Le moteur de recherche distribué en temps réel, qui résout des cas d’utilisation primordiaux comme la recherche, le logging et l’analyse, vient d’acquérir Prelert, fournisseur de technologie d’analyse comportementale. Elastic intégrera la technologie de Prelert à sa suite logicielle et la proposera dans le cadre de ses formules de souscription dès 2017. Les clients d’Elastic seront ainsi mieux équipés pour résoudre des cas d’utilisation complexes comme
la cybersécurité, la détection de fraude et d’analyse de l’exploitation informatique, entre autres.
Fondée en 2008, Prelert a créé une technologie capable d’automatiser la découverte d’anomalies dans des ensembles de données larges et complexes. Cette technologie peut également prévoir des actions et leurs résultats, et fournit aux entreprises et à leurs utilisateurs finaux une application intuitive qui leur évite de passer par des traitements complexes de données. En appliquant des techniques de machine learning non supervisé aux données historiques et en temps réel d’un client, les modèles prédictifs de Prelert procèdent à une analyse comportementale pour comprendre la probabilité d’échecs et d’apparition de certains événements. La technologie de Prelert envoie également des alertes et notifications aux utilisateurs finaux pour leur permettre d’expliquer « pourquoi » un tel événement est survenu et « quoi » faire avec ces informations.
De plus en plus d’entreprises, des start-ups aux grandes entreprises, stockent de vastes quantités de données structurées et non structurées dans Elasticsearch. Alors que de nombreuses entreprises se basent sur la recherche pour résoudre leurs cas d’utilisation les plus complexes, Prelert a conçu une intégration avec la Suite Elastic pour fournir aux utilisateurs d’Elasticsearch un moyen automatisé de comprendre le « pourquoi » de leurs données et d’agir par rapport à des indicateurs souvent difficiles à détecter. En combinant l’interface utilisateur Kibana d’Elastic et les capacités d’analyse comportementale de Prelert, les clients peuvent désormais résoudre des problèmes courants dans leurs données historiques en augmentation constante. Ils peuvent notamment : détecter des menaces de sécurité avancées et des anomalies dans les données de log ; découvrir des schémas de fraude dissimulés dans des données très sensibles ; identifier des systèmes ou indicateurs anormaux et leurs causes premières à travers des systèmes informatiques ; relier des séries complexes d’événements dans les données afin de détecter des signes d’avertissement précoces ; localiser automatiquement des défaillances système critiques et en déterminer la cause et détecter des baisses imprévues d’activité transactionnelle, et plus encore.

Emmanuel Mayega
A propos de l'auteur

Directeur de la rédaction et de la publication du magazine Assurance & Banque 2.0 et de ce site, Emmanuel a une connaissance accrue de l’intégration des technologies dans l’assurance, la banque et la santé. Ancien rédacteur en chef de ce magazine, il a pendant plus d'une décennie été rédacteur en chef adjoint d’Assurance & Informatique Magazine. ll est un observateur affûté du secteur. Critique, il se définit comme esprit indépendant et provocateur, s’il le faut.

Site web : http://www.assurbanque20.fr

Twitter LinkedIn Google+

Newsletter

Vous n'avez pas le temps suivre l'actualité ? Découvrez nos newsletters gratuites, quotidiennes ou hebdomadaires.

Inscription Newsletter


Le Mensuel

Chaque mois, un regard éclairé et sans concession sur l'actualité de l'Assurance, de la Banque et des Services Financiers.

Découvrir le magazine