{"id":20499,"date":"2016-02-18T09:00:19","date_gmt":"2016-02-18T08:00:19","guid":{"rendered":"http:\/\/visionarymarketing.fr\/blog\/?p=20499"},"modified":"2022-12-20T22:38:42","modified_gmt":"2022-12-20T21:38:42","slug":"detection-de-fraude-bancaire-big-data","status":"publish","type":"post","link":"https:\/\/visionarymarketing.com\/fr\/2016\/02\/18\/detection-de-fraude-bancaire-big-data\/","title":{"rendered":"Comment combattre la fraude bancaire avec les Big Data"},"content":{"rendered":"

[NDLR]\u00a0Nous avons eu la chance de rencontrer Thomas Gerbaud l’ann\u00e9e derni\u00e8re lors d’une r\u00e9union sur les Big Data. Nous en avions d’ailleurs profit\u00e9 pour l’interviewer sur son m\u00e9tier de data scientist. Il nous arrive souvent de d\u00e9crire les data sous un angle marketing dans ce blog, et celui de nos clients et partenaires. Il serait faux cependant de croire que seul le marketing est concern\u00e9 par cette r\u00e9volution de la donn\u00e9e. On peut bien entendu et surtout les utiliser aussi \u00e0 titre pr\u00e9ventif dans le cadre de la d\u00e9tection de la fraude bancaire par exemple. Dans la mesure o\u00f9 cet\u00a0aspect de la d\u00e9tection des fraudes, dans le\u00a0domaine bancaire et dans le ecommerce, peut \u00e9galement \u00eatre vu comme un avantage concurrentiel ou une\u00a0constituante du\u00a0<\/em>service : n<\/em>ous avons donc demand\u00e9 \u00e0 Thomas de traiter ce sujet. Nous vous livrons donc ses r\u00e9flexions sur ce sujet dans le billet suivant.<\/em><\/span><\/p>\n

Comment combattre la fraude bancaire avec les Big Data<\/h2>\n

Par Thomas Gerbaud, CEO Ocean Data, Fondateur de Mantiq et Data Scientist<\/span><\/em><\/p>\n

Exemple bas\u00e9 sur une situation r\u00e9elle – bien \u00e9videmment. Je me garderai donc bien de donner toute formation d’indication chiffr\u00e9e.<\/em><\/p><\/blockquote>\n

La banque X travaille avec Tracfin (Traitement du renseignement et action contre les circuits financiers clandestins)<\/a>, comme toutes les autres. En tant qu’organisme financier, elle a l’obligation l\u00e9gale de participer activement \u00e0 la lutte contre le blanchiment d’argent. Toute entr\u00e9e d’argent suspecte doit donc \u00eatre notifi\u00e9e au r\u00e9gulateur. Cela repr\u00e9sente un co\u00fbt certain, essentiellement humain et en temps. Une perte s\u00e8che, au mieux compressible. Des outils de d\u00e9tection existent, bien sur, souvent bas\u00e9s sur des filtres ad-hoc.\u00a0Le souci, c’est que ces outils sont fondamentalement idiots.<\/p>\n

A l’heure o\u00f9 l’intelligence artificielle titille les experts du Go<\/a>, et alors qu’aucun \u00eatre humain n’a battu un supercalculateur<\/a> aux \u00e9checs depuis 2006 (voir ce tr\u00e8s bon article du Monde)<\/a>, est-il encore n\u00e9cessaire de fixer les seuils de d\u00e9clenchement d’alertes \u00e0 la main ? Ne pourrait-on pas injecter un peu d’intelligence dans les routines de d\u00e9tection de fraude ? Questions l\u00e9gitimes. R\u00e9ponse affirmative.<\/p>\n

\"fraude
les big data arriveront-ils \u00e0 allumer la petite lumi\u00e8re de l\u2019intelligence des outils de d\u00e9tection la fraude bancaire ?<\/figcaption><\/figure>\n

D\u00e9tection de fraude : pour une approche plus fut\u00e9e… et plus efficace<\/p>\n

Je me propose d’illustrer, dans ce billet, les limites de la d\u00e9tection par filtres, et de pr\u00e9senter une approche plus fut\u00e9e. Et plus efficace !<\/strong><\/p>\n

La d\u00e9tection par filtre consiste \u00e0 mod\u00e9liser un comportement suspect, puis \u00e0 le d\u00e9tecter ; c’est-\u00e0-dire d\u00e9crire le comportement en terme d’observables (par exemple, un virement rond sup\u00e9rieur a 5000e, ou un d\u00e9p\u00f4t de liquide atypique), et placer des filtres sur les op\u00e9rations. Cette approche est efficace si le nombre de r\u00e8gles est suffisant, et si tous les cas sont couverts<\/strong>. L’intelligence r\u00e9side donc dans la conception et l’ordonnancement des filtres, qui sont vou\u00e9s \u00e0 se multiplier pour embrasser la multiplicit\u00e9 des situations qui seront, selon le contexte, suspectes ou non. Trop larges, ces filtres provoquent des avalanches de faux-positifs<\/strong>; trop restrictifs, ils ne d\u00e9tectent rien. Si, pratiquement parlant, cela fonctionne quand m\u00eame, au prix d’une certaine complexit\u00e9, cette approche n’est intellectuellement pas satisfaisante. Puisque l’approche descriptive suppose une certaine ressemblance dans les comportements suspects, ressemblance que l’on traduit par des r\u00e8gles simples, pourquoi ne pas pousser la d\u00e9marche et laisser l’ordinateur d\u00e9tecter ces motifs tout seul ?<\/p>\n

Une approche de\u00a0d\u00e9tection de fraude\u00a0bas\u00e9e sur l’apprentissage<\/h2>\n

C’est le principe de la seconde approche, bas\u00e9e sur l’apprentissage. L’homme ne donne plus une description des cas suspects ; il fixe un cadre et laisse la machine inf\u00e9rer des r\u00e8gles de comportement \u00e0 partir d’exemples qualifi\u00e9s (suspects ou non). Pour utiliser une image, au lieu de dire \u00e0 la machine \u00ab\u00a0tu sors le drapeau rouge quand tu vois \u00e7a, \u00e7a et \u00e7a\u00a0\u00bb, on va lui pr\u00e9senter une situation et lui dire \u00ab\u00a0je veux que tu m’avertisses quand tu verras des cas similaires \u00e0 ceux que vais te pr\u00e9senter\u00a0\u00bb. Cette d\u00e9marche laisse donc la machine d\u00e9cider des r\u00e8gles de d\u00e9tection, ce qui revient \u00e0 dire que c’est \u00e0 elle de trouver des similarit\u00e9s.<\/p>\n

A partir de ce point, ami lecteur, deux choix s’offrent \u00e0 moi :<\/p>\n

    \n
  • Soit j’essaie de vous impressionner avec des d\u00e9tails techniques impliquant, n\u00e9cessairement, de d\u00e9crire une mod\u00e9lisation possible des op\u00e9rations bancaires compatibles avec le fonctionnement d’algorithmes d’apprentissage automatique (machine learning) semi-supervis\u00e9.<\/li>\n
  • Soit j’utilise des m\u00e9taphores, vous induisant forc\u00e9ment en erreur, pour vous expliquer que l’on peut ramener le probl\u00e8me \u00e0 des tableaux de chiffres que l’on injecte dans une boite noire adapt\u00e9e au cas \u00e0 r\u00e9soudre et pr\u00e9alablement entra\u00een\u00e9e et enrichie de notre exp\u00e9rience pass\u00e9e (cas suspects ou l\u00e9gitimes). La d\u00e9marche consiste \u00e0 cr\u00e9er un outil num\u00e9rique capable d’apprentissage qui essaie de quantifier le degr\u00e9 de suspicion que l’on peut attacher \u00e0 chaque op\u00e9ration, en la comparant aux autres op\u00e9rations.<\/li>\n<\/ul>\n