Détection d’anomalies
La détection d’anomalies consiste à identifier automatiquement des observations qui s’écartent significativement du comportement normal dans un jeu de données. Une anomalie — aussi appelée outlier — peut venir d’une erreur, d’une fraude, d’un dysfonctionnement, ou d’un phénomène exceptionnel légitime. Toute anomalie n’est pas forcément un problème à corriger.
Deux approches coexistent. En apprentissage supervisé, le modèle s’entraîne sur des anomalies déjà étiquetées — efficace pour détecter des cas connus, pas pour en découvrir de nouveaux. En apprentissage non supervisé, le modèle repère les écarts sans exemple préalable, souvent via des autoencodeurs : les anomalies génèrent une erreur de reconstruction plus élevée que les données normales.
En RH, cette technique surveille les données de paie (montants atypiques, doublons), l’assiduité (absences hors norme), ou les comportements dans un SIRH (connexions inhabituelles, accès à des données sensibles hors périmètre). Elle alerte, elle ne remplace pas l’analyse humaine du contexte.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (06/11/2025), lvlup.fr.