Cet article a été traduit automatiquement.
La détection des fraudes vise à identifier les fraudeurs et les activités frauduleuses tout en évitant la perte d'argent et/ou de biens. Il existe une grande variété de systèmes et d'outils de détection des fraudes pour faire face à l'évolution constante des menaces numériques, en particulier dans les secteurs de la finance, de la santé, de l'administration, de l'assurance et du commerce de détail.
adaptatif analytique et machine learning sont des éléments essentiels de la détection de la fraude qui utilisent des techniques d'analyse de données pour détecter la fraude. Selon la Federal Trade Commission (FTC), plus de 2 millions de cas de fraude ont été signalés par les consommateurs en 2020.
La détection des fraudes est importante pour la protection des consommateurs et des entreprises.
Qu'est-ce que la détection de la fraude ?
Les entreprises intègrent la détection des fraudes dans leur politique, leurs mesures de sécurité et leurs sites web afin d'identifier les activités non autorisées. L'informatique implique un ensemble d'analyses et de processus visant à la fois à prévenir et à détecter la fraude.
La fraude peut inclure une variété de méthodes et de techniques différentes, telles que les suivantes :
- Usurpation d'identité
- Transactions de cartes de crédit volées et frauduleuses
- Escroqueries à l'assurance
- Usurpations de comptes (ATO)
- Fraude aux soins de santé
Les entreprises utilisent des systèmes de détection des fraudes pour s'assurer que les transactions sont légitimes et que les utilisateurs sont bien ceux qu'ils prétendent être. Une détection efficace de la fraude utilise une approche à multiples facettes pour prévenir et identifier les actions non autorisées.
Comment fonctionne la détection de la fraude
En raison de la diversité des fraudes et de l'adaptation de la cybercriminalité, la détection des fraudes doit être adaptative et fait souvent appel à machine learning ou à l'IA (intelligence artificielle) pour prévenir et identifier les transactions non autorisées. La détection des fraudes consiste à rechercher des comportements ou des actions qui sortent de l'ordinaire pour un utilisateur ou qui correspondent à des modèles de techniques frauduleuses connues.
Les systèmes de détection des fraudes peuvent déclencher une réponse automatisée pour demander une vérification supplémentaire et renforcer la sécurité de l'authentification ou, en fonction du risque, interrompre et bloquer complètement la transaction. Les systèmes de contrôle et de détection des fraudes fonctionnent généralement en arrière-plan, de sorte que l'expérience du consommateur n'est pas affectée, à moins qu'une action ou un comportement ne soit signalé comme devant faire l'objet d'une enquête ou d'une autorisation plus poussée.
Qui bénéficie de la détection de la fraude ?
Toute entreprise qui effectue des transactions en ligne peut être exposée à un risque de fraude. La détection des fraudes dans le secteur bancaire et financier est extrêmement bénéfique pour ces entreprises qui présentent un risque élevé d'être victimes de fraudes. Les entreprises de soins de santé, d'assurance et de finance bénéficient toutes de systèmes de détection des fraudes, tout comme les administrations, les forces de l'ordre et les organismes publics du secteur.
Les cas de fraude continuent d'augmenter. En moyenne, les services informatiques coûtent aux organisations environ 5% de leur chiffre d'affaires annuel.
Les consommateurs bénéficient également des programmes de détection des fraudes, car les technologies de l'information peuvent protéger les individus contre l'usurpation de compte (ATO), le vol d'identité et les pertes financières. Le vol d'identité (un formulaire de fraude) coûtera 56 milliards de dollars aux Américains en 2020.
Outre les pertes financières, il faut parfois beaucoup de temps et d'efforts pour réparer les dommages causés par les cybercriminels, pour retrouver son compte et rétablir son identité. La détection des fraudes permet d'éviter cela et de minimiser les pertes potentielles.
Comment détecter la fraude ?
La détection des fraudes fait appel à la fois à des techniques statistiques et à machine learning. Les techniques statistiques utilisent des méthodes de collecte, de préparation, d'analyse et de traitement des données ( reporting ) pour identifier les fraudes et les comportements non autorisés. Le groupe de données peut être analysé pour prédire les résultats et déterminer les actions légitimes.
Voici quelques exemples d'analyses statistiques de données :
- Calcul du profil utilisateur.
- Prétraitement des données pour détecter, valider et corriger les erreurs.
- Algorithmes d'appariement des comportements des utilisateurs comparés à des profils d'utilisateurs plus anciens ou à des modèles pour détecter les anomalies.
- Analyse de régression pour étudier les relations entre deux variables.
IA, ou machine learningL'IA, utilise des techniques d'analyse de données et data mining qui sont classées comme apprentissage supervisé ou apprentissage non supervisé. L'exploration de données passe au crible de vastes quantités de données pour trouver des modèles significatifs.
l'apprentissage automatique peut prédire la probabilité que des activités ou des comportements soient frauduleux, ce qui peut alors déclencher une réponse ou une enquête plus poussée au sein du système. l'apprentissage automatique peut contribuer à réduire le nombre de rapports de fraude "faussement positifs" et à équilibrer la friction entre l'expérience de l'utilisateur et les calculs de risque.
Techniques d'apprentissage supervisé pour la détection des fraudes
Les techniques d'apprentissage supervisé utilisant l'IA sont capables de détecter les fraudes sur la base de modèles déjà enregistrés. Une fois qu'un modèle de fraude est reconnu, les données informatiques peuvent être introduites dans le système. L'AI triera les milliers de types de fraude qui ont été enregistrés et pourra ainsi faire correspondre les comportements frauduleux.
Les cas de fraude sont initialement saisis manuellement par un opérateur humain. Ensuite, machine learning peut signaler lorsque ces modèles sont répétés ou réapparaissent.
Voici quelques exemples d'analyse de données d'apprentissage supervisé pour la détection des fraudes :
- Apprentissage bayésien réseau neuronal. Le réseau bayésien peut être conçu pour déterminer les actions légitimes par rapport à la fraude sur la base de la probabilité d'un tbd avec des points de données spécifiques. Ce type de données relatives à l'apprentissage supervisé est utile pour les demandes automatiques, par exemple, car le service informatique peut déterminer la probabilité que la demande soit valide sur la base d'ensembles de données imputées.
Cette méthode est également utile pour détecter les fraudes à la carte de crédit, à l'assurance médicale et aux télécommunications.
- Réseau neuronal supervisé. Ces réseaux adaptatifs peuvent fonctionner pour générer un score de risque de fraude basé sur les comportements attendus. Si le comportement d'un utilisateur ne correspond pas aux paramètres définis, il peut être signalé et noté en fonction du risque potentiel perçu.
- Analyse des liens. Ce type d'apprentissage supervisé peut relier des personnes entre elles sur la base du site social networking et de l'établissement de liens entre les dossiers. Par exemple, les fraudeurs connus sont introduits dans le système et l'analyse des liens permet d'établir une correspondance avec tout utilisateur ou toute transaction connexe.
- Systèmes hybrides basés sur la connaissance et les statistiques. Ils utilisent data mining d'une grande base de données de transactions de clients où la connaissance est intégrée à la puissance statistique. Les services informatiques peuvent détecter les anomalies et signaler les comportements frauduleux potentiels.
L'utilisation de méthodes d'apprentissage non supervisées
L'apprentissage non supervisé diffère de l'apprentissage supervisé dans la mesure où l'AI cherche à détecter de nouveaux modèles de fraude et recherche des valeurs aberrantes, c'est-à-dire des éléments qui sortent du cadre des comportements frauduleux typiques et enregistrés. En ce sens, l'AI "apprend" à s'adapter et à trouver de nouveaux types de fraude, car les acteurs malveillants font constamment évoluer leur approche.
L'apprentissage non supervisé peut être combiné à des techniques d'apprentissage supervisé pour une approche plus complète. Prenons l'exemple de l'analyse des liens, qui permet de rechercher des relations entre des cybercriminels connus et d'autres fraudeurs potentiels. Cette démarche peut être poussée plus loin en établissant un lien découverte qui cherche à faire correspondre un groupe et des comportements qui ne sont apparemment pas liés à des activités frauduleuses.
L'apprentissage automatique peut signaler des comportements suspects ou des cas de fraude potentielle pour qu'un analyste humain procède à une enquête plus approfondie.
La prévention de la fraude en tant qu'approche dynamique
Les efforts de prévention de la fraude peuvent permettre aux consommateurs et aux entreprises d'économiser du temps et de l'argent à long terme. Les systèmes optimaux de détection de la fraude comprennent une approche globale visant à minimiser les pertes potentielles.
La fraude sera toujours un problème, car les cybercriminels continuent de trouver et d'utiliser de nouvelles méthodes. Les modèles de détection et de prévention de la fraude doivent évoluer et s'adapter.
Les méthodes de prévention de la fraude se heurtent notamment à un manque de données dans les bases de données publiques. Le partage des données entre les organisations et à l'échelle mondiale peut contribuer à réduire et à contrecarrer les comportements frauduleux à l'avenir.
Références
New Data Shows FTC Received 2.2 Million Fraud Reports from Consumers in 2020. Février 2021. Federal Trade Commission (FTC).
Rapport 2020 aux Nations : Organizations Opter pour plus de procédures civiles et de sanctions internes. (juillet/août 2020). Association of Certified Fraud Examiners (ACFE).
Les pertes totales dues à la fraude à l'identité atteindront 56 milliards de dollars en 2020. (mars 2021). Business Wire.
5 clés pour utiliser l'IA et l'apprentissage automatique dans la détection des fraudes. (Juillet 2018). Fico.
Identifier les transactions frauduleuses dans les paiements mobiles. Université de Stanford.
