Fraude fiscale, sociale, à la carte bancaire, … les types de fraude sont variés et avec la diversification des moyens de paiement, ils se multiplient et se complexifient, lésant les individus, les entreprises et l’État pour des couts exorbitants.
Ainsi, en 2020, la fraude aux moyens de paiement s’élevait à 1.28 milliards d’euro* (et à 644 millions d’euros pour le seul 1er trimestre 2021) et les estimations de fraude fiscale varient entre 80 et 100 milliards d’euros**. La lutte contre la fraude est devenue un enjeu majeur.
Pour contrer ce fléau, l’Etat, les entreprises et les banques cherchent à renforcer leurs dispositifs de lutte contre la fraude et se tournent de plus en plus vers l’utilisation de l’Intelligence Artificielle. Le Ministère de l’Economie et des Finances affiche avoir augmenté ses performances de détection de fraude fiscale grâce à l’utilisation d’algorithmes de datamining. L’IA est sans aucun doute un allié clef pour renforcer la lutte contre la fraude, à condition de bien l’utiliser !
La lutte contre la fraude, un bon cas d’école pour comprendre le potentiel de l’IA. Au cœur du dispositif : l’expert métier.
En amont, bien analyser le contexte, pour une modélisation des données optimale.
A noter au préalable que la fraude, bien qu’extrêmement couteuse, reste un événement rare. Et la modélisation des événements rares nécessite une très grande exigence dans la préparation des données, et de prendre en compte l’ensemble des signaux faibles.
Comme pour tout projet de modélisation, la première étape est de créer un jeu de données pertinent mais également de comprendre le contexte de la fraude : Quel est l’objet de la fraude ? Comment fonctionne l’outil fraudé ? Où sont les risques de compromission ? Qui peut frauder ? Comment le fraudeur peut-il récupérer son gain ?
Une compréhension minutieuse du contexte dans lequel évolue l’entreprise, basée sur une fine connaissance du métier, permettra de savoir quelles sont les typologies de fraude visées et de créer des algorithmes qui répondent aux contraintes opérationnelles des fraudes à détecter.
Par exemple, dans le cadre de la lutte contre la fraude à la carte bancaire, il est nécessaire de savoir que les remontées de fraude ne sont pas immédiates et que les cinématiques de fraude (modes opératoires) évoluent continuellement. Ces éléments doivent être pris en compte lors de la conception de l’algorithme et de la modélisation. Dans le cas contraire, il existera des biais entre la phase de POC et la mise en production de l’algorithme, ce qui entrainera des résultats non conformes aux attentes.
Une fois l’ensemble du contexte et des contraintes entièrement appréhendés, comment utiliser au mieux la puissance de l’IA ?
Les apports de l’IA pour lutter contre la fraude sont multiples, d’autant plus s’ils sont couplés à l’expertise humaine. L’IA dégage de nouvelles possibilités d’analyse et de performance pour l’expert en lui permettant de :
- Optimiser les dispositifs existants de lutte contre la fraude :
Avant d’utiliser des algorithmes de machine learning, de nombreuses organisations ont déjà mis en place des systèmes anti-fraude, souvent basés sur des règles créées par les experts en fonction de leurs observations et des remontées terrain. L’IA peut challenger ces règles et proposer des optimisations (ex : de nouveaux seuils) afin de gagner en pertinence et diminuer les faux positifs qui correspondent à des manques à gagner (ex : temps d’investigation gâché, opérations financières bloquées à tort…).
- Identifier de nouvelles cinématiques de fraude
L’IA peut détecter de nouveaux schémas de fraude. Pour ce faire, il est primordial que les résultats des algorithmes utilisés soient interprétables par un expert afin de comprendre les nouvelles cinématiques de fraude identifiées/générées par l’algorithme. En effet, les modèles dits « boites noires » (ex : xgboost) peuvent être pertinents pour la détection mais ne le sont pas pour expliquer et comprendre les cinématiques de fraude. Plus la compréhension de la cinématique de fraude sera complète, enrichie de l’expérience et de la connaissance humaine, plus la réponse à cette fraude sera pertinente et durable.
- Gagner en réactivité et en vigilance
Les fraudeurs s’adaptent vite : dès qu’ils repèrent qu’une cinématique de fraude est contenue grâce à de nouveaux contrôles, ils ne manquent pas d’imagination pour en créer une autre. Il faut donc être vigilant et réactif ! L’IA permet de détecter rapidement de nouveaux usages ou des anomalies dans les comportements (ex : apparition d’un nouveau site e-commerce ou forte augmentation d’activité sur un site) et de les signaler. Attention, une anomalie ne correspond pas forcément à une fraude (ex : il peut s’agir seulement d’une hausse d’activité sur un site suite à la sortie d’un nouveau produit ou d’une campagne de promotion), il faut donc toujours soumettre les résultats à un expert fraude.
Par plusieurs aspects, l’IA est un levier pour optimiser la détection de fraude mais comme toute intelligence, elle a besoin d’être « éduquée » au contexte de fraude que l’on souhaite combattre, pour être pertinente et exprimer tout son potentiel. Il est donc essentiel d’associer la puissance de l’IA à l’expertise métier pour avoir un dispositif de lutte contre la fraude le plus complet, réactif et performant possible.
