MLAD – L’apprentissage automatique détecte les anomalies pour que les entreprises tournent à plein régime

Ouf, c’est enfin terminé ! Cette année est sans aucun doute la plus terrible que nous ayons vécue mais elle est enfin derrière nous, oubliée, finito, fertig. Comme beaucoup ne cessent de le répéter, espérons seulement que « 2021 soit une meilleure année. De toute façon ça ne peut pas être pire, n’est-ce pas ?! »

Au cours des 10 derniers mois de l’année dernière le monde entier a été dans un état de choc permanent. Je ne parle pas seulement de la population mondiale puisque les entreprises privées et les économies nationales ont aussi été durement touchées. Malheureusement, la cybercriminalité est un des rares secteurs qui n’a pas été cruellement affecté. Au contraire, la pandémie lui a grandement bénéficié. Les personnes confinées et en télétravail passent beaucoup plus de temps en ligne et sont donc beaucoup plus susceptibles d’être prise pour cible par un pirate informatique. Cela touche les individus mais aussi les entreprises : les employés travaillent depuis chez eux et de nombreux réseaux d’entreprise ont été victimes d’attaques puisqu’ils n’étaient pas suffisamment bien protégés. Dans la précipitation, et pour que tout le monde puisse rapidement passer en télétravail au printemps, la sécurité n’était pas la priorité. En résumé, le statu quo du monde numérique subissait de plein fouet l’impact de ce virus vicieux tout droit sorti de l’enfer.

À cause de cette hausse de la cybercriminalité, surtout envers les réseaux vulnérables des entreprises, le secteur de la cybersécurité a été plus occupé que jamais. Oui, nous en faisons partie ! Pour Kaspersky, 2020 a été l’année la plus productive. Par exemple, le nombre de nouvelles versions de nos solutions lancées cette année est particulièrement impressionnant, surtout dans le secteur des entreprises.

Nous avons aussi proposé de nouvelles versions pour nos solutions de cybersécurité industrielle, et aujourd’hui j’aimerai vous parler de l’une d’entre elles. Les connaisseurs en technologie la connaissent sous le nom de MLAD. À ne pas confondre avec le site de vidéos drôles en ligne, ou avec le MLAD de Minimum Local Analgesic Dose ou encore avec le MLAD de « Artère interventriculaire antérieure » (pour les sigles de Mid Left Anterior Descending artery en anglais). Dans notre cas, MLAD sont les initiales de Machine Learning for Anomaly Detection en anglais (Apprentissage Automatique pour la Détection d’Anomalies).

Si vous lisez régulièrement nos blogs, vous vous souvenez peut-être de quelque chose à propos de cette technologie qui est la nôtre. Ou pas. Quoiqu’il en soit, voici une petite piqûre de rappel ou une brève introduction, juste au cas où…

Notre MLAD est un système qui se sert de l’apprentissage automatique pour analyser les données télémétriques des installations industrielles et ainsi identifier les anomalies, les attaques ou encore les pannes.

Imaginons que vous avez une entreprise avec des milliers de capteurs installés un peu partout et que certains mesurent la pression alors que d’autres contrôlent la température. Chaque capteur génère un flux constant d’informations. Un employé ne peut pas suivre tous les flux alors que pour l’apprentissage automatique c’est un jeu d’enfants. Après avoir préalablement entraîné un réseau neuronal, MLAD peut, à partir des corrélations directes et indirectes, détecter qu’il y a un problème dans une certaine section de l’entreprise. Cette méthode permet d’éviter les dégâts s’élevant à plusieurs millions ou milliards de dollars à cause d’éventuels incidents qui n’auraient pas été tués dans l’œuf.

Bon, voilà l’idée générale de notre MLAD. Maintenant, je vais utiliser une métaphore médicale pour essayer de vous expliquer l’échelle granulaire de l’analyse effectuée par MLAD…

Certains d’entre vous ont sûrement une montre connectée. Elle vous indique votre rythme cardiaque et compte le nombre de pas que vous faites, mais rien de vraiment exceptionnel. L’appareil est seulement équipé de quelques capteurs, rien de plus. Imaginons que les médecins aient un dispositif un peu plus avancé et capable de contrôler d’autres aspects, comme la tension, le nombre de leucocytes, etc. Poussons cette surveillance hypothétique un peu plus loin : les médecins ont un dispositif avec des millions de capteurs connectés avec chaque partie du corps humain. En réalité, chaque veine, chaque cellule nerveuse et presque n’importe quel organe transmet constamment des données télémétriques. Évidemment, cette énorme quantité de données à échelle granulaire va certainement aider les médecins à détecter que telle ou telle chose est anormale dans le corps du patient et qu’il faut lui administrer un traitement. Les docteurs doivent analyser toutes ces données… Un véritable casse-tête (aussi détecté par les capteurs). C’est en un rien de temps, en un mouvement de cape et en entendant le frottement du slip sur le collant serré, que non pas Superman mais nos technologies volent au secours du médecin surchargé de travail !

Introduction / rappel de ce que fait MLAD : fait. Parlons maintenant des nouvelles mises à jour…

La première mise à jour importante de MLAD s’appelle Pipeline. À ne pas confondre avec la troisième chanson de l’album Construction Time Again de Depeche Mode. Cette fonction permet de diviser en plusieurs parties l’analyse de la télémétrie.

En général, un être humain à deux bras, deux jambes et un certain nombre prédéterminé d’organes. Il est bon de savoir qu’ils fonctionnent tous plutôt bien de façon générale puisque vous n’êtes pas malade. En revanche, il serait encore mieux de savoir quel est l’état de chaque organe. En pratique, ce principe s’applique à certaines choses, comme les projets de Building Information Management (BIM). Dans chaque pièce, il y a un capteur aux fenêtres, un thermomètre, un indicateur du régime de la climatisation, etc. Au lieu de transformer tout le bâtiment en un seul modèle, nous avons un mini-modèle de chaque pièce. Plus simple, plus élégant et avec une analyse plus ciblée et plus pertinente.

La seconde mise à jour importante s’appelle Trainer. Non, il ne s’agit pas du tout dernier produit de New Balance. Notre Trainer permet à l’entreprise d’utiliser MLAD pour reconvertir les algorithmes en cas de besoin, et sans que nous ayons à intervenir. Cette reconversion doit être faite assez régulièrement. Les matériaux bruts changent, un processus est ajusté ou un filtre est ajouté… Reprenons notre métaphore médicale. Si vous changez votre alimentation (finie la malbouffe, que des plats sains et équilibrés, ou vice-versa), vos analyses de sang changent aussi. De même, les relevés typiques des capteurs peuvent être modifiés lorsqu’un processus est ajusté, et le réseau neuronal a alors besoin qu’on lui donne une nouvelle norme. Cela est désormais possible en appuyant sur un seul bouton.

Nous avons aussi légèrement modifié et amélioré l’interface. Par exemple, MLAD peut désormais afficher une vue d’ensemble des données d’un seul type de capteur pour la totalité de l’objet, et dessiner une « carte » du plan de production en déterminant la pression ou la température de tout le flux de travail. À l’avenir (attention spoiler !), nous envisageons de dessiner sur demande des modèles 3D des objets à partir de tous les relevés afin que même un novice puisse localiser les anomalies.

En dessert, nous vous proposons une autre anecdote. La technologie est si merveilleuse que nous avons pu résoudre un problème inattendu et insolite. Au premier abord, les employés de nos entreprises clientes pensaient qu’il était tout simplement impossible d’accomplir tout ce que je vous ai mentionné auparavant ! Ce n’est qu’à la fin d’une démonstration pratique des capacités de MLAD qu’ils ont commencé à se rendre compte que nous n’inventions rien et que cet outil allait énormément les aider dans leur travail. Ce n’est qu’au bout d’une heure que leurs yeux ronds comme des billes ont récupéré leur taille normale.

Alors, impressionné ? Si oui, cliquez ici pour obtenir plus de renseignements. Cette page vous propose des études de cas et quelques vidéos de démonstration.

C’est tout pour aujourd’hui. Faites attention à vous !

LIRE LES COMMENTAIRES 0
Laisser un commentaire