Sensibilisation et lutte contre la fraude

Les technologies de détection de fraude ont fait d'importants progrès grâce aux avancées en matière de vitesse de calcul (analyse à haute performance), de machine learning et d'autres formes d'intelligence artificielle (IA). La fraude impacte tous les domaines de la vie quotidienne ; elle augmente le prix que nous payons pour les biens et les services, se nourrit de nos impôts, monopolise des ressources au détriment de l'innovation et va même jusqu'à coûter des vies humaines.

• Historique
•     
• Contexte actuel
•     
• Utilisation
•     
• Comment ça marche
•     
• Étapes suivantes

Historique

La fraude regroupe le gaspillage et les abus, les paiements indus, le blanchiment d'argent, le financement du terrorisme, la sécurité publique et la cybersécurité. Dans le passé, les organisations devaient adopter une approche fragmentée de la lutte contre la fraude, en utilisant des règles métier et des analyses rudimentaires pour rechercher des anomalies et créer des alertes à partir d'ensembles de données distincts. 

Les données ne pouvaient pas être recoupées grâce à l'automatisation, et les enquêteurs n'étaient pas en mesure de contrôler manuellement les transactions et les délits en temps réel ; ils devaient le faire après coup. Dans le secteur de la santé, la lutte contre la fraude s'apparentait davantage à la poursuite du fraudeur une fois les indemnités perçues plutôt qu'à de la prévention, car celui-ci était déjà loin lorsque la fraude était détectée.

Pour lutter contre la fraude, de nouvelles technologies ont été mises au point pour prédire les tactiques conventionnelles, démasquer de nouveaux stratagèmes et déchiffrer des réseaux de fraude organisée de plus en plus sophistiqués. Il ne s'agit pas seulement d'analytique standard, mais aussi de techniques d'analytique prédictive et adaptative – y compris une forme d'intelligence artificielle connue sous le nom de "machine learning" (apprentissage automatique). En combinant les sources de big data avec la surveillance en temps réel et l'analyse du profil de risque pour évaluer le risque de fraude, la lutte contre la fraude a évolué et commence à inverser la tendance des pertes.

La lutte contre la fraude dans le monde d'aujourd'hui

Les complexités croissantes du terrorisme sponsorisé par des Etats, des criminels professionnels et des malfaiteurs de base sont de plus en plus difficiles à comprendre, à suivre, à exposer et à prévenir. Lutter contre la fraude dans le monde d'aujourd'hui implique une approche globale pour faire correspondre les points de données avec les activités afin de détecter ce qui est anormal. Les fraudeurs ont mis au point des tactiques sophistiquées. Il est donc essentiel de rester à l'affût de ces approches changeantes qui consistent à jouer avec le système.

Souvent, les brèches de cybersécurité permettent des activités frauduleuses. Prenons l'exemple du commerce de détail ou des services financiers. Autrefois un luxe, la surveillance des transactions en temps réel est désormais une exigence standard, non seulement pour les transactions financières, mais aussi pour les données d'événements numériques concernant l'authentification, la session, l'emplacement et l'appareil.

Pour identifier précisément et stopper rapidement les différents types d'attaques frauduleuses et de crimes financiers – tout en améliorant l'expérience des clients et des citoyens – les organisations doivent suivre quatre étapes essentielles :

1. Capturer et unifier tous les types de données disponibles dans les différents services ou canaux et les intégrer dans le processus analytique.
2. Surveiller en permanence les transactions, les réseaux sociaux, les anomalies à haut risque, etc., et appliquer l'analytique comportementale pour permettre une prise de décision en temps réel.
3. Instaurer une culture analytique à l'échelle de l'entreprise grâce à la visualisation des données à tous les niveaux, y compris l'optimisation du workflow d'investigation.
4. Utiliser des techniques de sécurité à plusieurs niveaux.
   
   

La technologie de détection et de lutte contre la fraude que vous choisissez doit être capable d'apprendre à partir de modèles de données complexes. Elle doit utiliser des modèles de décision sophistiqués pour mieux gérer les faux positifs et détecter les relations entre les réseaux afin d'obtenir une vision holistique de l'activité des fraudeurs et des criminels. La combinaison de méthodes de machine learning – telles que les réseaux neuronaux de deep learning, le gradient boosting extrême et les machines vectorielles – ainsi que de méthodes éprouvées telles que la régression logistique, les cartes de Kohonen, les forêts aléatoires et les ensembles – s'est avérée beaucoup plus précise et efficace que les approches basées sur des règles.

Comment fonctionne la lutte contre la fraude ?

La détection et la prévention de la fraude ne sont pas des processus statiques. Il n'y a pas de point de départ et d'arrivée. Il s'agit plutôt d'un cycle continu impliquant le contrôle, la détection, les décisions, la gestion des cas et l'apprentissage pour réinjecter dans le système les améliorations apportées. Les organisations doivent s'efforcer de tirer continuellement des enseignements des incidents de fraude et d'intégrer les résultats dans les processus de surveillance et de détection. Pour ce faire, elles doivent adopter une approche du cycle de vie analytique à l'échelle de l'entreprise.

Vos objectifs peuvent concerner la lutte contre la fraude, la conformité ou la sécurité. Alors que les technologies telles que l'intelligence artificielle et le machine learning sont de plus en plus répandues, la dernière génération de technologies automatise les processus manuels associés à la combinaison de vastes ensembles de données et à l'utilisation de l'analyse comportementale.