# language: fr

@api @moderation @ml @security @mvp
Fonctionnalité: Détection de patterns suspects par ML

  En tant que système de sécurité
  Je veux détecter automatiquement les comportements suspects
  Afin de prévenir les abus et fraudes

  Scénario: Détection de signalements coordonnés
    Étant donné 5 utilisateurs qui signalent le même contenu en 10 minutes
    Et leurs comptes ont été créés la même semaine
    Quand le système analyse le pattern
    Alors une alerte "Brigade de signalement" est déclenchée
    Et les signalements sont mis en quarantaine
    Et un modérateur vérifie manuellement
    Et un événement "COORDINATED_REPORTING_DETECTED" est enregistré

  Scénario: Détection de compte bot de signalement
    Étant donné un compte avec pattern suspect:
      | Indicateur                  | Valeur      |
      | Signalements par jour       | 50          |
      | Intervalle régulier         | Exactement 120s |
      | Diversité de contenus       | Faible      |
      | Interaction humaine         | Aucune      |
    Quand le système ML analyse
    Alors le compte est identifié comme "Probable bot"
    Et suspendu automatiquement
    Et un événement "BOT_ACCOUNT_DETECTED" est enregistré

  Scénario: Détection de vendetta personnelle
    Étant donné un utilisateur A qui signale systématiquement l'utilisateur B
    Et 15 signalements en 1 semaine, tous rejetés
    Quand le système détecte le pattern
    Alors une alerte "Harcèlement par signalements" est déclenchée
    Et l'utilisateur A est bloqué de signaler B
    Et un événement "VENDETTA_PATTERN_DETECTED" est enregistré

  Scénario: Détection d'usage d'IA pour contenu  offensant déguisé
    Étant donné un contenu avec texte subtil généré par IA
    Quand l'analyse NLP détecte des marqueurs d'IA toxique
    Alors le contenu est mis en quarantaine
    Et un modérateur expert vérifie
    Et un événement "AI_GENERATED_TOXIC_DETECTED" est enregistré

  Scénario: Analyse des métadonnées EXIF suspectes
    Étant donné une image uploadée avec métadonnées:
      | Métadonnée          | Valeur suspect       |
      | GPS Location        | Corée du Nord        |
      | Device Model        | Connu pour bots      |
      | Timestamp           | Futur (2027)         |
    Quand le système analyse
    Alors l'image est marquée "Métadonnées suspectes"
    Et un événement "SUSPICIOUS_METADATA_DETECTED" est enregistré

  Scénario: Score de risque ML combiné
    Étant donné un contenu analysé par ML
    Alors un score de risque global est calculé:
      | Facteur                   | Poids | Score |
      | Contenu textuel           | 30%   | 0.8   |
      | Métadonnées image         | 20%   | 0.3   |
      | Comportement utilisateur  | 30%   | 0.9   |
      | Patterns de signalement   | 20%   | 0.1   |
      | **Score global**          | 100%  | **0.65** |
    Et si score > 0.7, mise en quarantaine automatique
    Et un événement "ML_RISK_SCORE_CALCULATED" est enregistré

  Scénario: Apprentissage continu du modèle ML
    Étant donné 10 000 contenus modérés manuellement
    Quand les décisions humaines sont collectées
    Alors le modèle ML est réentraîné mensuellement
    Et la précision s'améliore de 2-3% par itération
    Et un événement "ML_MODEL_RETRAINED" est enregistré

  Scénario: Métriques de performance de la détection ML
    Étant donné que 50 000 contenus ont été analysés
    Alors les indicateurs suivants sont disponibles:
      | Métrique                      | Valeur |
      | Précision de détection        | 87%    |
      | Rappel (contenus détectés)    | 82%    |
      | Faux positifs                 | 8%     |
      | Temps moyen d'analyse         | 250ms  |
      | Économie de temps modérateurs | 60%    |
    Et les métriques sont exportées vers le monitoring