Académique Documents
Professionnel Documents
Culture Documents
2 Quoi
2 Quoi
La détection des anomalies est l'examen de points de données spécifiques et la détection des
occurrences rares qui semblent suspectes parce qu'elles sont différentes du modèle établi de
comportements. La détection des anomalies n'est pas une nouveauté, mais l'augmentation du volume
de données rend le suivi manuel impossible.
La détection des anomalies est particulièrement importante dans des secteurs tels que la finance, le
commerce de détail et la cybersécurité, mais toute entreprise devrait envisager une solution de
détection des anomalies. Elle fournit un moyen automatisé de détecter les valeurs aberrantes nuisibles
et protège vos données. Par exemple, le secteur bancaire est un secteur qui bénéficie de la détection des
anomalies. En l'utilisant, les banques peuvent identifier les activités frauduleuses et les modèles
incohérents et protéger les données.
Les données sont l'épine dorsale pour votre entreprise et les compromettre pourra mettre en péril votre
activité. Sans détection des anomalies, vous risquez de perdre des revenus et le capital de marque que
vous avez mis des années à cultiver. Votre entreprise est confrontée à des failles de sécurité et à la perte
d'informations clients sensibles. Si cela se produit, vous risquez de perdre la confiance de vos clients, ce
qui pourrait être irrémédiable.
Les organisations avaient l'habitude d'examiner manuellement les points de données, à la recherche
d'indices et d'informations sur les performances de leurs systèmes. Cette méthode ne permettait pas
toujours de découvrir les causes profondes. Une organisation a pu remarquer un changement de
comportement, mais n'a pas pu en découvrir les causes profondes. Dans de telles situations, le problème
persiste et les données sont en danger. Aujourd'hui, la détection des anomalies s'appuie davantage sur
le machine learning (ML). Le machine learning permet d'identifier ces valeurs aberrantes difficiles à
repérer, de les atténuer et de protéger votre système.
La prédictibilité est la prochaine étape de la détection des anomalies. Avec la prédictibilité, vous pouvez
trouver les valeurs aberrantes au niveau de la machine. Les trouver permet de prévenir les dommages à
votre système avant qu'ils ne se produisent. Par exemple, un hôpital qui ne sait pas à quoi ressemblera
une attaque peut bénéficier de la prévisibilité. Grâce à la prévisibilité, l'hôpital peut rédiger des règles
pour prévenir l'attaque, protéger les données sensibles et son environnement.
La détection des anomalies présente plusieurs avantages. Tout d'abord, vous pouvez localiser et traiter
un problème avant qu'il n'atteigne d'autres parties de votre système. Cela permet de réaliser des
économies, car vous ne traitez qu'une seule zone au lieu de l'ensemble du système. Le service client
entre en jeu avec la détection des anomalies. Lorsque votre système est compromis, il y a de fortes
chances que vos clients internes et externes en paient le prix fort. Grâce à la détection des anomalies,
vous pouvez minimiser cette menace et, plus important encore, maintenir la confiance de tous vos
clients.
La mise à l'échelle est le défi le plus courant que les clients rencontrent lorsqu'ils déploient une stratégie
de détection des anomalies. La plupart des clients n'utilisent pas actuellement cette technologie et la
mise à l'échelle de vos opérations pour la prendre en charge peut être difficile. Il est difficile d'établir des
seuils de données appropriés. Cela permet de s'assurer que l'intégrité de vos efforts n'est pas
compromise une fois votre solution déployée.
La détection des anomalies identifie les activités suspectes qui sortent de vos schémas de comportement
normaux établis. Une solution protège votre système en temps réel contre les instances qui pourraient
entraîner des pertes financières importantes, des violations de données et d'autres événements
nuisibles.
Une stratégie de détection des anomalies commence par l'identification des indicateurs clés de
performance (KPI). Ceux-ci sont généralement liés au problème commercial que vous cherchez à
résoudre. Vous devrez également comprendre les caractéristiques de vos données. Comment entrent-
elles dans votre réseau ? Sont-elles continues ou discontinues ? Quels sont les points de données que
vous suivez ? La réponse à ces questions permet de sculpter votre stratégie, car les données jouent un
rôle majeur dans ce processus. Ensuite, créez un budget et fixez des objectifs. Enfin, assurez-vous que
chaque membre de votre équipe comprend les objectifs et le rôle qu'il joue pour les atteindre.
AWS propose un large portefeuille de solutions de détection des anomalies, notamment AWS Panorama,
Amazon CloudWatch, Amazon DevOps et Amazon OpenSearch, etc..
Les diagrammes ci-dessous donnent un aperçu de certaines des architectures Panorama et Kinesis.
Cela dépend sur le besoin spécifique. AWS propose plusieurs solutions, notamment :
Amazon Sagemaker : Sagemaker est une plateforme cloud d'apprentissage automatique. Il peut être
utilisé pour générer des prédictions et suivre les comportements sans écrire de code.
Amazon Kinesis : Kinesis est utilisé pour l'ingestion de données et dispose d'une fonction qui attache des
scores à chaque anomalie détectée. Kinesis est un outil géré qui permet d'identifier facilement une
anomalie et de réagir en temps réel.
Les clients qui ont vu les avantages des solutions de détection d'anomalies d'Amazon comprennent
Autodesk, FOX, Zynga et NextDoor.