Une grande partie des données mondiales est constituée de données en flux, de séries temporelles, où les anomalies fournissent des informations significatives dans des situations critiques. Cependant, la détection d'anomalies dans les données en flux est une tâche complexe, nécessitant que les détecteurs traitent les données en temps réel et apprennent simultanément tout en faisant des prédictions. Nous présentons une nouvelle technique de détection d'anomalies basée sur un algorithme de mémoire séquentielle en ligne appelé Hierarchical Temporal Memory (HTM). Nous montrons des résultats issus d'une application en direct qui détecte les anomalies dans les métriques financières en temps réel. Nous testons également l'algorithme sur NAB, un benchmark publié pour la détection d'anomalies en temps réel, où notre algorithme obtient des résultats de première classe.