La détection d'anomalies dans les séries temporelles mono et multivariées dépend fortement du contexte de la tâche. Les approches de l'état de l'art reposent généralement sur deux méthodes principales : premièrement, une acquisition extensive de données est réalisée pour entraîner des modèles d'intelligence artificielle tels que les auto-encodeurs, capables d'apprendre des représentations latentes utiles pour isoler l'anormalité dans les comportements attendus du système; une seconde approche consiste en la construction minutieuse de caractéristiques basée sur une approche associant un expert intelligence artificielle et un expert du domaine pour isoler les anomalies en utilisant des exemples limités. Une analyse approfondie de la littérature montre que le terme de détection d'anomalies repose sur une définition ambiguë, car un motif donné dans une série temporelle peut apparaître comme normal ou anormal selon le domaine d'application et le contexte immédiat de la série observée. Les modèles de fondation (fondation models) et la génération augmentée par indexation-plongement-récupération (Retrieval Augmented Generation) ont le potentiel de modifier substantiellement les approches de détection d'anomalies. L'idée est qu'un expert du domaine, à travers des interactions en langage naturel, pourrait être en mesure de spécifier la normalité et/ou l'anormalité du comportement du système, et une indexation conjointe de la littérature de l'état de l'art et du plongement de des séries temporelles dans un espace euclidien réduit pourrait guider cet expert du domaine à définir un algorithme de détection d'anomalies fonctionnel.