La fraude est une affaire de schémas, et l’IA excelle à les détecter
Les systèmes de détection de fraude à base de règles, l’approche la plus courante jusqu’à récemment, ont une faiblesse structurelle : ils ne détectent que les types de fraude que quelqu’un a anticipés en écrivant les règles. Or la fraude évolue. Les fraudeurs apprennent les règles et les contournent. Les organisations ajoutent des règles, les faux positifs se multiplient, les analystes sont débordés, et le cycle recommence.
Les modèles de machine learning appliqués à la détection de fraude abordent le problème sous un autre angle. Au lieu de coder les règles de ce qui est frauduleux, ils apprennent les schémas statistiques de ce qui est normal et détectent ce qui s’en écarte nettement. Cette approche présente deux avantages clés : elle détecte des types de fraude qui n’avaient pas été explicitement prévus, et elle s’adapte automatiquement lorsque les comportements changent.
Dans la finance et l’assurance, des déploiements comparables font état d’une amélioration du taux de détection de la fraude, avec des résultats qui varient selon le volume de transactions et la qualité des données historiques, et d’une réduction simultanée des faux positifs, qui peuvent représenter la grande majorité des alertes dans les systèmes à base de règles.
Les types de fraude où l’IA a le plus d’impact
Fraude sur les transactions financières : détection en temps réel des transactions anormales (achats dans des lieux inhabituels, dépenses incompatibles avec le profil du client, rythme de transactions incompatible avec un usage légitime). Les modèles fonctionnent en quelques millisecondes pour ne pas freiner les transactions légitimes.
Fraude aux sinistres d’assurance : analyse des déclarations pour repérer les incohérences (déclarations qui ne concordent pas avec des données externes, schémas de déclaration statistiquement inhabituels, réseaux de fraude organisée dans lesquels plusieurs déclarants ont des liens cachés).
Fraude dans l’e-commerce : détection des faux comptes, de l’utilisation frauduleuse de moyens de paiement volés, de la manipulation d’avis et des abus des politiques de retour. Chaque secteur a ses schémas propres.
Fraude interne : analyse du comportement des salariés ayant accès à des systèmes sensibles pour détecter des accès inhabituels, des virements anormaux ou des comportements révélateurs d’un conflit d’intérêts.
Détection en temps réel ou analyse en batch
L’architecture du système de détection dépend du type de fraude et de la rapidité de réponse exigée :
Détection en temps réel : pour la fraude transactionnelle, le modèle doit évaluer chaque opération en quelques millisecondes et renvoyer un score de risque avant l’autorisation de la transaction. Cela suppose une architecture à faible latence, des modèles optimisés pour la vitesse d’inférence et une gestion attentive de l’équilibre entre précision et rapidité.
Analyse en batch : pour la fraude aux sinistres, la fraude documentaire ou la fraude interne, l’analyse peut se faire par lots périodiques (quotidiens, hebdomadaires) sans réponse en temps réel. Cette architecture est plus simple et permet des modèles plus complexes et plus explicables.
Trouver l’équilibre entre détection et expérience client
Le principal risque d’un système de détection trop agressif n’est pas technique : c’est l’impact sur l’expérience des clients légitimes bloqués ou contrôlés sans raison. Les faux positifs ont un coût réel, en friction dans le parcours client, en ressources du service client et en perte de confiance.
Chez AIRES, nous concevons les systèmes de détection de fraude en tenant compte explicitement de cet équilibre, avec des seuils calibrés sur le profil de risque de chaque entreprise et des mécanismes de revue humaine qui donnent la priorité aux cas à plus forte valeur et aux alertes les plus fiables.
Questions fréquentes
Faut-il des exemples historiques de fraude pour entraîner le modèle ?
Cela dépend de l’approche. Les modèles supervisés exigent des exemples étiquetés de fraude réelle. Si le volume historique de fraudes détectées est très faible, des modèles non supervisés de détection d’anomalies peuvent constituer un point de départ valable, puisqu’ils apprennent les comportements normaux sans étiquettes de fraude explicites. L’idéal est de combiner les deux approches.
Comment faire face à l’adaptation des fraudeurs au système ?
Le suivi continu des performances du modèle en production est essentiel. Lorsqu’il apparaît que de nouveaux schémas de fraude sont sous-détectés, le modèle est réentraîné avec ces nouveaux exemples. Les systèmes les plus efficaces associent des modèles de ML à une équipe d’analystes qui examine les cas douteux et alimente le système avec les nouveaux schémas identifiés.
Quelles obligations légales s’appliquent dans l’UE aux systèmes de décision automatisée en matière de fraude ?
Le RGPD encadre les décisions entièrement automatisées qui concernent des personnes physiques, notamment par le droit d’obtenir une intervention humaine. Pour les décisions de blocage de transactions ou d’enquête pour fraude qui touchent des clients particuliers, il faut prévoir un processus de revue humaine et une voie de recours. La conception du système doit intégrer ces obligations dès le départ.