Stage détection avancée de fraude par analyse de séries temporelles et ia hybride

Description du poste Objectifs Dans le cadre d'un projet innovant de détection de fraude basé sur l'analyse de consommation multifluide, nous cherchons à améliorer notre modèle existant. L'objectif de ce stage est de développer et d'intégrer un modèle de détection d'anomalies spécialisé dans l'analyse de séries temporelles de consommation, puis de le combiner avec notre modèle supervisé actuel pour créer une solution hybride performante. Votre mission sera de concevoir, implémenter et optimiser cette approche, en utilisant des techniques de pointe en machine learning et en analyse de séries temporelles. Vous travaillerez sur des données réelles de consommation, avec pour défi d'identifier efficacement les patterns anormaux indicateurs de fraude potentielle dans un contexte où la gestion des incertitudes et la précision des prédictions sont cruciales. Missions principales Appropriation du contexte du projet et des enjeux spécifiques à la détection de fraude sur données de consommation ; Analyse approfondie des séries temporelles de consommation multifluide ; Recherche et implémentation d'algorithmes de détection d'anomalies adaptés aux séries temporelles Développement d'un modèle non supervisé spécialisé dans la détection d'anomalies sur les profils de consommation temporels ; Intégration du modèle de détection d'anomalies avec le modèle supervisé existant pour créer une solution hybride ; Évaluation comparative des performances entre l'approche existante et la nouvelle approche hybride ; Optimisation fine des modèles pour maximiser la précision de détection tout en minimisant les faux positifs ; Documentation détaillée de l'approche et présentation des résultats à l'équipe projet.