Étude comparative des performances du modèle de détection d'anomalies Enno Data
Le Contexte
Le service après-vente (SAV) est aujourd’hui un élément indispensable d’une entreprise. Celui-ci permet de résoudre les problèmes lorsque le service ou produit vendu ne respecte pas les normes. Cependant ce service, ainsi que le traitement des anomalies dans les biens vendus entrainent des coups importants.
La détection d’anomalies est une méthode réduisant ces coups. Elle fonctionne à partir de l’utilisation de modèles mathématiques analysant les données de production. Lorsque certaines valeurs sont significativement différentes du reste, le modèle les catégorise alors comme anomalie. L’entreprise s’assure ainsi que les produits vendus sont aux normes et limite le recours au SAV.
Les Solutions
Il existe aujourd’hui des modèles mathématiques permettant de détecter des anomalies (Elliptic Envelope, One Class SVM, Isolation Forest, Local Outlier Factor, Analyse Composante Principale). Ces algorithmes sont régulièrement utilisés dans le domaine des études et de la recherche mais nécessitent généralement de nombreuses optimisations. Ils ne sont pas toujours adaptés aux besoins et spécificités d’une entreprise. En effet, lors de l’absence de données (vacances, congés, weekend), leurs performances peuvent diminuer drastiquement. De plus, il est parfois difficile d’interpréter les causes de la détection d’anomalies sur certains de ces modèles.
C’est pourquoi Enno Ai propose sa solution Enno Data ! Cet outil couple la Business Intelligence avec l’apprentissage machine. Il gère l’analyse de vos données de fabrication et permet la détection d’anomalies en temps réel.
Nos algorithmes s’adaptent aux données typiques retrouvées en entreprise afin d’obtenir les meilleurs résultats. De plus notre solution s’applique rapidement et ne nécessite pas de lourdes procédures d’optimisation nécessitant du temps et d’importants volumes de données.
Les Modalités
Nous avons cherché à comparer nos algorithmes avec les modèles mathématiques utilisés pour la détection d’anomalies. Pour ce faire, nous avons générer un jeu de données représentant la production de biens en entreprise. Ce jeu de données suit certaines caractéristiques que l’on retrouve généralement en industrie. Nous avons ensuite injecté 10 pourcents d’anomalies dans le jeu de données en modifiant aléatoirement une partie des données.
Nous avons utilisé la précision et le rappel pour comparer la qualité des modèles classiques avec la solution Enno Data. Ces outils de mesure représentent la capacité des modèles à détecter correctement les anomalies dans notre cas.
Les Résultats
Nous avons comparé la précision et le rappel de chaque technique d’analyse. Ces indicateurs sont utilisés pour évaluer la performance des domaines d’analyses dans le domaine des Sciences de la Donnée.
Les modèles standards ont montré une précision inférieure à 41%, là où les algorithmes Enno Data identifient les anomalies avec une précision de 82%. De plus, le rappel obtenu reste comparable aux meilleurs résultats.
Ainsi, la majorité des anomalies présentes dans le jeu de données ont pu être identifiées avec une meilleure exhaustivité.
Conclusion
Enno Data est un outil conçu pour l’analyse de données en entreprise afin de détecter les anomalies. Aux très bonnes performances s’ajoutent des faibles temps d’exécution ainsi qu’une automatisation de la collecte des données. Cette solution permet de détecter les anomalies en temps réel dans les entreprises de nos clients. Un système de notification personnalisable est alors mis en place afin de les alerter selon la gravité de l’anomalie détectée.