Détection d’anomalies et prévision sur données d’exploitation

Objectifs

• Préparer une série temporelle d’exploitation (rééchantillonnage, valeurs manquantes, saisonnalité, événements exceptionnels) et documenter les choix.
• Produire une prévision à un horizon donné avec un modèle de référence puis un modèle avancé, et mesurer l’écart de prévision avec la métrique adaptée.
• Détecter des anomalies avec au moins deux méthodes (statistique et apprentissage) et calibrer le seuil pour un taux de fausses alertes accepté par le métier.
• Construire un tableau d’alertes journalisé, avec le niveau de gravité et la personne notifiée.
• Définir avec le métier l’indicateur de suivi et le protocole de validation humaine avant toute action déclenchée par une alerte.

Public

Ingénieurs et analystes de données des secteurs énergie et utilities, industrie, logistique, banque et microfinance, télécoms ; responsables exploitation à profil technique.

Prérequis

Avoir suivi DATA-201 ou maîtriser Python, pandas et les bases de scikit-learn (entraînement, validation, métriques). Vérifié par un test de positionnement. Un ordinateur portable par participant, 8 Go de mémoire minimum ; environnement de notebooks avec bibliothèques préinstallées fourni par Yolea ; en distanciel, connexion stable de 5 Mbit/s minimum, micro et caméra. Jeux de données de formation fournis (consommation, charge réseau, transactions) ; historique du participant accepté s’il est anonymisé, sur douze mois au moins.

Programme

• Traitement de séries temporelles
• Prévision et mesure d’écart
• Détection d’anomalies et calibrage
• Conception d’un dispositif d’alerte
• Cadrage d’indicateurs avec le métier

Format

Intra ou inter-entreprises. 14 heures, 2 jours consécutifs de 7 h ; en distanciel, 4 séquences de 3 h 30 sur deux semaines. Présentiel, distanciel synchrone ou hybride ; intra-entreprise sur vos historiques ou inter-entreprises ; 8 à 12 participants. 25 % d’apports, 75 % d’ateliers en notebooks ; un projet fil rouge par participant, de la série brute au tableau d’alertes ; comparaison systématique d’une référence simple et d’un modèle avancé. L’indicateur de suivi est fixé dès le premier matin : anomalies détectées avant incident, écart de prévision.

Évaluation

En amont, test de positionnement. En cours, quiz de contrôle et challenge de mise en situation (détecter les anomalies injectées dans une série imposée ; résultat mesuré en détections et en fausses alertes). En fin, présentation du tableau d’alertes du projet fil rouge, évaluation à chaud et attestation nominative de fin de formation. À trois semaines, point de suivi.