La détection d’anomalies (DA), définies comme des observations aberrantes ou hors distribution, est particulièrement importante dans l’exploration de données car elles peuvent indiquer une corruption des données ou un comportement défectueux. La confiance que l’on peut accorder aux systèmes d’intelligence artificielle (IA) en dépend car leur fiabilité repose sur des entrées
dans la distribution d’apprentissage.

Par ailleurs, la détection d’anomalies joue un rôle essentiel dans la certification des données obtenues à partir de capteurs ou d’images, ainsi que dans l’identification des symptômes qui peuvent être utilisés pour initier un diagnostic. Les principales réalisations de la chaire, qui ont toutes été appliquées à des problèmes industriels, sont les suivantes : DA basée sur la fonction de Christoffel appliquée aux flux de données dans les réseaux de capteurs [1], DA basée sur le clustering dynamique appliquée au durcissement de l’électronique spatiale [2], DA basée sur le suivi de déviation avec des données incomplètes appliquée à la maintenance prédictive des bras robotiques [3], DA basée regression non linéaire pour la détection de défauts dans les centrales photovoltaïques [4].