Cas d'étude
Détection d'anomalies financières
Une PME SaaS de 80 employés mobilisait 2 ETP par semaine pour la revue manuelle des flux de paiement.
Sur 6 mois, 3 fraudes avérées avaient échappé à la détection. Le pipeline déployé coordonne 3 agents ADK
(Orchestrateur, Ingestion Agent, Scoring Agent) et 250 transactions traitées sur golden set versionné (data/golden_set.csv),
avec un rapport d'audit écrit dans BigQuery à chaque exécution.
Pilote de démonstration — périmètre délibérément réduit
Ce case study est un pilote fictif (client NovaPay) conçu pour démontrer les capacités du framework Google ADK en conditions réelles. Il ne déploie pas l'intégralité du stack Kairosium — les composants exclus sont documentés ci-dessous avec leur justification.
KPIs mesurés — golden set 250 transactions
| Métrique | Cible contractuelle (T2) | Valeur mesurée | Statut |
|---|---|---|---|
| Accuracy globale | ≥ 85 % | 92 % | ✓ validé |
| Precision ALERTE | — | 100 % — 0 fausse alarme | ✓ validé |
| Recall ALERTE | — | 100 % — 23/23 alertes détectées | ✓ validé |
| Latence p95 end-to-end | ≤ 3 000 ms par tool | 455 ms production / 637 ms dev (BigQuery agent_events) |
✓ validé |
| CI pass rate | ≥ 95 % | 100 % — 16/16 pytest PASSED en 1.96s | ✓ validé |
| Transactions SUSPECT non détectées | — | 8/30 reclassées NORMAL | gap documenté |
92 % d'accuracy sur le golden set — 8 transactions SUSPECT sur 30 non détectées, documentées dans les ADRs du repo. La classe ALERTE (fraudes avérées) atteint 100 % de précision et de rappel : zéro fausse alarme, zéro fraude manquée.
⚠️ Système classé haut risque Annexe III AI Act — surcoût conformité +15–20 % applicable
Exclusions de ce pilote — pourquoi elles n'ont pas été mises en œuvre
| Composant | Statut dans ce pilote | Justification |
|---|---|---|
| Cloud Run | Exclu (ADR-007) | Vertex AI Agent Engine utilisé à la place pour ce pilote — Cloud Run pertinent pour exposer des APIs agents en T2/T3 client |
| Firestore (model_id config) | Exclu (ADR-006) | model_id hardcodé Gemini 2.5 Flash — paramètre Firestore applicable en production client multi-modèle |
| MCP (Model Context Protocol) | Exclu (ADR-008) | Aucune source de données externe à connecter dans ce périmètre fictif |
| Cloud Build CI | Différé (ADR-005) | Tests exécutés via make test en local — pipeline Cloud Build prévu en T2/T3 client |
| CMEK / VPC Service Controls | Non déployés | Pilote fictif sans données client réelles — obligatoires en déploiement production |
| Looker Studio | Non implémenté | Dashboard analytique prévu en T2/T3 — hors périmètre de ce pilote |
Architecture — pipeline multi-agents ADK
%%{init:{"theme":"base","themeVariables":{"background":"#111318","primaryColor":"#1a1e2a","primaryBorderColor":"#3b82f6","primaryTextColor":"#e8eaf0","secondaryColor":"#151820","lineColor":"#3b82f6","textColor":"#9aa3b2","clusterBkg":"#0c0f14","clusterBorder":"rgba(59,130,246,0.3)","edgeLabelBackground":"#0f1115","fontFamily":"JetBrains Mono,monospace","fontSize":"11px"}}}%%
flowchart LR
CS[("Cloud Storage\nCSV transactions")]
FS[("Firestore / JSON\nmodel_id · config")]
subgraph VERTEX ["Vertex AI Agent Engine · europe-west1"]
ORCH(["orchestrator\nGemini 2.5 Flash"])
IA(["ingestion_agent\ningest_transactions\n→ temp:transactions"])
SA(["scoring_agent\nscore_all_transactions\n5 règles déterministes\n→ temp:scored_transactions"])
GAR["generate_audit_report"]
TA["trigger_alert\n× N transactions ALERTE"]
end
BQ1[("BigQuery\naudit_reports")]
BQ2[("BigQuery\nagent_events")]
CM["Cloud Monitoring\nagent/anomaly_alert"]
SL["Slack\n#anomaly-alerts"]
CS -->|gcs_path| ORCH
FS -->|model_id / supplier_registry| ORCH
ORCH -- "① transfer_to_agent" --> IA
IA -- "② transfer_to_agent" --> SA
SA -- "③ transfer_to_agent" --> ORCH
ORCH --> GAR
GAR --> BQ1
GAR -->|alert_transactions| TA
TA --> CM
TA --> SL
ORCH -->|Agent Analytics Plugin| BQ2
Stack technique — Tier 2
- Vertex AI Agent Engine — europe-west1 (exécution managée)
-
Google ADK 1.28.1 — handoffs, session state,
before_model_callback - Gemini 2.5 Flash via Vertex AI — migration depuis 2.0 Flash (arrêt 1er juin 2026)
-
BigQuery Agent Analytics Plugin — table
agent_events(~86 événements par run complet, mesuré sur runs golden set 250 tx) -
Cloud Monitoring — métrique custom
agent/anomaly_alert+ 3 politiques d'alerte -
Slack webhook HTTP — canal
#anomaly-alerts(tooltrigger_alertnatif) - pytest 16/16 — golden set 250 transactions, export JUnit XML conditionnel
-
BigQuery —
audit_reports(rapport d'audit écrit à chaque run) - Golden set ≥ 200 cas — validation contradictoire
Preuves en production
Clique pour ouvrir en plein écran · ESC pour fermer.
Conformité EU AI Act — Surcoût +15–20 %
La détection d'anomalies dans des flux financiers est classée système à haut risque au sens de l'Annexe III de l'AI Act. Le surcoût de 15–20 % appliqué sur le forfait de base couvre :
- ▸ Logs de traçabilité des décisions (ADK traces + BigQuery audit trail)
- ▸ Tests de biais récurrents sur golden set
- ▸ Documentation technique d'audit (artefacts CNIL/autorité de supervision)
- ▸ Revue juridique de conformité