Les techniques de fraude à la carte bancaire en ligne sont diverses et en perpétuelle évolution : phishing , usurpation d’identité, ou encore utilisation de malwares. Selon le rapport annuel 2017 de l’Observatoire de la sécurité des moyens de paiement, 5,1 millions de cas de fraudes aux moyens de paiement ont été recensés, représentant un montant total de 744 millions d’euros. La fraude bancaire, au-delà du préjudice financier qu’elle peut causer, peut porter atteinte à l’image de la banque et mettre à mal la relation de confiance établie avec sa clientèle. En conséquence, les établissements bancaires mettent en place des dispositifs de lutte contre la fraude dans le but d’ « augmenter leur efficience sans pour autant dégrader l’expérience client ». Cependant, les dispositifs classiques de protection basés sur des règles et signatures se montrent de plus en plus insuffisants et inefficaces face à la complexité des attaques. Les banques font alors recours à l’intelligence artificielle (IA) et particulièrement au Machine Learning (ML) dans leur lutte contre la fraude.
L’Intelligence Artificielle est définie par Yann LeCun, Professeur à l’Université de New York et Directeur de Facebook AI Research (FAIR) comme l’ensemble des « techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains ». Outre la mise en place de Chatbot par le Crédit Mutuel et Orange Bank grâce à Watson, l’intelligence artificielle de IBM, l’IA et notamment le Machine Learning permet d’améliorer la détection des fraudes, d’y apporter une réponse rapide, efficace et en conséquence d’améliorer leur relation client.
Le Machine Learning pour une détection automatique de la fraude
Le Machine Learning ou apprentissage automatique est l’un des domaines d’études de l’IA, permettant à des algorithmes d’apprendre par eux-mêmes, sur la base de données qui leur sont fournies, à prendre des décisions ou à résoudre des tâches sans être programmés à cet effet. « Les algorithmes fondés sur le Machine Learning présentent des résultats nettement plus performants en matière de détection de fraude lorsqu’ils sont alimentés par un volume important de données ».
Des données sont collectées et fournies aux algorithmes de Machine Learning. Il peut s’agir de données comportementales, techniques ou d’informations issues de réseaux sociaux, leur permettant de « créer des profils clients », mis à jour régulièrement lesquels leur permet de prédire ou détecter une opération frauduleuse en se basant sur les comportements habituels, normaux du client afin de détecter un comportement anormal. Certaines banques intègrent à leur solution d’identification le système de l’analyse comportementale basée sur le Machine Learning et le big data. L’analyse comportementale pose un problème éthique et de conformité au RGPD quant à l’élaboration d’un modèle comportemental d’un client par sa banque sans son consentement.
Mastercard a développé une solution intégrant l’IA, nommée Smart Agent permettant de détecter directement toute opération frauduleuse.
Le Machine Learning pour une réponse automatique à la fraude
« L’enjeu pour les entreprises est double : premièrement, réagir au plus vite face à une suspicion de fraude, et deuxièmement, arriver à bloquer in fine la transaction frauduleuse avant qu’elle ne soit effective ». L’IA permet une riposte automatique et instantanée aux différentes fraudes. Cependant, les solutions de détection ou de riposte peuvent poser un problème. Celles-ci peuvent générer des faux positifs. Pour certains, l’intégration de l’IA dans les solutions de détection ou de riposte limite le nombre élevé de faux positifs. En outre, l’IA bloque l’opération frauduleuse en cours avant qu’un préjudice ne soit causé.
Danse Bank, une banque Danoise a développé une solution basée sur l’IA capable non seulement de détecter les opérations frauduleuses, mais également d’y remédier automatiquement en limitant les fausses alertes. Cette banque serait la première à mettre en place une plateforme basée sur l’IA alliant le Deep Learning et le Machine Learning, et capable d’analyser des transactions en « moins de 300 millisecondes ».
La lutte anti-fraude est une question cruciale pour les établissements bancaires. Le déploiement par les banques, de solutions intégrant l’IA dans le but de renforcer la sécurité des transactions, renforce à son tour la confiance des clients.
