211service.com
6 éléments essentiels pour lutter contre la fraude grâce au machine learning
Image d'en-tête
Fourni par SAS
Stu Bradley est vice-président de la fraude et du renseignement de sécurité chez SAS.
On l'entend tout le temps : Prévention de la fraude est difficile parce que les fraudeurs changent et s'adaptent continuellement. Dès que vous comprenez comment reconnaître et prévenir une escroquerie, une nouvelle émerge pour prendre sa place.
Naturellement, la meilleure technologie pour lutter contre la fraude est donc celle qui peut changer et s'adapter aussi rapidement que les tactiques du fraudeur. C'est ce qui fait apprentissage automatique (ML) parfaits pour lutter contre la fraude. Lorsqu'ils sont conçus de manière optimale, ils apprennent, s'adaptent et découvrent les modèles émergents sans la sur-adaptation qui peut entraîner trop de faux positifs.
Traditionnellement, les organisations se sont appuyées sur des systèmes basés sur des règles pour détecter la fraude. Les règles utilisent une logique si-alors qui peut être approfondie pour découvrir les modèles de fraude connus. Et bien que les règles restent un outil important de lutte contre la fraude, en particulier en combinaison avec des approches avancées, elles se limitent à reconnaître des modèles que vous connaissez déjà et que vous pouvez programmer dans la logique. Ils ne sont pas efficaces pour s'adapter aux nouveaux modèles de fraude, découvrir des stratagèmes inconnus ou identifier des techniques de fraude de plus en plus sophistiquées.
C'est pourquoi de plus en plus d'industries adoptent le ML et l'intelligence artificielle pour la détection des fraudes. Recherche récente par SAS et l'Association of Certified Fraud Examiners ont constaté que seulement 13 % des organisations de tous les secteurs tirent parti de ces technologies pour détecter et dissuader la fraude. 25 % supplémentaires prévoient de les intégrer à leurs programmes anti-fraude au cours des deux prochaines années, soit une augmentation de près de 200 %.
Apprentissage supervisé ou non supervisé pour la détection des fraudes
Alors, comment ça marche? En termes simples, ML automatise l'extraction de modèles connus et inconnus à partir de données. Une fois qu'il reconnaît ces modèles, il peut appliquer ce qu'il sait à des données nouvelles et invisibles. La machine apprend et s'adapte à mesure que de nouveaux résultats et de nouveaux modèles lui sont présentés via une boucle de rétroaction.
Dans la détection des fraudes, les modèles ML supervisés tentent d'apprendre à partir d'enregistrements identifiés dans les données, souvent appelées données étiquetées. Pour former un modèle supervisé, vous lui présentez des enregistrements frauduleux et non frauduleux qui ont été étiquetés comme tels.
Le ML non supervisé est différent. Lorsque vous ne savez pas quelles données sont frauduleuses, vous demandez au modèle d'apprendre lui-même la structure des données. Vous le présentez simplement avec des données, et le modèle tente de comprendre la structure sous-jacente et les dimensions de ces données.
Détecter la fraude avec le ML : les composants
Pour appliquer le ML à la détection des fraudes, vous aurez au minimum besoin des composants suivants :
- Données : Comme pour toutes les applications de ML, des données de qualité sont essentielles à la création de systèmes de ML anti-fraude. Les ensembles de données ne font que croître et, à mesure que les volumes augmentent, le défi de détecter la fraude augmente également. Heureusement, l'adage selon lequel plus de données équivaut à de meilleurs modèles est vrai en matière de détection des fraudes. Le facteur décisif est d'avoir une plate-forme ML qui peut évoluer à mesure que les données et la complexité augmentent.
- Multiplicité : Il n'y a pas d'algorithme ou de méthode ML unique qui fonctionne le mieux pour la détection des fraudes. Le succès vient de la capacité d'essayer de nombreuses méthodes différentes, de tester des variations et de les évaluer avec un éventail d'ensembles de données. Cela nécessite une boîte à outils avec une variété de méthodes supervisées et non supervisées, ainsi qu'une gamme de techniques d'ingénierie de fonctionnalités. L'application du ML de manière nouvelle et originale, comme la combinaison d'une variété de méthodes supervisées et non supervisées dans un seul système, est plus efficace que n'importe quelle méthode seule.
- L'intégration : Cela semble un incontournable, mais cela reste un obstacle commun au succès dans de nombreuses organisations. Seuls 50% de tous les modèles développés arrivent en production, ce qui entraîne beaucoup d'efforts inutiles. Une fois que vous avez développé un modèle ML, le défi consiste à le déployer dans un environnement d'exécution opérationnel. Si vos données se trouvent dans Hadoop, il est logique que votre modèle ML puisse être appliqué dans Hadoop. De même, si vos données sont diffusées en continu dans des systèmes en temps réel, vous souhaitez un moteur ML pouvant s'exécuter en temps réel ou en flux. La portabilité du modèle et l'intégration de la logique de décision dans les systèmes opérationnels sont essentielles pour arrêter la fraude à grande échelle - et telle qu'elle se produit à grande échelle.
- Boxe blanche : Les méthodes et modèles ML sont généralement des boîtes noires. Il est souvent très difficile (voire impossible) d'expliquer aux décideurs comment le modèle est parvenu à la note ou à la conclusion qu'il a obtenue. Mais expliquer le quoi et le comment des systèmes de ML est essentiel, en particulier dans les secteurs hautement réglementés comme les services financiers. Ce facteur d'explicabilité est souvent appelé boîte blanche ou interprétabilité, et il est essentiel pour soutenir les processus de validation et de gouvernance des modèles.
- Surveillance continue : La surveillance continue des systèmes de détection de fraude ML est impérative pour le succès. À mesure que les populations et les données sous-jacentes changent, attendez-vous à ce que les entrées du système se dégradent et affectent les performances globales. Ce n'est pas propre aux systèmes ML ; les systèmes basés sur des règles ont le même défi. Mais les nouvelles méthodes de ML peuvent s'adapter à des modèles nouveaux et non identifiés à mesure que des changements sous-jacents se produisent. Cela élimine certaines, mais pas toutes, les étapes de recyclage et d'évaluation du ML. Un bon programme de surveillance enregistre et suit l'efficacité continue de tous les modèles.
- Expérimentation : Les programmes de ML réussis comportent un élément d'expérimentation continue. Il ne suffit pas de créer un modèle ML et de le laisser croquer. Les fraudeurs sont intelligents et la technologie évolue rapidement. Disposer d'un bac à sable où les scientifiques des données peuvent expérimenter librement une variété de méthodes, de données et de techniques pour lutter contre la fraude est devenu un aspect essentiel des meilleurs programmes anti-fraude. Les investissements visant à renforcer les capacités des scientifiques des données qui luttent contre la fraude peuvent être rentables presque immédiatement.
Concilier détection et expérience client
Identifier les transactions néfastes tout en offrant un service client de qualité est un exercice d'équilibre délicat. Une organisation qui refuse fréquemment des transactions légitimes ou rend ses mesures d'authentification trop lourdes est susceptible de perdre des clients. Les systèmes ML sont idéaux pour minimiser ce type de frottement.
Par exemple, une institution financière mondiale a récemment travaillé avec SAS pour moderniser son système de détection des fraudes basé sur des règles et aider à trouver un équilibre entre la surveillance et le service client. Pour ce faire, la banque a mis en place une solution basée sur ML de SAS qui utilise un ensemble de réseaux de neurones pour créer deux scores de fraude différents :
- Un score de fraude principal, évaluant la probabilité qu'un compte soit dans un état frauduleux.
- Un score transactionnel, évaluant la probabilité qu'une transaction individuelle soit frauduleuse.
En utilisant cette approche à double score, l'institution financière a correctement identifié près d'un million de dollars de transactions mensuelles qui avaient été identifiées à tort comme de la fraude. Il a également été en mesure de trouver 1,5 million de dollars supplémentaires par mois en fraude qui n'avaient pas été détectés auparavant.
Rassembler le tout
La détection des fraudes est un problème difficile. Alors que les transactions frauduleuses représentent une très petite fraction de l'activité au sein d'une organisation, un petit pourcentage d'activité peut rapidement se transformer en grosses pertes en dollars sans les bons outils et systèmes en place. Avec les progrès du ML, les systèmes peuvent apprendre, s'adapter et découvrir des modèles émergents pour prévenir la fraude. Vous pouvez ainsi suivre les fraudeurs même lorsqu'ils évoluent et changent de tactique.