Détection de la fraude et Machine Learning :
ce que vous devez savoir
La détection de la fraude est un problème complexe. Les opérations frauduleuses sont rares, c’est un fait. Elles représentent une très petite fraction dans l’activité d’une entreprise. Le problème est que ce petit pourcentage peut très vite provoquer d’énormes pertes financières si l’entreprise ne dispose pas des outils et dispositifs appropriés. Les malfaiteurs sont rusés. Lorsque les mécanismes de fraude traditionnels ne donnent pas les résultats escomptés, les fraudeurs changent de tactique. Heureusement, grâce aux progrès de l’analytique, les dispositifs de lutte anti-fraude peuvent apprendre, s’adapter et détecter des schémas émergents pour prévenir la fraude.
La plupart des entreprises utilisent encore des systèmes basés sur des règles comme principal outil de détection de la fraude. Les règles permettent de découvrir très facilement les tendances connues, mais elles sont peu efficaces face aux schémas de fraude inconnus ou aux techniques de plus en plus sophistiquées des fraudeurs. C’est là que l’analytique et le Machine Learning (encore appelé l’apprentissage automatisé), deviennent nécessaires pour la prévention et la détection de la fraude.
Le Machine Learning (ML) a le vent en poupe aujourd’hui. La plupart des éditeurs affirment disposer de fonctionnalités ML, notamment pour la détection de la fraude. SAS, lui, est un pionnier du ML depuis les années 1980, lorsque les réseaux neuronaux ont été utilisés pour la première fois pour lutter contre la fraude à la carte bancaire. Mais ce n’est pas parce que le ML et l’analytique font partie de nos activités depuis longtemps que nous nous sommes reposés sur nos lauriers. En fait, c’est plutôt le contraire.
Le ML est un élément essentiel du dispositif de détection de la fraude. Voici ce dont vous aurez besoin pour mettre en place votre dispositif analytique de lutte contre la fraude.
Des données!
Les ensembles de données ne font que croître, et plus les volumes augmentent, plus le défi de la détection de la fraude s’intensifie. En fait, les données sont essentielles pour créer des modèles de ML. L’adage « plus de données signifie de meilleurs modèles » est vrai en matière de détection de la fraude. Les intervenants auront besoin d’une plateforme de ML en mesure d’évoluer à mesure que les données et la complexité augmentent. Si les outils théoriques fonctionnent souvent bien avec des milliers de relevés et quelques mégaoctets de données, les problèmes du monde réel se mesurent en giga octets, voire en téraoctets de données.
Les avantages de la quantité
Il n’existe pas d’algorithme ou de méthode de ML unique qui fonctionne. Le succès vient de la capacité à essayer de nombreuses méthodes différentes basées sur le ML, de les alterner et de les tester avec plusieurs ensembles de données. Le spécialiste des données a besoin d’un ensemble d’outils comprenant une diversité de méthodes supervisées et non supervisées - ainsi qu’une diversité de techniques d’ingénierie. Enfin, l’usage du ML pour la détection de la fraude comporte un aspect créatif ou un « art » : appliquer des traitements analytiques de manière nouvelle et inédite dans la lutte anti-fraude, notamment en utilisant diverses méthodes de ML supervisées et non supervisées dans un seul système afin d’être plus efficace.
Lutte anti-fraude : comment réussir avec l’analytique?
Les traitements analytiques appliqués sur la diversité des sources de données constituent un atout de taille dans la performance des dispositifs de lutte contre la criminalité financière. Découvrez les tendances en matière de lutte anti-fraude ainsi que les étapes à suivre pour financer un programme de lutte anti-fraude basé sur l’analytique.
Télécharger le document
Intégration dans les opérations
Une fois que vous avez élaboré un modèle de ML, le défi consiste à l’intégrer dans vos opérations. Si vos données sont dans le cloud, il est logique que votre modèle de ML soit intégré à votre stockage et à votre informatique dans le cloud. De même, si vous utilisez des données de flux en mode Edge (Edge Computing) il vous faut un moteur de ML qui prenne en charge les données en continu et en temps réel. A mesure que la fraude prend de l’envergure, la portabilité du modèle et l’intégration de la logique de décision dans les systèmes opérationnels sont primordiales pour mettre fin à la fraude à grande échelle.
Transparence des algorithmes
Il est essentiel d’expliquer le fonctionnement d’un modèle de ML souvent qualifié par le vocable « AI Explicable ». Les méthodes et modèles de ML sont généralement des boîtes noires. Il est très difficile (voire impossible) d’expliquer aux analystes pourquoi ils ont obtenu le score ou la décision reçue. De nombreuses approches pour interpréter les indicateurs analytiques de lutte anti- fraude existent, notamment les indicateurs basés sur des estimations linéaires locales , la génération d’explications textuelles et de graphiques visuels. Ce sont des approximations qui peuvent donner aux utilisateurs un aperçu du modèle de ML et guider le processus d’investigation de la fraude.
Surveillance continue
Tout peut changer, et votre dispositif analytique de lutte anti-fraude doit s’adapter au fur et à mesure. La surveillance continue des systèmes de ML est impérative pour réussir en matière de détection de fraude. À mesure que les populations et les données sous-jacentes évoluent, les entrées attendues du système se dégradent et ont donc un impact sur les performances globales des systèmes. Ce phénomène n’est pas propre aux systèmes de Machine Learning ; les systèmes basés sur des règles sont confrontés au même problème. Mais les nouvelles méthodes de ML peuvent s’adapter à des nouveaux schémas de fraude à mesure que des changements fondamentaux se produisent. Cette adaptation élimine une partie, mais pas la totalité, des étapes de de réajustement et d’évaluation de ML.
Un bon programme de surveillance repose sur une approche proactive. Parce qu’il examine les données qui entrent dans le système, évalue les prédictions et les explications du modèle de ML, et alerte les administrateurs sur les évolutions des tendances et statistiques avant que des changements spectaculaires n’affectent les opérations et le résultat net.
Comment cela affecte-t-il vos clients?
Pour une institution financière, la mise en lumière des cas frauduleux constituait un véritable défi. Elle devait identifier les opérations malveillantes, mais aussi maintenir un service client de qualité en veillant à ce que. La vigilance en matière de détection de la fraude n’altère le service client en signalant - et en bloquant - les transactions licites.
Cette institution financière souhaitait moderniser son système de détection de la fraude basé sur des règles et trouver un équilibre entre la surveillance et l’expérience client. Pour ce faire, elle a collaboré avec SAS pour mettre en œuvre une solution de détection de la fraude basée sur le Machine Learning qui tire parti d’un ensemble de réseaux neuronaux pour créer deux scores de fraude différents:
- Un premier score de fraude est une évaluation de la probabilité qu’un compte soit en situation de fraude.
- Un second score transactionnel est une évaluation de la probabilité qu’un individu soit un fraudeur.
Cette approche a aidé l’institution financière à identifier correctement près d’un million de dollars de transactions mensuelles recensées à tort comme frauduleuses. Elle a également permis d’identifier 1,5 million de dollars par mois de fraude supplémentaire qui n’avait jamais été détectée. En plus d’améliorer considérablement la capacité de l’entreprise à détecter les fraudes, la solution analytique a augmenté de manière significative la satisfaction des clients. Comment? En améliorant le processus d’approbation des transactions tout en augmentant l’efficacité de la détection de la fraude, les frictions entre l’entreprise et ses clients ont été considérablement réduites.
L’usage du Machine Learning pour la détection de la fraude comporte un aspect créatif ou un « art » : appliquer des traitements analytiques de manière nouvelle et inédite dans la lutte anti-fraude, notamment en utilisant diverses méthodes de ML supervisées et non supervisées dans un seul système afin d’être plus efficace.
Sortir des sentiers battus
Enfin, les programmes de ML réussis comportent un élément d’expérimentation en continue. Construire un modèle ML et le laisser fonctionner ne suffisent pas. Les fraudeurs sont intelligents, et la technologie évolue rapidement. Avoir un environnement où les spécialistes des données peuvent expérimenter librement une variété de méthodes, de données et de techniques est devenu un aspect essentiel des meilleurs programmes analytiques pour lutter contre la fraude. Les investissements visant à renforcer les capacités des spécialistes des données qui luttent contre la fraude sont presque immédiatement rentabilisés.
Alors, le Machine Learning, c’est quoi exactement?
En termes simples, le ML permet d’automatiser l’extraction de modèles connus et inconnus à partir de données. Il exprime ces modèles sous la forme d’une formule ou d’un ensemble d’instructions qui peuvent être appliquées à des données nouvelles et non vues. Le dispositif apprend et s’adapte au fur et à mesure que des résultats et de nouveaux modèles lui sont présentés, et peut être supervisé ou non.
Le ML supervisé est une catégorie de méthodes analytiques qui tentent d’apprendre à partir de signalements identifiés dans les données ; on parle souvent de données étiquetées. Pour former un modèle supervisé, vous lui présentez des signalements frauduleux et non frauduleux, et le modèle tente ensuite de déduire une fonction ou un ensemble d’instructions permettant de prédire la présence de fraude en l’appliquant à de nouveaux exemples. Les méthodes courantes de ML supervisé comprennent la régression logistique, les réseaux neuronaux, les arbres de décision, les machines d’amplification du gradient, les forêts aléatoires, les machines à vecteurs de support et bien d’autres encore.
Le ML non supervisé est différent. Puisque vous ne savez pas quelles données sont frauduleuses, vous souhaitez que le modèle crée une fonction qui décrit la structure des données. De cette façon, le modèle signale tout ce qui ne correspond pas au modèle comme étant une anomalie. Pour former un modèle non supervisé, il suffit de lui présenter des données et le modèle tente de déduire une fonction ou un ensemble d’instructions qui décrit la structure et les dimensions sous-jacentes des données. Cette fonction ou cet ensemble d’instructions peut ensuite être appliqué à des données nouvelles et non vues.
Le problème des méthodes non supervisées est qu’il est souvent difficile d’évaluer la précision du schéma de détection tant que les données n’ont pas été travaillées et vérifiées manuellement. Les méthodes de ML non supervisées les plus courantes incluent les algorithmes tels que le partitionnement k-means, la classification dbscan, les cartes auto-organisatrices, les séparateurs à vaste marge ou machines à vecteurs de support , l’analyse en composantes principales et bien d’autres encore.
Et jusqu’à l’intelligence artificielle
Nous avons parcouru un long chemin de l’analyse statistique au Machine Learning et à l’intelligence artificielle. Et la tendance s’accélère. Découvrez comment SAS peut vous aider à lutter contre la fraude grâce à une détection proactive qui s’appuie sur des techniques analytiques avancées, de Machine Learning et d’intelligence artificielle.
Lecture recommandée
- ARTICLE 6 ways big data analytics can improve insurance claims data processingWhy make analytics a part of your insurance claims data processing? Because adding analytics to the claims life cycle can deliver a measurable ROI.
- ARTICLE Analytics: A must-have tool for leading the fight on prescription and illicit drug addictionStates and MFCUs now have the analytics tools they need to change the trajectory of the opioid crisis by analyzing data and predicting trouble spots – whether in patients, prescribers, distributors or manufacturers. The OIG Toolkit with free SAS® programming code makes that possible.
- Recherche Nerd in the herd: protecting elephants with data scienceA passionate SAS data scientist uses machine learning to detect tuberculosis in elephants. Find out how her research can help prevent the spread of the disease.
- ARTICLE What do drones, AI and proactive policing have in common?Law enforcement and public safety agencies must wrangle diverse data sets – such as data from drones – in their proactive policing operations. To be most effective, they need modern tools that support AI techniques like machine learning, computer vision and natural language processing.