Aller au contenu
English

Expliquer une alerte

  • Leçon 35
  • 30 min
  • Module 8 : Apprendre des réviseurs

Où nous en sommes

Nos alertes sont maintenant mieux classées, mais chacune reste un simple score. Sofia doit décider en une minute. Dans cette leçon, nous trouvons les variables qui expliquent un score élevé. Nous utilisons les écarts par variable et SHAP pour le modèle de reclassement. Puis nous rédigeons une fiche d'alerte qui permet au réviseur d'agir.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 35 sur 38 · Détection d'anomalies : trouver ce qui est inhabituelExpliquer une alerte
Aperçu du cours

Ce que vous saurez faire

Transformez un score en décision. Montrez les variables qui expliquent le score élevé d’une alerte, sous une forme vérifiable en une minute. Sachez aussi ce qu’une telle explication peut et ne peut pas vous dire.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Il compare une alerte aux paiements normaux et décompose le score du modèle de reclassement (reranker) en contributions. Il calcule les valeurs SHAP et rédige une fiche d’alerte. Ses cellules de préparation installent les paquets, dont SHAP, et téléchargent les données (environ 7 Mo). Environ 30 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

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

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

Rien. Le carnet fonctionne dans Colab, Kaggle ou VS Code.

Testé avec Python 3.12.13 dans Jupyter sur macOS, avec pandas 3.1.1, scikit-learn 1.9.1 et SHAP 0.54.1. Colab et Kaggle n’ont pas été testés.

Un médecin de famille envoie une patiente à l’hôpital. Comparez deux notes. La première dit : « Score de risque de 0,93. Veuillez examiner la patiente. » La deuxième dit : « Fièvre de 39,5 °C depuis trois jours, après un voyage à l’étranger. Habituellement chez elle : aucune fièvre, aucun voyage. Veuillez faire un test de dépistage du paludisme. »

La médecin de l’hôpital peut agir en une minute avec la deuxième note. Avec la première, elle doit tout reprendre : poser les questions, faire les vérifications, comprendre pourquoi le score est élevé. Le score est peut-être juste. Mais il ne l’aide pas à décider.

Les alertes actuelles de Sofia ressemblent à la première note. Cette leçon rédige la deuxième.

Prenez l’alerte en tête de liste le 3 octobre 2025. Elle concerne la cliente de la première leçon du cours, C-01234. Le modèle de reclassement donne au paiement P-0229866 un score de 1,000 : presque certainement un cas réel. C’est tout ce que dit l’alerte.

Pour décider, une réviseuse ouvre l’historique de la cliente. Elle cherche les montants habituels, le pays habituel, les appareils et les heures. Le tableau comparatif suppose 3 minutes pour comprendre une alerte d’Isolation Forest (forêt d’isolement), une hypothèse du cours. Avec 50 alertes par jour, cela fait 150 minutes, avant toute action.

Un score seul cache aussi les cas faciles. Plus loin dans cette leçon, un panier payé en plusieurs fois sur un nouveau téléphone figure aussi parmi les 50 premières alertes. Son score est de 0,387. Sans raisons, la réviseuse doit le vérifier aussi attentivement qu’un vol.

Une explication répond à la question : quelles variables ont rendu ce score élevé? Il y en a deux types, et ce cours utilise les deux.

  1. Écarts par variable. Comparez chaque variable du paiement aux paiements normaux, une variable à la fois. Cela fonctionne avec tout détecteur, car on ne regarde pas à l’intérieur du modèle. Cela répond à la question : « Qu’est-ce qui est inhabituel dans ce paiement? »
  2. Contributions, ou valeurs SHAP. Décomposez le score du modèle en une partie par variable. Chaque partie indique de combien cette variable a changé le score. On regarde ici à l’intérieur du modèle. Cela répond à la question : « Qu’est-ce qui a changé le score du modèle? »

Les deux réponses ne sont pas les mêmes. Un paiement peut être inhabituel d’une façon que le modèle ignore. Et le modèle peut utiliser une variable qui n’a rien d’inhabituel. Une bonne fiche d’alerte utilise le premier type pour décrire le paiement, et le deuxième pour choisir les raisons à montrer.

Pour un nombre, utilisez la cote z robuste du module 2. Elle indique la distance entre la valeur et la médiane des paiements normaux, en sigmas robustes. Un sigma robuste mesure la dispersion avec l’écart absolu médian (MAD). Quelques valeurs extrêmes ne peuvent donc pas l’élargir. Pour une variable oui/non, donnez la proportion de paiements normaux qui indiquent oui. Ici, normal désigne les mois de référence, de juin à août 2025.

Le carnet le fait pour l’alerte de la cliente présentée au début du cours :

log_amount_vs_usual 0.00 (normal 0.00, +0.0 robust sigma)
new_country yes (1.1% of normal payments say yes)
new_device yes (4.3% of normal payments say yes)
log_minutes_since_last 0.76 (normal 8.75, -4.7 robust sigma)
payments_last_hour 8 (normal 1; most payments have 1)
device_payments_last_hour 8 (normal 1; most payments have 1)
night yes (3.3% of normal payments say yes)
is_business no (24.4% of normal payments say yes)

Lisez le résultat comme une réviseuse. Un nouveau pays : seulement 1,1 % des paiements normaux en ont un. Un nouvel appareil : 4,3 %. La nuit : 3,3 %. Huit paiements dans la dernière heure, alors que la normale est un. Et très peu de temps depuis le dernier paiement. Mais le montant ressemble à son montant habituel.

Certaines variables ont une dispersion de 0 : la plupart des paiements normaux ont exactement la même valeur, ici 1. Une cote z robuste ferait une division par 0. Le carnet écrit donc plutôt la valeur à côté de la valeur normale.

Regardez maintenant à l’intérieur du modèle de reclassement. C’est une régression logistique : une somme pondérée des variables mises à l’échelle, transformée en score de 0 à 1.

Voici un modèle construit, assez petit pour faire le calcul à la main. Il a une constante de −2,0 et trois variables oui/non :

Variable Poids Ce paiement Contribution = poids × valeur
Nouvel appareil 1,5 oui (1) 1,5
Nouveau pays 1,0 oui (1) 1,0
Nuit 0,5 non (0) 0

La somme est −2,0 + 1,5 + 1,0 + 0 = 0,5. La fonction logistique la transforme en score : 1 ÷ (1 + e−0,5) = 0,62. Chaque contribution indique de combien une variable a changé la somme. Le nouvel appareil l’a changée le plus. La nuit ne l’a pas changée du tout, car ce paiement n’a pas eu lieu la nuit.

Les contributions se mesurent par rapport à une référence : ici, un paiement dont toutes les variables valent 0. Changez la référence, et toutes les contributions changent. Retenez ce point. Il compte pour le vrai modèle.

Le vrai modèle de reclassement met d’abord chaque variable à l’échelle. Une valeur mise à l’échelle de 0 signifie « l’alerte révisée moyenne ». Ses contributions comparent donc le paiement à l’alerte moyenne, et non à un paiement normal. Pour l’alerte de la cliente présentée au début :

value scaled weight contribution
iso 0.79 1.57 1.98 3.11
is_business 0.00 -0.90 -1.72 1.56
new_device 1.00 0.85 1.78 1.52
new_country 1.00 1.17 1.22 1.42
night 1.00 1.56 0.68 1.06
log_minutes_since_last 0.76 -0.68 -0.91 0.62
device_payments_last_hour 8.00 -0.10 1.08 -0.11
log_amount_vs_usual 0.00 0.51 -0.72 -0.37
payments_last_hour 8.00 0.89 -0.55 -0.48
intercept 0.17 + contributions 8.34 = 8.50
score from the sum: 0.9998 | predict_proba: 0.9998

La décomposition est exacte : 0,17 + 8,34 = 8,50, et la fonction logistique de 8,50 donne le score du modèle.

Les six variables qui ont augmenté le score du modèle de reclassement pour l'alerte de la cliente du début, le 3 octobre 2025. Score : le score d'Isolation Forest. Personnel : pas un compte d'entreprise. Appareil : un nouvel appareil. Pays : un nouveau pays. Écart : peu de temps depuis le dernier paiement. Les trois autres variables l'ont un peu diminué (−0,11, −0,37, −0,48).
Description textuelle du graphique

Un diagramme à six colonnes, de la plus grande à la plus petite. Le score du détecteur contribue pour 3,11. Le fait de ne pas avoir un compte d’entreprise contribue pour 1,56. Un nouvel appareil : 1,52. Un nouveau pays : 1,42. La nuit : 1,06. Peu de temps depuis le dernier paiement : 0,62. Trois variables, non illustrées, ont diminué le score. Ce sont les paiements de l’appareil dans la dernière heure (−0,11), le montant comparé au montant habituel (−0,37), et les paiements de la cliente dans la dernière heure (−0,48).

Deux contributions demandent de la prudence. « Pas un compte d’entreprise » augmente le score de 1,56. Pourquoi? Parmi les alertes révisées, 45 % concernaient des comptes d’entreprise, surtout des commandes en gros légitimes. Un compte personnel est donc plus suspect que l’alerte moyenne. C’est vrai pour le modèle. Cela n’aide pas Sofia.

Et huit paiements dans la dernière heure diminuent le score (−0,48). Beaucoup d’alertes réelles sont des tests de cartes, avec un paiement par carte volée. Parmi les alertes, plusieurs paiements d’une même cliente étaient associés à « non ». C’est le piège du signe présenté dans Expliquer les prédictions : un poids décrit les lignes d’entraînement, pas le monde.

SHAP (SHapley Additive exPlanations) est une méthode et une bibliothèque Python. Elle décompose le score de tout modèle en une valeur par variable. Leur somme égale le score moins une valeur de base. La valeur de base est la sortie moyenne du modèle sur un jeu de données de référence. Le cours d’apprentissage automatique montre pourquoi les contributions ne sont pas des causes dans Expliquer les prédictions. Lisez cette leçon avant de montrer des valeurs SHAP à qui que ce soit.

Pour un modèle linéaire à variables indépendantes, la valeur SHAP d’une variable est exactement sa contribution, mesurée depuis la moyenne de référence. Notre jeu de référence contient les 1 400 alertes révisées. Leur moyenne après mise à l’échelle est 0. La valeur de base est donc la constante, et les valeurs SHAP sont les contributions ci-dessus :

import shap
background = re_scaler.transform(labels[FEATS])
explainer = shap.LinearExplainer(re_ranker, shap.maskers.Independent(background, max_samples=len(background)))
values = explainer.shap_values(re_scaler.transform(alert[FEATS].to_frame().T.astype(float)))[0]
base value 0.17
largest difference from the contributions: 1.8e-15

La plus grande différence est 0,0000000000000018 : ce sont les mêmes nombres. Un détail : par défaut, shap ne garde que 100 lignes du jeu de référence, choisies au hasard. Les valeurs changent alors un peu, et la valeur de base n’est plus la constante. Le carnet utilise les 1 400 lignes.

Pour un modèle de reclassement linéaire, vous n’avez pas besoin de la bibliothèque. Elle devient utile quand le score du modèle de reclassement ne se décompose pas aussi facilement. C’est le cas des arbres à renforcement de gradient. Pour le détecteur, ce cours utilise les écarts par variable : ils sont plus simples à lire.

Rédigez maintenant l’alerte. Une bonne fiche comporte cinq parties :

  1. Le paiement, en une ligne : qui, quand, combien, où.
  2. La normale de la cliente, selon son propre historique.
  3. Les principales raisons, en mots, tirées des contributions, en gardant seulement celles qui décrivent le paiement.
  4. Ce que nous avons omis, pour éviter les questions.
  5. La décision et sa première action.

Voici la fiche de la cliente présentée au début :

Deux versions de la même alerte. À gauche, un score seul : alerte P-0229866, cliente C-01234, score 1,000. À droite, la fiche. En-tête : alerte P-0229866, C-01234, 3 octobre 2025 à 2 h 21. Aujourd'hui : 8 paiements au Portugal en euros, de 2 h 14 à 2 h 21, 170,23 dollars au total. Celui-ci : 19,25 dollars, mobile, maison. Habitudes : paniers du samedi de 11,15 à 17,98 dollars, au Canada. Pourquoi le score est élevé : tout premier paiement depuis le Portugal, plus 1,42; un appareil jamais utilisé par cette cliente, plus 1,52; à 2 h 21, la nuit, plus 1,06; 8 paiements en une heure, habituellement 1. Absent de la fiche : score élevé du détecteur, plus 3,11, et compte personnel, plus 1,56. Décider : cas réel, bloquez la carte et appelez la cliente; sinon, marquez non et écrivez la raison.
La même alerte, comme score seul et comme fiche. La fiche garde les raisons qui comparent le paiement à la normale de la cliente. Elle indique aussi les raisons du modèle qu'elle a omises.
Description textuelle du diagramme

L’image montre deux encadrés. À gauche, « Un score seul » : alerte P-0229866, cliente C-01234, score 1,000. À droite, « La fiche », en cinq parties. L’en-tête : alerte P-0229866, cliente C-01234, 3 octobre 2025 à 2 h 21. Le paiement : aujourd’hui, 8 paiements au Portugal en euros, de 2 h 14 à 2 h 21, 170,23 dollars au total. Celui-ci est de 19,25 dollars, sur un mobile, pour des articles pour la maison. La normale : paniers du samedi de 11,15 à 17,98 dollars, au Canada. Puis « Pourquoi le score est élevé », dans un encadré à bordure épaisse. Raison 1 : tout premier paiement depuis le Portugal, plus 1,42. Raison 2 : un appareil jamais utilisé par cette cliente, plus 1,52. Raison 3 : à 2 h 21, la nuit, plus 1,06. Raison 4 : 8 paiements en une heure, alors que la cliente en fait habituellement 1. Un encadré en pointillés liste les éléments absents de la fiche : score élevé du détecteur, plus 3,11, et compte personnel, plus 1,56. Les deux sont vrais pour le modèle, mais n’aident pas à décider. Le dernier encadré : décider. Cas réel : bloquez la carte et appelez la cliente. Sinon : marquez « non » et écrivez la raison, par exemple un voyage.

Remarquez la raison 4. Sa contribution était négative, donc le modèle ne l’a pas utilisée comme raison. Mais c’est le signe le plus clair pour une personne : huit paiements en sept minutes, contre un habituellement. Les écarts l’ont trouvé. Une fiche peut utiliser les deux types d’explication.

Avec cette fiche, Sofia peut décider en moins d’une minute : une personne inconnue utilise la carte au Portugal la nuit.

Le même jour, le paiement P-0230910 est au 27e rang de la liste reclassée, avec un score de 0,387. Ses plus grandes contributions :

Variable Valeur Contribution
Compte d’entreprise non +1,56
Nouvel appareil oui +1,52
Paiements dans la dernière heure 3 +0,29
Score du détecteur 0,656 −1,95
Nouveau pays non −1,04

Rédigez sa fiche :

  • Paiement : C-15551, 3 octobre à 17 h 25, 12,99 dollars, au Canada, sur un mobile, produits de jardinage.
  • Normale : environ 24 dollars par paiement, au Canada, sur un autre mobile.
  • Aujourd’hui : trois paiements en 13 minutes : 16,22, 11,55 et 12,99 dollars, soit 40,76 dollars au total. Tous concernent des produits de jardinage, depuis le même nouveau téléphone.
  • Pourquoi il figure dans la liste : un appareil jamais utilisé par cette cliente, et trois paiements en peu de temps.

Une réviseuse lit la fiche en une minute : une cliente avec un nouveau téléphone paie un panier en trois parties, en fin d’après-midi. Elle marque non. Le corrigé confirme : c’est un panier payé en plusieurs fois, un des cas normaux mais inhabituels des données du cours. Sans la fiche, le score de 0,387 dit seulement « peut-être ».

Le tableau comparatif suppose 3 minutes pour comprendre une alerte d’Isolation Forest. Si une fiche réduit ce temps à 1 minute, l’équipe économise 2 minutes par alerte : 100 minutes par jour pour 50 alertes. Cette minute est un objectif, une hypothèse de cette leçon, pas une mesure. Pour connaître le vrai chiffre, chronométrez les révisions pendant une semaine, avec et sans fiches.

Montrer quand utiliser chaque explication, quand l’éviter, et son coût

Utilisez les écarts par variable quand :

  • Vous voulez décrire le paiement pour une personne. Ils fonctionnent avec tout détecteur, y compris Isolation Forest.
  • Les variables ont une « normale » claire : le passé de la cliente ou les mois de référence.

Utilisez les contributions ou SHAP quand :

  • Vous voulez savoir ce qui a changé le score du modèle, pour choisir les raisons à montrer.
  • Vous voulez trouver un poids qui a appris quelque chose de faux.
  • Le modèle est le modèle de reclassement, ou un autre modèle dont une personne peut lire les variables.

Ne faites pas ceci :

  • Présenter une contribution comme une cause. « Un compte personnel » a changé le score. Il n’a pas rendu le paiement frauduleux.
  • Montrer des raisons vraies seulement pour le modèle. Elles coûtent du temps au réviseur et réduisent sa confiance.
  • Rédiger une fiche à partir de valeurs SHAP de variables illisibles, comme les nombres cachés d’un autoencodeur.

Ce que cela coûte :

  • Une fonction qui rédige la fiche, et un test qui vérifie que ses nombres correspondent aux données. Le prochain module ajoute des raisons à chaque alerte de la tâche de détection.
  • Des mots pour chaque variable, rédigés une fois par l’équipe, dans la langue de Sofia.
  • Une vérification, tous les quelques mois, que les fiches restent vraies après le réentraînement du modèle.
  1. Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
  2. Exécutez les cellules de préparation. La cellule de données se termine par la ligne Ready: (prêt).
  3. Dans la section 1, exécutez la cellule. Vous voyez P-0229866 et la cliente C-01234.
  4. Dans la section 2, exécutez la cellule des écarts. new_country (nouveau pays) indique yes (1.1% of normal payments say yes) (oui; 1,1 % des paiements normaux indiquent oui).
  5. Dans la section 3, exécutez la cellule des contributions. Vous voyez intercept 0.17 + contributions 8.34 = 8.50 (constante de 0,17 + contributions de 8,34 = 8,50).
  6. Dans la section 4, exécutez la cellule SHAP. Vous voyez base value 0.17 (valeur de base de 0,17).
  7. Dans la section 5, exécutez la cellule de la fiche. Lisez les trois raisons et trouvez celle qui est vraie seulement pour le modèle.
  8. Dans la section 6, écrivez les deux réponses et exécutez chaque cellule de vérification. Chacune affiche Check passed (vérification réussie).

Changez une seule chose : expliquez le paiement P-0230910 plutôt que celui de la cliente de l’exemple d’ouverture. Avant de lancer le code, faites une prédiction : quelle variable fait le plus monter son score?

Afficher la réponse
second = day[day.payment_id == "P-0230910"].iloc[0]
largest_push = contributions(second).contribution.idxmax()
t2 = contributions(second)
score_from_sum = round(float(1 / (1 + np.exp(-(re_ranker.intercept_[0] + t2.contribution.sum())))), 3)
Check passed: largest_push is right.
Check passed: score_from_sum is 0.387.

La plus forte contribution positive vient de is_business (compte d’entreprise) : « pas un compte d’entreprise », +1,56. Le nouvel appareil arrive tout juste derrière, à +1,52. La fiche automatique commencerait donc par une raison qui n’est vraie que pour le modèle. C’est pourquoi une personne choisit les mots de la fiche, une fois, pour chaque variable. La fiche garde ensuite le nouvel appareil et les trois paiements, et retire « compte personnel ».

Erreur courante

Une fiche qui énumère les raisons du modèle

Symptôme : Tomás rédige la fiche à partir des trois plus grandes valeurs SHAP, sans autre étape. Pour la cliente de l’exemple d’ouverture, la fiche indique : « inhabituel dans l’ensemble (score du détecteur de 0,79); un compte personnel; un appareil que cette cliente n’a jamais utilisé ». Sofia lit « un compte personnel » dans presque toutes les alertes. Après une semaine, elle cesse de lire les raisons.

Cause : les valeurs SHAP expliquent le modèle, par rapport à la moyenne des alertes révisées. Un compte personnel est plus suspect que l’alerte moyenne, car beaucoup d’alertes concernaient des commandes en gros d’entreprises. Cela lui donne une grande valeur SHAP. Mais cette raison ne dit rien sur ce paiement que Sofia peut vérifier.

Solution : rédigez une fiche à partir des deux explications. Utilisez les contributions pour choisir les raisons possibles. Gardez seulement celles qui comparent le paiement aux habitudes du client, en mots. Ajoutez les écarts importants que le modèle n’utilise pas, comme huit paiements en une heure. Indiquez les raisons du modèle que vous avez écartées.

Conséquence pour le travail en IA : une explication vraie pour le modèle, mais inutile pour la personne, lui apprend à ignorer toutes les explications. Une mauvaise alerte passe alors aussi facilement qu’une bonne.

Vérifiez votre compréhension

Quelle est la différence entre un écart par variable et une valeur SHAP (ou contribution)? Donnez un exemple où ils divergent dans l'alerte de la cliente de l'exemple d'ouverture.

Afficher la réponse

Un écart par variable compare le paiement aux paiements normaux, une variable à la fois. Il fonctionne avec n’importe quel détecteur et indique ce qui est inhabituel dans le paiement. Une valeur SHAP indique de combien une variable a modifié le score du modèle, par rapport à la moyenne des alertes révisées. Pour le modèle de reclassement linéaire, elle est égale à la contribution. Les deux divergent pour les paiements de la dernière heure. Un total de 8, contre une normale de 1, représente un écart important, mais sa contribution est négative (−0,48). Parmi les alertes, beaucoup de fraudes réelles étaient des tests uniques de carte. Ils divergent aussi pour « pas un compte d’entreprise » : rien d’inhabituel, mais une contribution de +1,56.

Vérifiez votre compréhension

Pour le modèle de reclassement, montrez comment les différentes parties forment le score de l'alerte de la cliente de l'exemple d'ouverture. Expliquez pourquoi les valeurs SHAP sont égales aux contributions.

Afficher la réponse

La constante, 0,17, plus les neuf contributions (poids multiplié par la valeur mise à l’échelle), 8,34, donne une somme de 8,50. La fonction logistique 1 ÷ (1 + e−8,50) donne 0,9998, le score du modèle. Pour un modèle linéaire à variables indépendantes, une valeur SHAP correspond au poids multiplié par l’écart avec la moyenne de référence. Les 1 400 alertes révisées forment la référence, et leur moyenne après mise à l’échelle est de 0. Chaque valeur SHAP est donc égale à la contribution, et la valeur de base est la constante. Le plus grand écart dans le carnet Jupyter est de 1,8 × 10⁻¹⁵.

Vérifiez votre compréhension

Écrivez les cinq parties d'une fiche d'alerte permettant à un réviseur de décider en une minute. Indiquez les raisons que vous écartez et pourquoi.

Afficher la réponse

Les cinq parties : le paiement en une ligne (qui, quand, combien, où); les habitudes du client; les principales raisons en mots; les raisons écartées; la décision et sa première action. Écartez les raisons qui ne sont vraies que pour le modèle, comme « un compte personnel » ou « un score de détecteur élevé ». La réviseuse ne peut pas les vérifier à partir du paiement, et elles lui font perdre sa minute. Gardez les raisons qui comparent le paiement aux habitudes du client. Ajoutez les écarts importants que le modèle n’utilise pas, comme huit paiements en une heure.

Récapitulatif

  • Les écarts par variable comparent un paiement à la normale, une variable à la fois, pour n’importe quel détecteur.
  • Pour le modèle de reclassement linéaire, le score se décompose exactement en contributions : 0,17 + 8,34 = 8,50 pour la cliente de l’exemple d’ouverture. Les valeurs SHAP sont les mêmes nombres, mesurés par rapport à la moyenne des alertes révisées.
  • Une contribution représente le point de vue du modèle, pas une cause. « Un compte personnel » a modifié le score; cette raison n’aide pas le réviseur.
  • Une bonne fiche d’alerte présente le paiement, les habitudes du client, les principales raisons en mots, les raisons écartées et la première action. L’objectif : une décision en une minute plutôt qu’en trois (une hypothèse tant que vous ne mesurez pas le temps).

Le module 8 est terminé : les étiquettes des réviseurs reclassent les alertes, un échantillon aléatoire garde les étiquettes fiables, et chaque alerte s’explique. Ensuite, dans le module 9, nous plaçons le détecteur dans une tâche planifiée. Il lit les nouveaux paiements, leur attribue un score, les regroupe et envoie des alertes avec leurs raisons. Et il n’envoie jamais une alerte deux fois.

Leçon suivante : Du score à l'alerte