PhD-Détections auto-supervisées d’anomalies dans les données temporelles

Description de la mission

Votre rôle est d’effectuer un travail de thèse sur : “ Détections et explications auto-supervisées d’anomalies dans les données temporelles “

Contexte global et problématique du sujet
Orange opère un grand nombre d’équipements connectés, du coeur de réseau jusqu’au LAN des clients. Le nombre de pannes et d’attaques pouvant survenir est très important, et il est de plus en plus difficile de comprendre ces problèmes, qui ont un coût important pour les services client.
Jusqu’à présent, les travaux de l’état de l’art et au sein d’Orange [1, 2, 3] se sont concentrés sur la détection des anomalies dans des données temporelles. Cette détection consiste en un résultat binaire – anomalie ou non – et ne porte aucune information sur l’origine de la détection.
Les solutions explorées ne permettent pas d’agir sur les anomalies détectées, et un expert est toujours nécessaire pour tenter de trouver des corrélations entre les anomalies et faire des hypothèses sur les origines et procédures correctives.
Plus récemment, les avancées importantes sur les grands modèles de langages (LLM) promettent des perspectives intéressantes sur les problèmes d’interprétabilité. Avec un modèle de caractérisation des anomalies, il serait possible de mettre en relation les anomalies détectées et des problèmes connus.

Objectif scientifique – résultats et verrous à lever
L’objectif de cette thèse est de proposer des approches deep learning auto-supervisées de détection et de caractérisation d’anomalies dans les données temporelles. Ces caractéristiques devront être exploitées pour permettre une identification de l’anomalie détectée, en exploitant par exemple des bases de connaissance métier. Il s’agit de proposer une solution de détection et d’interprétation d’anomalies de bout-en-bout sans intervention humaine.

Verrous scientifiques :
Données et anomalies hétérogènes
Présence incertaine d’anomalies dans les données
Rapprochement difficile entre caractérisation d’une anomalie et connaissance métier
Anomalies potentiellement inconnues

Résultats attendus :
Modèle de détection d’anomalies auto-supervisé robuste qui caractérise les écarts entre la séquence observée et la séquence normale attendue
Approche basée LLM+RAG pour mettre en relation la caractérisation de l’anomalie détectée avec des connaissances métiers
Évaluations expérimentales sur données publiques et d’Orange
Publication d’articles scientifiques, de brevets, et manuscrit de thèse