Utiliser l’IA pour réduire les faux positifs dans la lutte contre le blanchiment d’argent

L’interconnexion mondiale rendue possible par la transformation numérique crée des occasions de croissance pour les organisations de tous les secteurs d’activité. Dans le secteur bancaire, il en résulte des transactions sans frontières, des monnaies numériques, des paiements en temps réel et un contrôle réglementaire plus strict. Ces changements présentent de nouveaux risques et poussent les banques à faire évoluer leurs programmes de lutte contre le blanchiment d’argent afin de répondre aux exigences croissantes en matière de conformité.

Les méthodes de contrôle traditionnelles, conçues pour des systèmes plus simples et plus lents, peuvent ne pas convenir à l’environnement numérique complexe et dynamique d’aujourd’hui. Un tel décalage peut entraîner beaucoup de faux positifs, ce qui perturbe l’expérience client, fait grimper les coûts d’exploitation, renforce le contrôle réglementaire et compromet la croissance des entreprises, car les banques doivent assurer l’équilibre entre les exigences de conformité et la stabilité opérationnelle.

Cette situation soulève également des questions importantes :

• Comment votre organisation peut-elle protéger ses clients contre les effets des faux positifs?
• L’intelligence artificielle (IA) peut-elle réduire les faux positifs et améliorer la conformité?
• Comment peut-on configurer l’IA pour qu’elle s’adapte efficacement à la réglementation en constante évolution?

L’IA devient un outil de plus en plus précieux pour aider les banques à lutter contre la criminalité financière et à se conformer aux normes réglementaires en constante évolution. Plus précisément, grâce à l’apprentissage machine et à d’autres capacités avancées, l’IA peut réduire les faux positifs et aider les banques à économiser tout en renforçant leur conformité et leurs résultats.

Coûts cachés des faux positifs dans la détection des sanctions

Dans le paysage numérique d’aujourd’hui, un faux positif se produit lorsqu’on signale fautivement qu’une transaction ou un client légitime est associé à des activités sanctionnées ou illégales. Cette erreur d’identification, souvent appelée « fausse alerte », entraîne le déni de service ou de transaction auprès de clients innocents, ce qui cause des inconvénients et de la frustration.

Les faux positifs peuvent être aussi dommageables que les faux négatifs, c’est-à-dire les transactions réellement suspectes approuvées par erreur. Dans le secteur financier, ce problème est particulièrement marqué; des études révèlent que les taux de faux positifs dans le secteur bancaire peuvent atteindre jusqu’à 90 %, ce qui entraîne la soumission fréquente de mêmes transactions et nuit à la réputation de la marque.

Ce défi ne se limite pas aux banques traditionnelles. Les banques numériques, les coopératives d’épargne et de crédit, les fournisseurs de services de paiement et les entreprises de technologies financières y font également face. Il s’agit donc d’une préoccupation généralisée dans le secteur financier.

Les faux positifs peuvent être plus coûteux que les infractions

Les fausses accusations et le déni injustifié de transaction peuvent gravement saper la confiance et la fidélité des clients, ce qui les incite souvent à se tourner vers des concurrents. Les faux positifs entraînent des répercussions financières, notamment l’augmentation des demandes de la part des clients, la nécessité de soumettre de nouveau des transactions et une éventuelle responsabilité juridique, ce qui peut nuire considérablement à la rentabilité.

Le contrôle réglementaire et l’atteinte à la réputation à long terme associés aux faux positifs peuvent avoir une incidence encore plus néfaste que les infractions. Le fardeau des obligations en matière de protection des données personnelles, comme le Règlement général sur la protection des données (RGPD), complique encore plus la situation : un traitement inapproprié des données sur les clients ou une erreur d’identification peuvent entraîner des atteintes à la vie privée et des amendes. Les audits réglementaires, les obligations de renforcer les contrôles internes et les exigences accrues en matière de production de rapports peuvent exacerber ces problèmes, créant des coûts cumulatifs qui dépassent souvent les pénalités ou l’atteinte à la réputation découlant de la violation réelle d’une sanction.

Il est donc essentiel d’accorder la priorité à la réduction des faux positifs pour maintenir la confiance des clients, protéger la réputation et réduire au minimum les risques liés à la réglementation.

L’IA comme solution viable pour réduire au minimum les faux positifs

L’IA favorise une adaptabilité intelligente, permettant à un système de lutte contre le blanchiment d’argent de s’adapter de façon dynamique aux exigences uniques de son environnement opérationnel et à l’évolution des risques de blanchiment d’argent. Grâce à la souplesse de l’IA, le système peut se calibrer en tout temps en fonction de l’évolution des schémas présents dans les données, ce qui améliore la capacité de réaction et la précision de la détection des sanctions, et réduit au minimum les faux positifs.

Il est possible d’atteindre ces résultats grâce à un cadre de gestion intégré qui combine des techniques d’IA avancées, notamment l’apprentissage par renforcement, les processus décisionnels de Markov et la conception de récompenses.

1. Apprentissage par renforcement – Cette technique permet à un système de lutte contre le blanchiment d’argent d’apprendre continuellement de son environnement. En interagissant avec les données, le modèle d’IA du système reçoit de la rétroaction sous forme de récompenses ou de pénalités en fonction de ses décisions. Au fil du temps, ce processus d’apprentissage permet au modèle de peaufiner ses stratégies, d’améliorer sa prise de décisions et de mieux cerner les vrais positifs.
2. Processus décisionnels de Markov – Ces processus offrent une approche structurée pour modéliser le processus décisionnel associé au contrôle des sanctions. En définissant les éléments clés comme les états, les actions, les transitions et les récompenses, cette approche permet une évaluation systématique des stratégies et des résultats potentiels, ce qui améliore la capacité du modèle d’IA à prendre des décisions éclairées et adaptées.
3. Conception de récompenses – Il s’agit de concevoir une fonction de récompense pour guider le parcours d’apprentissage du système. En structurant soigneusement les récompenses, il est possible d’accorder la priorité aux classifications exactes, ce qui réduit au minimum les faux positifs tout en préservant les vrais positifs. La rétroaction progressive et les récompenses adaptées créent une boucle de rétroaction qui permet d’optimiser continuellement la prise de décisions afin d’améliorer l’exactitude, même dans des scénarios complexes.

The table below illustrates how reinforcement learning combined with Markov decision processes and reward engineering enables an AML detection system to learn and refine its decision-making capability.

Lutter contre le blanchiment d’argent grâce à l’innovation et aux partenariats en matière d’IA

Pour suivre l’évolution des exigences de conformité, il faut faire preuve d’innovation et d’expertise. L’intelligence artificielle offre la capacité d’innovation nécessaire, et un partenaire stratégique en IA fournit l’expertise et les solutions.

CGI collabore avec des banques pour intégrer l’IA à leurs activités de lutte contre le blanchiment d’argent. À titre d’exemple, la solution CGI Hotscan360, qui s’appuie sur l’expertise en services de conseil et les perspectives personnalisées de nos spécialistes de la lutte contre le blanchiment d’argent et de la détection de la fraude, fournit aux banques des renseignements adaptatifs fondés sur l’IA. Pour en savoir plus sur la puissance de l’IA dans la transformation de la détection de la fraude et de la lutte contre le blanchiment d’argent, et sur notre travail dans ce domaine, n’hésitez pas à communiquer avec moi.