Détection d'anomalies au sein de séries d'événements par apprentissage profond et fouille de motifs

Abstract

Cette thèse a pour objectif d'explorer les méthodes permettant de détecter des observations atypiques au sein de données représentant des séries d'événements.Ces travaux s'inscrivent dans une démarche d'Apivia MACIF Mutuelle, qui aspire à renforcer son contrôle sur les données associées à ses flux monétaires principaux. Notre approche principale consiste à considérer les séries de remboursements de prestations santé comme des journaux d'événements, en nous reposant sur l'état de l'art de la discipline de la fouille de processus (Process Mining). Deux approches sont présentées: Premièrement, nous adaptons une méthode de fouille de motifs séquentiels (Pattern Mining) aux spécificités de la détection non supervisée de traces anormales dans les journaux d'événements. Dans un second temps, nous explorons des méthodes d'apprentissage profond (Deep Learning) pour détecter des événements récents anormaux dans des flux d'événements. Ces deux approches sont à la fois adaptées et complémentaires pour répondre à la problématique de détection d'anomalies dans des journaux d'événements.