Parmi d’autres résultats, 20 % moins de clients rencontrent des faux positifs.
Malheureusement, de nombreux clients du secteur bancaire ont été victimes de fraude financière à un moment ou à un autre de leur vie, et beaucoup craignent que cela ne se reproduise. De plus, la fraude coûte des milliards de dollars aux banques chaque année.
Alors que la fraude est de plus en plus généralisée et sophistiquée, les banques doivent suivre le rythme. En fait, la lutte contre la criminalité financière est toujours une tendance ou une priorité clé mentionnée par les dirigeants de banques dans le cadre de l’étude annuelle La voix de nos clients CGI.
L’intelligence artificielle et l’apprentissage machine aident les banques à gagner ce combat important. Prenons comme exemple une grande banque canadienne avec laquelle CGI travaille depuis plus de 15 ans. Nous l’avons aidée à améliorer sa détection des fraudes fondée sur des règles en tirant parti de l’apprentissage machine, ce qui a mené à des résultats d’affaires importants.
Limites de la détection des fraudes fondée sur des règles
L’approche de détection des fraudes fondée sur des règles de la banque était en place depuis un certain temps, mais elle comportait des limites. Il était difficile, par exemple, d’élaborer des règles, d’autant plus que les types et les techniques de fraude évoluaient rapidement. De plus, la modification subséquente des règles était chronophage et coûteuse.
Par conséquent, la banque devait composer avec des faux positifs et leur incidence négative sur les clients. Des transactions légitimes effectuées par carte de crédit pouvaient être signalées de façon inappropriée comme de la fraude. Les faux négatifs étaient également un problème, ce qui a entraîné le paiement erroné de transactions frauduleuses par la banque.
Les règles qui contribuaient à réduire les faux positifs faisaient souvent augmenter les faux négatifs et vice versa. La banque devait donc choisir entre offrir la meilleure expérience client possible et se protéger contre les pertes financières.
Traitement par lots ou traitement en temps réel (ou quasi réel)
Le traitement par lots constituait un autre obstacle aux efforts de détection des fraudes de la banque. Les transactions étaient examinées par lots pendant la nuit, ce qui permettait aux transactions frauduleuses d’échapper à la détection. Le traitement en temps réel ou quasi réel n’était pas possible parce que la banque disposait de systèmes multiples qui généraient des données disparates devant être synthétisées avant leur analyse. Ce processus prenait du temps, et empêchait la détection rapide des fraudes.
Surmonter les obstacles à la détection grâce à l’apprentissage machine
Pour aider la banque à relever ces défis, CGI a d’abord examiné ses capacités en matière de données, mettant en œuvre des techniques avancées d’ingénierie des données pour éliminer le traitement par lots et permettre le traitement des données en temps quasi réel. Parallèlement, nous avons amélioré la qualité des données de la banque.
Ensuite, nous avons introduit des modèles d’apprentissage machine supervisé, semi-supervisé et non supervisé pour compléter le moteur fondé sur des règles de la banque et éliminer sa seule dépendance aux règles. En combinant l’apprentissage machine aux règles, la banque pourrait mettre en œuvre une méthode « challenger » et « champion » pour examiner les résultats de chaque approche et déterminer celle qui fonctionne le mieux pour des catégories de transactions précises. De plus, grâce à l’apprentissage machine, la banque pourrait continuellement introduire et mettre à l’essai de nouveaux modèles d’apprentissage machine en réponse à de nouveaux types de fraude, ce que serait plus simple et moins coûteux que de changer les règles.
Résultats générés par notre travail
L’approche de partenariat de CGI a permis d’établir un lien de confiance avec la banque. Nous avons été en mesure de travailler avec les systèmes actuels de la banque (plutôt que de les remplacer) et nous avons montré à cette dernière des moyens de maximiser les capacités des systèmes. De plus, nous avons modernisé les systèmes en ajoutant de nouvelles technologies d’ingénierie des données et d’apprentissage machine. Par conséquent, la banque a été en mesure de détecter les fraudes plus précisément et plus rapidement. En fait, 20 % moins de clients de la banque ont rencontré des faux positifs, ce qui a amélioré l’expérience client. Parallèlement, nos améliorations ont permis de renforcer l’efficacité, la fiabilité et la sécurité des systèmes de la banque, de favoriser l’excellence opérationnelle, d’accroître la capacité des succursales, des centres d’appels et des équipes d’enquête à lutter contre la fraude , et de réduire les coûts.
Nous avons également travaillé en étroite collaboration avec les équipes de la banque pour les former sur les algorithmes d’apprentissage machine, les investissements dans les outils et les façons de collaborer avec d’autres équipes et des scientifiques des données sur la mise en œuvre et la mise à l’essai de modèles d’apprentissage machine.
Le succès de notre travail en matière d’apprentissage machine a mené à de nouvelles collaborations avec la banque dans d’autres domaines, et CGI continue de lui offrir une gamme de services et de solutions à titre de partenaire à long terme.
