En tirant parti de la visualisation des données, les banques peuvent améliorer considérablement leurs capacités de détection des fraudes. J’ai parlé avec Atmajitsinh Gohil, auteur de Livre de recettes de visualisation de données Rsur les technologies qui transforment la lutte contre la fraude financière.
Selon le Rapport Nilsonles pertes mondiales sur cartes de crédit devraient atteindre 43 milliards de dollars d’ici 2026. Atmajitsinh Gohil, auteur renommé de Livre de recettes de visualisation de données R, et l’un des meilleurs experts en outils basés sur l’IA, estime que les techniques de visualisation des données sont cruciales dans la lutte contre la fraude.
Atmajitsinh a travaillé avec des institutions financières pour évaluer les données financières et concevoir des outils basés sur l’IA pour la détection des anomalies. Ces outils basés sur l’IA identifient les modèles dans les données et détectent les fraudeurs potentiels. Gohil a développé des outils propriétaires de visualisation de données pour identifier la fraude financière, protéger les données financières et détecter les menaces nouvelles et émergentes.
Son Livre de recettes de visualisation de données R plonge en profondeur dans le langage de programmation R, offrant des connaissances pratiques indispensables à tous, des étudiants en analyse de données aux décideurs politiques.
« Aujourd’hui, les banques s’appuient largement sur des modèles d’apprentissage automatique qui identifient la criminalité en analysant des ensembles de données », a déclaré Gohil. « La proportion de fraudes dans ces ensembles de données est très faible, ce qui rend la détection difficile. »
Il travaille actuellement sur la validation de modèles d’apprentissage automatique pour les plus grandes banques du monde. Selon Gohil, les criminels utilisent diverses tactiques, telles que l’acquisition d’informations client piratées sur le dark web, l’exploitation de l’IA générative pour le phishing de données personnelles et le blanchiment d’argent via la crypto-monnaie.
Gohil est hautement qualifié pour tirer parti de l’IA pour atténuer les pertes financières, une stratégie qui a récemment gagné du terrain parmi les institutions financières. Par exemple, Mastercard lancé un modèle d’IA générative pour aider les banques à mieux évaluer les transactions suspectes sur son réseau.
Cet algorithme propriétaire est formé sur les données d’environ 125 milliards de transactions qui transitent chaque année par le réseau de cartes de l’entreprise. En moyenne, la technologie de Mastercard peut améliorer les taux de détection des fraudes de 20 % et, dans certains cas, elle a conduit à des améliorations allant jusqu’à 300 %.
Prévention de la criminalité financière
Selon Gohil, les sociétés financières collectent de grandes quantités de données provenant de diverses transactions, notamment les transferts d’argent et les activités de connexion. L’identification des activités frauduleuses implique de comparer le profil d’un individu avec des données historiques pour détecter des modèles suspects.
Les techniques innovantes de visualisation de données de Gohil jouent un rôle crucial dans ce processus. « La visualisation entre en jeu en créant des tableaux de bord qui peuvent montrer combien de personnes se connectent, leur sexe, leur tranche d’âge et où se produit la fraude », explique Gohil. « Cela permet d’identifier si la fraude est concentrée dans un groupe démographique ou une région particulière. »
Lorsque les modèles de fraude ne fonctionnent pas correctement, les banques procèdent à des ajustements et utilisent des techniques de visualisation pour comparer les anciens et les nouveaux modèles.
« Vous pouvez visualiser les données pour voir les performances avant et après le changement. Cela aide à comprendre si les ajustements ont réduit les faux positifs ou amélioré les taux de détection », ajoute Gohil.
Les principaux risques pour les banques
À mesure que la technologie progresse, les méthodes employées par les criminels évoluent également. « Les fraudeurs s’adaptent très vite. Ils travaillent de manière agressive pour briser le système, en particulier avec l’arrivée de l’IA », prévient Gohil. Par exemple, la technologie peut être utilisée pour créer de fausses pièces d’identité ou d’autres moyens trompeurs de pirater les systèmes bancaires.
L’un des risques majeurs auxquels les banques sont confrontées est de maintenir la confiance de leurs clients et de protéger leurs données. « Satisfaire le client et garantir que son identité ne soit pas divulguée sont des préoccupations importantes », note Gohil.
La technologie de reconnaissance vocale, développée par des fournisseurs tiers, est l’une de ces innovations qui aide les banques à identifier les appels frauduleux. Ces systèmes peuvent analyser diverses entrées, telles que les numéros de téléphone et les emplacements géographiques, pour signaler toute activité suspecte.
« La reconnaissance vocale peut identifier si un appel est frauduleux en fonction de différentes variables du modèle », explique Gohil.
L’avenir de la prévention de la fraude
Les menaces auxquelles les banques sont confrontées évoluent continuellement. Les e-mails de phishing, le spam et les fausses communications des PDG ne sont que quelques-unes des tactiques utilisées par les fraudeurs. Gohil prévient que les banques doivent rester vigilantes et adopter de nouvelles technologies pour se protéger elles-mêmes et protéger leurs clients.
Grâce aux techniques de visualisation de données de Gohil, les sociétés financières peuvent adopter l’IA pour créer des scénarios dans lesquels elles identifient les menaces potentielles et prennent des mesures de précaution. Par exemple, le fait de marquer les e-mails comme internes ou personnels aide les banques à surveiller le flux d’informations et à prévenir les attaques de phishing.
Même si de nombreuses banques disposent d’outils efficaces pour détecter les comportements inhabituels pouvant indiquer une fraude, ces outils ne sont pas parfaits. C’est pourquoi les techniques de visualisation de données de Gohil sont cruciales pour identifier les modèles frauduleux.
« Une technologie avancée est essentielle pour faire la distinction entre les transactions légitimes et malveillantes », a-t-il déclaré. Les sociétés financières ne peuvent évaluer avec précision l’efficacité de leurs systèmes de détection des fraudes qu’en exploitant les données.
Crédit image en vedette: Eduardo Soares/Unsplash