de 20,68 %.

Pour un détecteur de fraude, un « nouvel appareil » signalait fortement une carte volée, comme pour la cliente C-01234. Après le lancement, des milliers de clients honnêtes ont un nouvel appareil. La part redescend plus tard, parce que chaque téléphone utilisé dans l’application n’est nouveau qu’une fois. Mais désormais, ces clients paient sur un appareil différent d’avant. Un détecteur qui a appris « nouvel appareil signifie danger » envoie maintenant beaucoup de fausses alertes. C’est aussi un point de rupture, mais la bonne réponse n’est pas d’envoyer une alerte. C’est d’apprendre le nouveau niveau normal. Le module 9 montre l’effet de ce changement sur une tâche de détection et comment une vérification de dérive le remarque.

Type Ce qui est inhabituel Unité de vérification Exemple de Larkfield
Anomalie ponctuelle Une valeur loin des autres Un paiement 260,89 dollars pour une cliente dont la médiane est de 41,05
Anomalie contextuelle Une valeur étrange dans son contexte Un paiement, une heure ou une journée, avec son contexte 59 paiements à 4 h du matin (11 habituellement)
Anomalie collective Un groupe dont chaque membre semble normal Un appareil, un client ou une fenêtre de temps 45 cartes sur un appareil en 46 minutes
Point de rupture Le niveau normal d’une série Une série dans le temps : une journée, une semaine Le taux de remboursement : 2,13 % → 2,43 %

Un événement réel peut appartenir à plusieurs types à la fois. Les huit paiements au Portugal forment une anomalie collective (huit en 7,4 minutes). Ils sont aussi contextuels (2 h du matin pour une cliente qui achète le samedi matin). Ce n’est pas un problème. L’important est qu’une vérification puisse voir l’événement, et que vous sachiez laquelle.

Demandez-vous quel est le coût avant de créer un détecteur pour un type. Une anomalie ponctuelle dans les commandes de Larkfield au Vendredi fou est réelle, mais prévue et sans danger. N’envoyez pas d’alerte. Un point de rupture du taux de remboursement coûte de l’argent chaque jour où personne ne le remarque. Il justifie donc une vérification plus lente et attentive. Une anomalie collective comme le test de cartes précède des vols plus importants. La trouver tôt coûte peu, et la manquer coûte cher.

Exercice guidé : nommer le type, l’unité et les coûts

Section intitulée « Exercice guidé : nommer le type, l’unité et les coûts »

Voici six questions de Larkfield. Pour chacune, écrivez trois choses : le type d’anomalie, l’unité de vérification et le coût d’un cas manqué ou d’une fausse alerte. Utilisez les coûts de la dernière leçon. Dites « compter séparément » quand le coût n’a pas de valeur monétaire.

  1. Lisez la question 1 et sa réponse ci-dessous pour voir le format.
  2. Pour les questions 2 à 6, écrivez vos trois réponses avant d’ouvrir le corrigé.
  3. Comparez. Si votre unité est différente, demandez-vous : ma vérification pourrait-elle voir cet événement?
  1. Sofia : « Un client paie depuis cinq pays en une heure. »
  2. Grace : « À partir d’une certaine semaine, l’agent A-17 rembourse beaucoup plus de commandes que les autres agents. »
  3. Amira : « La latence de ticket-api est de 900 ms à 3 h du matin, quand presque personne ne l’utilise. »
  4. Sofia : « Un appareil paie avec les cartes de 30 clients différents en 20 minutes. »
  5. Mei, l’ingénieure de données : « Le flux de remboursements envoie zéro remboursement pendant une journée entière. »
  6. Omar : « Après le lancement de l’application, les clients paient-ils d’une nouvelle façon? »
Afficher les réponses
  1. Collective (chaque paiement peut sembler normal; cinq pays en une heure ne le sont pas). Unité : un client dans une courte fenêtre de temps. Cas manqué : les montants volés, plus 15 dollars chacun. Fausse alerte : 3 dollars de révision. Un voyageur honnête bloqué est compté séparément.
  2. Point de rupture pour cet agent : à partir d’une certaine semaine, son taux de remboursement est plus élevé et le reste. Unité : un agent par jour ou par semaine. Cas manqué : des remboursements injustifiés chaque jour jusqu’à ce que quelqu’un le remarque. Fausse alerte : le temps de Grace et un agent interrogé pour rien (compter séparément).
  3. Contextuelle. Une latence de 900 ms pourrait être normale à l’heure la plus occupée. Mais à 3 h du matin, le service est calme. Unité : une minute du service, avec l’heure comme contexte. Cas manqué : un service lent qui empire. Fausse alerte : le temps d’Amira pendant la nuit.
  4. Collective : un test de cartes. Unité : un appareil dans une courte fenêtre de temps. Cas manqué : les cartes testées servent plus tard à des vols plus importants. Fausse alerte : 3 dollars de révision.
  5. Une anomalie ponctuelle dans la série quotidienne (une journée bien en dessous de toutes les autres). Unité : une journée du flux. C’est un défaut de données, pas un événement d’affaires : un détecteur de problèmes de remboursement verrait une « très bonne journée ». Cas manqué : des rapports et des graphiques erronés. Fausse alerte : le temps de Mei. Dans les données du cours, le flux envoie des zéros le 10 novembre 2025.
  6. Un point de rupture qui n’est pas un problème : le niveau normal a changé. Unité : la part des paiements sur un nouvel appareil, par jour. La bonne action est d’apprendre le nouveau niveau normal, pas d’envoyer une alerte chaque jour.

Reprenez la question 4 et changez une condition : l’appareil utilise 30 cartes en 20 jours plutôt qu’en 20 minutes. Est-ce encore une anomalie collective? Quelle unité permettrait de la voir, et quelle raison honnête pourrait l’expliquer?

Afficher la réponse

Cela peut encore être inhabituel, mais une fenêtre d’une heure ne contient maintenant qu’un ou deux paiements au maximum. Rien ne semble étrange. Pour le voir, l’unité doit être « un appareil sur plusieurs jours ». Par exemple, le nombre de cartes différentes utilisées par un appareil en 30 jours. Une raison honnête est possible : une tablette familiale partagée ou un ordinateur de bureau où plusieurs personnes paient. Une fenêtre plus longue englobe davantage de ces cas honnêtes et produit donc plus de fausses alertes. Avant de créer cette vérification, demandez-vous combien d’appareils utilisés honnêtement présentent ce comportement.

Erreur courante

Un score par paiement ne détecte pas le test de cartes

Symptôme : Tomás crée un score pour chaque paiement : l’écart entre son montant et la médiane propre à ce client. Pour les prises de contrôle de comptes, il fonctionne bien. Pour les tests de cartes, il ne trouve presque rien, et aucun message d’erreur n’explique pourquoi.

Cause : le score compare un paiement à l’historique d’un seul client. Un test de cartes est une anomalie collective. Chacun des 45 clients fait un petit paiement. Aucun paiement ne s’éloigne beaucoup du montant habituel de son client. Dans le module 2, vous mesurez ce phénomène. Le score par client trouve 53,4 % des paiements liés aux prises de contrôle de comptes. Il trouve toutefois seulement 5,0 % des paiements liés aux tests de cartes. Une règle compte les paiements de chaque appareil dans la dernière heure. Elle trouve 52,2 % des paiements liés aux tests de cartes. Elle trouve 0 % des prises de contrôle de comptes. Les deux résultats sont mesurés pendant les mois d’évaluation.

Solution : déterminez d’abord le type d’anomalie, puis choisissez l’unité. Utilisez un score par paiement pour les anomalies ponctuelles. Pour les anomalies collectives, comptez les paiements par appareil ou par client dans une fenêtre de temps. La plupart des systèmes réels combinent plusieurs vérifications.

Conséquence pour le travail en IA : un détecteur excellent pour un type d’anomalie peut être aveugle à un autre. Si vous présentez un seul résultat global, cette lacune reste cachée. Les règles, et quand une règle est la bonne réponse présente côte à côte le rappel pour chaque type de fraude.

Vérifiez votre compréhension

Donnez un exemple de Larkfield pour chaque type : anomalie ponctuelle, contextuelle, collective et point de rupture. Pour chaque exemple, nommez l'unité de la vérification.

Afficher la réponse
  • Ponctuelle : le paiement de 260,89 dollars de la cliente C-08459, comparé à une médiane de 41,05. Unité : un paiement.
  • Contextuelle : 59 paiements entre 4 h et 5 h le 31 juillet 2025. Cette heure en compte habituellement 11 (et midi, 132). Unité : une heure, avec l’heure de la journée comme contexte.
  • Collective : 45 paiements de 1,02 à 4,89 dollars, chacun sur la carte d’un client différent. Ils proviennent d’un seul appareil en 46 minutes (un test de cartes). Unité : un appareil dans une fenêtre de temps.
  • Point de rupture : le taux de remboursement est passé de 2,13 % à 2,43 % après l’arrivée d’un nouveau transporteur le 7 avril 2025. Unité : le taux quotidien ou mensuel au fil du temps.

Vérifiez votre compréhension

Prédisez et expliquez : le lancement de l'application a fait passer la proportion de paiements sur un nouvel appareil de 3,89 % à 20,68 %. Un détecteur de fraude continue de traiter « nouvel appareil » comme un avertissement important. Que se passe-t-il, et le point de rupture est-il un problème?

Afficher la réponse

Le détecteur envoie beaucoup plus d’alertes. Presque toutes les nouvelles alertes concernent des clients honnêtes qui ont commencé à utiliser l’application. Les fausses alertes occupent les 50 places de Sofia et écartent les vraies fraudes. Le point de rupture lui-même n’est pas un problème : la normale a changé pour une bonne raison. La bonne réponse consiste à remarquer le changement et à apprendre la nouvelle normale. Par exemple, vous pouvez entraîner de nouveau le modèle sur des données récentes. Ne déclenchez pas d’alerte pour chaque nouvel appareil.

Vérifiez votre compréhension

Pourquoi un détecteur très efficace pour les anomalies ponctuelles peut-il quand même manquer les tests de cartes?

Afficher la réponse

Un test de cartes est une anomalie collective. Chaque petit paiement utilise la carte d’un client différent. Comparé à l’historique de chaque client, il est donc seulement un peu inhabituel. Un score qui vérifie un paiement à la fois ne voit jamais le groupe. Dans les données du cours, un score de montant par client trouve 5,0 % des paiements liés aux tests de cartes. Un décompte des paiements de chaque appareil dans la dernière heure en trouve 52,2 % (les deux résultats sont mesurés).

Récapitulatif

  • Une anomalie ponctuelle est une valeur éloignée des autres : 260,89 dollars pour une cliente dont la médiane est de 41,05.
  • Une anomalie contextuelle est normale dans un contexte et étrange dans un autre. Une heure avec 59 paiements est calme à midi (habituellement 132) et étrange à 4 h (habituellement 11).
  • Une anomalie collective est un groupe étrange dont chaque membre semble normal : 45 cartes sur un appareil en 46 minutes.
  • Un point de rupture est un changement durable du niveau normal : le taux de remboursement est passé de 2,13 % à 2,43 %. Certains points de rupture sont de bonnes nouvelles, comme le lancement de l’application. La bonne réponse consiste alors à apprendre la nouvelle normale.
  • Le type d’anomalie détermine l’unité de la vérification. Une vérification avec la mauvaise unité ne voit pas ce type d’anomalie.

Vous pouvez maintenant nommer ce que vous cherchez et l’unité qui permet de le voir. Mais pour créer un détecteur, vous avez aussi besoin d’exemples. Combien de paiements savons-nous être frauduleux, et combien savons-nous être honnêtes? Vous verrez ensuite pourquoi les bonnes réponses sont si rares ici et comment cela détermine la méthode.

Leçon suivante : Les étiquettes sont rares, et cela change tout