Réponse rapide
L’apprentissage non supervisé ne donne pas automatiquement un sens aux groupes, peut confondre contexte et défaut, dépend des variables et des réglages, et détecte mal les anomalies déjà présentes dans les données de référence.
Interpréter avec prudence
Deux groupes peuvent refléter température ou opérateur plutôt qu’un mode mécanique. Une anomalie peut être rare mais légitime, ou fréquente parce qu’elle a contaminé la référence.
Tester les choix
Distance, échelle, fenêtre, nombre de groupes et seuils sont variés. La stabilité et la pertinence opérationnelle sont comparées sur des épisodes indépendants.
Garder une vérification humaine
Le résultat oriente inspection, annotation ou essai, mais ne déclenche pas seul une action critique. Les limites du domaine et le taux de faux signal sont documentés.
Un motif découvert n’est pas une preuve causale
Une corrélation dans les journaux peut venir d’un artefact de mesure, d’une saison ou d’une configuration. Toute correction de commande exige une analyse et une validation séparées.
Sources et références
- [1] Unsupervised learning — scikit-learn — scikit-learn