Ainsley

Ainsley Ward

Vice-président, services-conseils en paiements

Il y a quelques années, j’habitais à Toronto dans une rue dont le nom était très courant : Main Street. Cette adresse était facile à retenir, mais un nom aussi courant est souvent utilisé comme adresse « générique » ou « fictive » par des personnes qui veulent éviter que du courrier indésirable soit envoyé à leur véritable adresse. Je recevais donc beaucoup de courrier indésirable dans ma boîte aux lettres.

En 2018, la situation a pris une tournure plus sérieuse lorsque j’ai commencé à recevoir des lettres et des cartes de débit d’une grande banque canadienne portant mon adresse, mais à différents noms. Après avoir signalé ces faits à un responsable de la banque, j’ai appris qu’il s’agissait d’un système de fraude interne qui avait permis de créer des milliers de faux comptes, et qu’une vaste enquête avait été nécessaire pour résoudre le problème. La banque a ensuite été condamnée à une amende exceptionnellement élevée par l’autorité de régulation pour les manquements qui ont conduit à la fraude.

Le temps qu’il a fallu pour découvrir la fraude, l’argent perdu et blanchi et les amendes imposées par la suite mettent en lumière, de manière frappante, la valeur de l’analyse proactive des données, tant pour la fiscalité que pour la réputation, en soulignant qu’elle aurait pu révéler les problèmes à un stade bien plus précoce.

L’information accessible au public montre que ma modeste maison mitoyenne de trois chambres à coucher peut raisonnablement abriter un maximum de six adultes. De même, il est rare que toutes les personnes d’un ménage portent des noms de famille différents. Il s’agit là d’anomalies qu’une analyse des données basée sur l’IA aurait pu rapidement identifier dans une base de données et éviter ainsi la fraude qui a eu lieu. Cependant, de nombreuses banques rencontrent des difficultés à gérer les données et à exploiter toute la puissance de l’IA générative, en particulier dans le traitement des paiements, pour fournir cette protection proactive. Les problèmes les plus courants sont liés au manque de qualité, de cohérence et de gouvernance des données.

Qualité des données : l’IA générative exige des données épurées et conformes

Il est clair que le point de départ pour tirer le meilleur parti des outils d’IA générative dans le domaine des paiements est l’amélioration de la qualité des données. Bien que ces outils puissent offrir une multitude d’avantages, Marcus Martinez, expert en services financiers chez Microsoft, nous a mis en garde contre leur utilisation lors d’une table ronde de CGI à l’occasion de l’EBAday 2024 : « La qualité des données constitue une préoccupation majeure. Je comprends l’enthousiasme suscité par l’adoption de l’IA générative, mais je pense que le secteur commence à prendre conscience qu’il est essentiel de garantir une bonne qualité des données avant de se lancer dans un tel projet. »

Les approches en matière de nettoyage des données varient d’une organisation à l’autre, certaines étant meilleures que d’autres. Mais l’essentiel est de retenir que les données doivent être épurées et conformes pour utiliser l’IA générative de manière efficace et obtenir les meilleurs résultats.

Cohérence des données : défis liés à la fraude et au droit à l’oubli

Les fournisseurs de services de paiement s’efforcent généralement de maximiser le traitement direct (STP), qui vérifie les réponses affirmatives à des questions telles que : S’agit-il d’un compte? Y a-t-il des fonds? Y a-t-il une autorisation d’envoyer des fonds? Le paiement passe ensuite par des processus de vérification et de filtrage pour vérifier s’il est frauduleux, non conforme ou frappé d’embargo.

Cette approche peut néanmoins engendrer des lacunes potentielles dans la lutte contre la fraude, car les données vérifiées dans le cadre du traitement STP ne sont pas systématiquement validées dans le cadre du processus de conformité. Par conséquent, les données de paiements ne sont jamais analysées de manière globale.

De même, les paiements entrants et sortants sont rarement comparés, entraînant l’émergence de problèmes. Un paiement entrant, une fois accepté, est généralement stocké, « tel quel », ce qui peut entraîner la présence de plusieurs versions d’un même dossier client dans une base de données de paiements, plutôt qu’un dossier unique. Non seulement cela pose des problèmes pour la vérification des modèles traditionnels, mais cela rend également impossible le droit à l’oubli, imposé par le Règlement général sur la protection des données (RGPD) (en anglais), beaucoup plus difficile à appliquer pour les systèmes basés sur des règles.

La norme ISO 20022 a constitué un grand pas en avant vers une harmonisation des données, en particulier après l’adoption de formats d’adresses structurés. Grâce à des systèmes natifs tels que CGI All Payments, la majeure partie des banques stockent désormais les données de paiement dans ce format riche.

Cependant, la rationalisation des données et des applications nécessite une meilleure compréhension du parcours des données de paiement au sein d’une institution. Cela représente une nouvelle opportunité pour les outils d’IA générative de créer des correspondances complexes, capables de simplifier et d’unifier les données tout en renforçant l’efficacité.

Gouvernance des données : intégrer l’intervention humaine

Faire correspondre les données du destinataire du paiement avec les données client, pour les paiements entrants, facilite la synchronisation et la gestion de l’historique des paiements. Si, parallèlement, un robot d’IA exécute des contrôles d’anomalie et de conformité sur ces données entrantes, vous pouvez facilement établir des liens.

Il devient beaucoup plus rapide d’identifier des modèles révélant que votre client pourrait être une mule ou appartenir à un ensemble de faux comptes lorsque ces modèles sont conformes aux critères d’acceptation et reliés à des sources de données internes ou externes (comme les registres fonciers, les listes électorales et les réseaux sociaux).

À mesure que nous déployons les outils d’IA générative, il est essentiel de maintenir des mécanismes de vérification et d’équilibre adéquats pour s’assurer que les modèles de comportement identifiés sont vérifiés avant toute action et que les faux positifs sont réinjectés dans le modèle d’IA générative afin de l’améliorer. En résumé, nous devons faire en sorte de maintenir l’intervention humaine.

Lors de la table ronde de CGI à l’EBAday 2024, Daniel Szmukler, responsable de l’innovation à l’Euro Banking Association, a déclaré : « Je pense que l’IA ne signifie pas intelligence artificielle lorsque nous parlons des services bancaires. Il s’agit plutôt d’une intelligence augmentée. Nous augmentons l’automatisation et renforçons l’intelligence des machines, mais nous ne pouvons pas laisser la machine prendre entièrement en charge le processus décisionnel. »

L’Union européenne est tout à fait d’accord avec ce point de vue avec la publication de la récente loi sur l’intelligence artificielle, destinée à régir la manière dont cette puissante technologie peut être utilisée de façon responsable. En septembre 2024, CGI a signé l’engagement à l’égard de la loi de l’UE sur l’IA dans le cadre de son engagement pour le Pacte sur l’IA de la Commission européenne. Cette ratification renforce l’engagement de CGI, à l’échelle mondiale, à respecter les plus hautes normes et les meilleures pratiques pour le développement et l’utilisation de technologies responsables, y compris des technologies d’IA et d’IA générative innovantes.

Faire progresser votre projet d’IA générative grâce à une meilleure gestion des données

La capacité de l’IA générative à transformer le traitement des paiements est une réalité. Néanmoins, une gestion efficace des données qui garantit des données de haute qualité, cohérentes et sous bonne gouvernance à l’échelle de l’entreprise est la clé du succès de l’IA générative. CGI travaille avec des fournisseurs de services de paiement du monde entier pour créer un avantage concurrentiel grâce à l’IA générative. Pour en savoir davantage sur nos services, n’hésitez pas à contactez-moi ou à consulter notre site Web CGI.com.

À propos de l’auteur

Ainsley

Ainsley Ward

Vice-président, services-conseils en paiements

Avec plus de 20 ans d’expérience dans les services bancaires et les paiements internationaux, Ainsley Ward est un leader d’opinion reconnu dans l’industrie qui supervise le développement des affaires pour les solutions de paiement de CGI. Auparavant, il a travaillé sur des initiatives de modernisation ...