« La prévention est la fille de l’intelligence », disait le célèbre poète et navigateur anglais Walter Raleigh il y a quatre siècles. Mais l’explorateur ne pouvait pas prévoir que l’intelligence dont il parlait serait un jour l’intelligence artificielle. En effet, l’IA est devenue un allié fiable pour prévenir les résultats non désirés, grâce aux capacités de détection des anomalies et de prévision de sa sous-branche connue sous le nom d’apprentissage automatique.
Mais sur quoi reposent ces pouvoirs et comment peuvent-ils être exploités dans divers scénarios et cas d’utilisation de l’IA ? C’est ce que nous allons découvrir.
Des cyberdétectives à la recherche d’indices
Pour détecter des anomalies, la méthode classique dans de nombreux secteurs d’activité se fondait traditionnellement sur des règles prédéterminées. Par exemple, un système de détection des fraudes pouvait repérer les paiements par carte suspects qui dépassaient largement un seuil de dépenses. Le principal problème de cette approche est son manque de flexibilité, étant donné que l’ensemble des règles doit être continuellement mis à jour pour faire face à des scénarios en constante évolution, comme une activité anormale due à un nouveau type de logiciel malveillant.
C’est là que réside tout le potentiel de l’apprentissage automatique. Tout système alimenté par cette technologie peut digérer d’énormes ensembles de données, identifier de manière autonome des modèles récurrents et des relations de cause à effet parmi les données analysées, et créer des modèles représentant ces connexions. En outre, lorsqu’ils sont correctement entraînés, ces modèles sont capables de traiter des données supplémentaires pour faire des prédictions, affinant ainsi leurs compétences par l’expérience au fur et à mesure qu’ils consomment de plus en plus d’informations.
Norme et anomalies
Les modèles récurrents que les modèles ML découvrent en fouillant dans les données constituent la « norme ». Mais que se passe-t-il si le système rencontre des données qui ne correspondent à aucun modèle existant parmi ceux identifiés précédemment ? Eh bien, il s’agit probablement d’une anomalie ou d’une valeur aberrante.
Les anomalies sont généralement classées en trois archétypes :
- Les anomalies ponctuelles : Une instance de données individuelle présente une anomalie par rapport au reste des données, par exemple une transaction dont le montant est suspect.
- Anomalies contextuelles : L’anomalie est spécifique au contexte. Par exemple, une augmentation du trafic réseau pendant la nuit.
- Anomalies collectives : Un ensemble d’instances de données qui peuvent ne pas être anormales en elles-mêmes, mais qui semblent suspectes lorsqu’elles se produisent ensemble, comme un pic important de tentatives de connexion ou une série d’achats inhabituellement coûteux.
Nous pouvons former un système d’apprentissage automatique pour identifier les anomalies susmentionnées ainsi que les modèles et les relations entre les données de différentes manières. Les plus courantes sont :
- Apprentissage supervisé: On fournit au système d’apprentissage automatique des données déjà étiquetées, c’est-à-dire des données qui ont été préalablement préparées et étiquetées comme « nominales » ou « anomalie ».
- Apprentissage non supervisé: Il s’agit de l’approche à adopter lorsque nous ne savons pas exactement ce que nous recherchons car nous sommes confrontés à un scénario inconnu. Par conséquent, nous ne fournissons pas de données étiquetées et laissons le système définir d’éventuelles catégories et relations.
Qu’elles soient formées via un apprentissage supervisé ou non supervisé, l’avantage de déployer ces solutions pour la détection des anomalies est qu’elles ne nécessitent pas d’ensembles de règles pré-compilés et sont très adaptatives, car les systèmes d’apprentissage automatique peuvent apprendre au fil du temps et affiner leurs modèles avec de nouvelles données. Examinons trois scénarios réels dans lesquels nous pouvons exploiter ces capacités.
1. Lutter contre les fraudeurs et les cybercriminels
Le « côté obscur » du passage massif à une économie entièrement numérisée a été l’exacerbation des tendances de fraude préexistantes, combinée à une augmentation constante de nouvelles formes de fraude et de cybercriminalité.
Selon l’enquête mondiale sur la fraude et la criminalité économique 2022 de PwC, 51 % des entreprises interrogées ont été victimes de fraude ou de criminalité économique au cours des deux années précédentes, ce qui représente le niveau le plus élevé de ces 20 dernières années.
Compte tenu de l’importance croissante pour les entreprises et les institutions publiques de protéger leurs données sensibles, leurs réseaux et leurs actifs financiers, il n’est pas surprenant que les capacités de détection des anomalies de l’apprentissage automatique aient été largement exploitées pour prévenir et contrer la cybercriminalité.
La mise en œuvre de l’apprentissage automatique dans la détection des fraudes vise à analyser les données concernant les transactions monétaires ou les interactions avec les applications, les plateformes et les réseaux d’entreprise pour sonder les comportements qui semblent sortir de l’ordinaire. Ces actions anormales peuvent être des signes de tentatives criminelles potentielles et peuvent être signalées par le système pour nécessiter une inspection humaine supplémentaire.
Par exemple, les pirates peuvent essayer de violer les systèmes ou les réseaux d’une entreprise pour compromettre ou voler des actifs et des données. Un système de détection d’intrusion (IDS) alimenté par l’apprentissage automatique et utilisant la détection d’anomalies du comportement du réseau (NBAD) peut traiter des tentatives similaires en traçant tout événement atypique, tel qu’un accès coordonné via plusieurs comptes provoquant un pic du volume de trafic et de la bande passante, et le signaler comme une cyberattaque potentielle.
>Voir aussi : Les réseaux de fraude multiplient les attaques 24 heures sur 24 – Recherche Onfido
2. Améliorer les diagnostics médicaux
Le déploiement de solutions d’apprentissage automatique n’est pas seulement une question de business mais, littéralement, de vie et de mort. La médecine est sans aucun doute un secteur dans lequel les capacités prédictives de l’apprentissage automatique et de l’inspection visuelle automatisée peuvent briller. En effet, ces pouvoirs de prévision permettent aux médecins d’identifier rapidement les anomalies de l’état des patients qui pourraient être des indices de complications de santé à venir (notamment les anévrismes et les tumeurs du cerveau) et de mettre en place des mesures préventives avant qu’il ne soit trop tard.
Cela peut être réalisé en entraînant les systèmes d’apprentissage automatique avec des données physiologiques provenant de cas cliniques précédents. Les algorithmes traiteront ces informations, repéreront les schémas récurrents liés à des conditions de santé standard ou non, et construiront un modèle capable de reconnaître tout signe d’écart par rapport à la norme.
Par exemple, un rapport de 2021 a montré comment un système basé sur l’apprentissage profond alimenté par des réseaux neuronaux convolutifs (CNN) a détecté 95 % des cancers de la peau, contre 89 % identifiés par des dermatologues humains.
En ce qui concerne la rapidité des diagnostics, il convient de mentionner un projet mené par l’équipe InnerEye de Microsoft en collaboration avec le NHS britannique et axé sur la détection des anomalies pour le diagnostic radiologique. Les développeurs du projet ont créé un système basé sur l’apprentissage automatique pour automatiser le traçage des tumeurs et autres anomalies dans les images radiologiques 3D afin d’accélérer la planification de la radiothérapie et de la chirurgie. Cette solution a ainsi permis d’accélérer de 13 fois le processus global de planification de la radiothérapie.
3. Amélioration des opérations de maintenance
Les pouvoirs de prévision de l’apprentissage automatique basé sur la détection des anomalies, combinés à l’adoption croissante de la vision par ordinateur dans la fabrication, ont considérablement stimulé la surveillance des conditions et la maintenance prédictive. Ces capacités peuvent être appliquées dans l’immobilier pour garder un œil sur le système électrique d’une propriété et dans la fabrication pour la gestion des actifs industriels.
Ces techniques impliquent la collecte, par le biais de capteurs, et le traitement, par des systèmes d’apprentissage automatique, d’une quantité massive de données concernant le fonctionnement typique des machines, des réseaux électriques et d’autres composants industriels. Une fois les systèmes formés, ils peuvent facilement repérer tout écart par rapport aux performances idéales de ces équipements et envoyer une alerte, car de telles anomalies peuvent impliquer une panne imminente.
Un exemple réussi de détection d’anomalie basée sur l’apprentissage automatique pour la maintenance prédictive nous vient de San Diego Gas & ; Electric. Cette entreprise de service public était confrontée à un problème de fuite d’énergie généralisée. Les défaillances du système du service public sont devenues de plus en plus fréquentes en raison de l’âge des lignes de transmission et de distribution. En conséquence, une solution ML a détecté de manière préventive les épissures en T à haut risque, qui étaient la principale cause des dysfonctionnements.
>Voir aussi : Usines fantômes : débloquer la capacité de fabrication
Une approche proactive de la gestion des risques
L’un des véritables atouts de l’apprentissage automatique est qu’il permet aux humains de prédire et de traiter de manière proactive les dangers potentiels au lieu de s’en occuper lorsque les dommages se sont produits. Comme nous l’avons vu, la détection des anomalies basée sur l’apprentissage automatique s’est avérée être un outil précieux pour protéger les actifs physiques et numériques et, surtout, pour aider à sauver des vies.
Andrey Koptelov est analyste de l’innovation dans la société d’ingénierie logicielle Itransition.
Voir aussi :
Les leaders technologiques ont besoin d’une nouvelle approche pour maximiser la valeur de l’IA. Les leaders technologiques doivent adopter une nouvelle approche pour maximiser la valeur de l’IA.
Tech Leader Profile : les clés d’un leadership fort en matière d’IA. Shaun McGirr, directeur EMEA de la stratégie d’IA chez Dataiku, s’est entretenu avec Datarmine sur la manière dont il s’y prend pour mener une stratégie d’IA forte et donner du pouvoir aux clients.