Objectif: Détecter des anomalies et fraudes dans les historiques de pointage (retards récurrents, incohérences, doublons, anomalies temporelles) et fournir des alertes explicables aux responsables RH.
Travaux demandés:
- Étude des systèmes de pointage et typologies d’anomalies/fraudes
- Architecture d’un module IA intégrable à Weentime
- Implémentation d’algorithmes de détection (statistiques, règles, non supervisé)
- Comparaison d’approches (Isolation Forest, clustering, heuristiques, seuils dynamiques)
- Système de scoring et classification des anomalies
- API REST pour exposition des résultats et alertes
- Dashboard de visualisation et historique
- Évaluation des performances (précision, faux positifs, explicabilité)
Mots-clés & Technologies:
- IA, Détection d’anomalies, Fraude, Données de pointage, Analyse comportementale, XAI
- Python, Spring Boot, PostgreSQL, Kafka, Data Analytics