Détection des fraudes grâce à l’intelligence artificielle

Les banques perdent chaque année des milliards de dollars à cause de la fraude. En fait, selon l’ Association of Certified Fraud Examiners (ACFE), les banques et autres organisations perdent chaque année au moins 5 % de leurs revenus à cause de la fraude.

Les États-Unis perdent au moins 200 milliards de dollars à cause de la fraude chaque année. La fraude est devenue plus facile avec les progrès de la technologie et coûte plus cher aux consommateurs que jamais. C’est pourquoi les banques traditionnelles dépensent des millions en technologies anti-fraude, les analystes qui étudient l’industrie préviennent que les banques sont en train de perdre cette course aux armements.

Selon un KPMG , les coûts de la fraude augmentent à un rythme plus rapide que les dépenses des banques pour la gestion de la fraude. Cela nécessite un changement radical dans la prévention et la détection de la fraude, faute de quoi le modèle commercial bancaire deviendra insoutenable.

Heureusement pour le secteur bancaire, la fintech, qui a été pendant un temps considérée comme une menace directe et un concurrent, apparaît comme le sauveur le plus probable. Les sociétés Fintech et les startups comme Zafin, Backbase, Shield et d’autres utilisent l’apprentissage automatique et l’intelligence artificielle pour résoudre le problème de la fraude.

Qu’est-ce que la détection de fraude ?

La détection des fraudes est le processus d’identification des activités frauduleuses, qu’il s’agisse d’une tentative de fraude ou d’une fraude réelle. La fraude peut prendre plusieurs formes, telles que la fraude à la carte de crédit, la fraude à l’assurance ou la fraude à la transaction. Les institutions financières, les détaillants et d’autres entreprises perdent des milliards de dollars chaque année directement et indirectement à cause de la fraude.

Perdre de l’argent directement a du sens. Tout cas de fraude tel que le piratage ou l’écrémage de guichets automatiques est une fraude directe avec la banque. La perte indirecte d’argent due à la fraude fait référence à la fausse identification de transactions légitimes comme étant frauduleuses. Cela se produit principalement lorsque les mesures de détection des fraudes sont si élevées que même les transactions légitimes sont signalées comme frauduleuses par le système. Les banques perdent environ 118 millions de dollars par an en raison de ces fausses alertes.

De plus, le coût de la prévention de la fraude n’est pas statique. Le coût de la prévention de la fraude par carte de crédit en ligne augmente au fil du temps à mesure que les pirates deviennent meilleurs dans leur travail. Selon le rapport 2017 sur le coût de la fraude publié par LexisNexis, 81 % des institutions financières ont déclaré qu’il serait désormais plus coûteux de prévenir les transactions frauduleuses qu’en 2015.

Technologies utilisées dans la détection des fraudes

L’apprentissage automatique et l’IA sont déjà utilisés par les banques pour la détection des fraudes. L’apprentissage automatique est une application de l’intelligence artificielle (IA) où les programmes peuvent apprendre par eux-mêmes, devenant automatiquement plus précis dans la prédiction des résultats sans programmation explicite. Par exemple, le programme serait capable d’identifier les transactions frauduleuses plus rapidement qu’un humain, et pourrait même apprendre à prévenir la fraude mieux que les humains.

L’IA est la simulation des processus d’intelligence humaine par des machines, en particulier des systèmes informatiques. Ces processus comprennent l’apprentissage (l’acquisition d’informations et de règles d’utilisation de l’information), le raisonnement (l’utilisation de règles pour parvenir à des conclusions approximatives ou définitives) et l’autocorrection. L’intelligence artificielle est devenue plus populaire car les récentes avancées technologiques ont permis d’intégrer l’IA dans les systèmes informatiques.

Tendances en matière de détection de fraude

Alors que l’apprentissage automatique et l’intelligence artificielle continuent de s’améliorer, de plus en plus de progrès sont observés dans le domaine de la détection des fraudes. L’ampleur de ces changements ne peut être prédite avec exactitude, mais certains chercheurs ont suggéré de nouvelles utilisations potentielles de la technologie.

Détection d’une anomalie

Selon de nombreux chercheurs, l’IA pourrait être utilisée pour détecter des anomalies dans le comportement des clients. Si un certain modèle était identifié comme étant inhabituel, il serait signalé pour une inspection manuelle.

La “détection d’anomalies” peut également jouer un rôle dans l’amélioration des logiciels de détection des fraudes. Une anomalie est quelque chose qui ne correspond pas à une norme ou à un modèle attendu. S’il existe des anomalies dans le comportement des clients qui sont signalées comme potentiellement frauduleuses, il peut alors être déterminé qu’une fraude a probablement eu lieu.

Zafin a établi des partenariats avec les plus grandes institutions bancaires du monde, notamment Barclays, HSBC et Deutsche Bank. Bon nombre de ces banques ont subi des pertes importantes en raison de la fraude au cours des dernières années. Les algorithmes brevetés de la société détectent un large éventail d’activités frauduleuses, y compris le blanchiment de transactions et les prises de contrôle de comptes.

Backbase opère de manière furtive depuis des années maintenant pour créer sa solution “Invisible Fraud Prevention”. Selon des sources, cet outil utilise l’apprentissage automatique et l’IA pour identifier les anomalies dans le comportement des clients ainsi qu’une logique basée sur des règles pour déterminer si

Dynamique sociale

Les chercheurs suggèrent également que la “dynamique sociale en ligne” peut offrir un aperçu unique de la détection des fraudes. Ceci est basé sur l’idée que “les agents des réseaux sociaux ont tendance à former des communautés avec des préférences, des normes et des relations de confiance. Ces connexions pourraient être utilisées pour identifier la fraude”.

La frontière entre l’analyse dynamique sociale en ligne et la police du crédit social est très mince. La Chine a mis en place avec succès un système de police basé sur le crédit social à Shenzhen, qui est devenue la capitale technologique de la Chine. Que ce soit bon ou mauvais, c’est un autre débat.

Analyse biométrique

La biométrie n’est pas un nouveau concept, mais la mise en œuvre de cette technologie évolue en utilisant la science des données et l’apprentissage automatique pour la rendre encore plus sécurisée. Par exemple, les programmes de reconnaissance faciale sont capables d’identifier les utilisateurs individuels grâce à des caractéristiques faciales spécifiques, ce qui signifie que les mots de passe ne sont plus nécessaires.

L’analyse biométrique de la voix est une autre idée suggérée par les chercheurs. Cela fonctionne en utilisant un logiciel pour analyser la voix d’un client et peut détecter la fraude en fonction de sa concordance ou non avec les informations précédentes stockées dans le dossier. Un exemple de ce type de technologie en cours d’utilisation est le groupe AIT, qui fournit des services à certaines banques malaisiennes. En analysant 200 points de données, tels que le ton et la tonalité de la voix, le logiciel d’AIT peut effectuer un “test de phishing en direct” pendant que les clients appellent pour faire des demandes de renseignements.

Grâce à ces technologies, les banques seront mieux en mesure d’identifier les fraudes potentielles avant qu’elles ne se produisent, ce qui réduira les pertes.

La détection des fraudes est une considération importante pour les institutions financières, mais les anciennes techniques ne suffisent plus pour suivre les dernières escroqueries. L’ère de la prévention de la fraude par « force brute » a cédé la place à une approche plus nuancée qui utilise l’apprentissage automatique et la technologie de l’intelligence artificielle de manière créative.

Dans cet article, nous avons expliqué comment ces technologies peuvent aider les banques à identifier les anomalies ou les changements de comportement des clients pouvant indiquer une activité frauduleuse – avant même qu’elle ne se produise !