Page 39 - revue_N36_janvier_2022

par l’acquisition de données, en der les juridictions et les entités nécessite un suivi régulier et une
interprétant les données structu- réglementées à devenir plus ef- analyse approfondie des alertes
rées ou non structurées collectées, ficaces dans la mise en oeuvre identifiées (Baesens et al., 2015).
en appliquant un raisonnement aux des normes de LCB/FT, et il exa- Les modèles d’apprentissage su-
connaissances, ou en traitant les mine les obstacles réglemen- pervisé sont conçus pour détecter
informations, dérivées de ces don- taires ou d'autres facteurs en- les cas de fraude à partir d’enre-
nées et en décidant de la/des meil- travant l'adoption réussie de ces gistrements antérieurs recensant
leure(s) action(s) à prendre pour nouvelles technologies. Pour des fraudes connues. Étant don-
atteindre l’objectif donné. Les sys- cela, en tant qu'organisme mon- né que la variable cible (fraude/
tèmes d’IA peuvent soit utiliser des dial de normalisation, le GAFI non fraude) joue un rôle impor-
règles symboliques, soit ap- s'engage à veiller à ce que les tant dans le processus d'appren-
prendre un modèle numérique. normes mondiales de LCB/FT tissage, il est essentiel qu'elle soit
Ils peuvent également adapter restent pertinentes et efficaces correctement définie. Quelques
leur comportement en analysant dans un environnement d'accélé- exemples de méthodes classiques
la manière dont l’environnement ration de la transformation numé- d'apprentissage automatique su-
est affecté par leurs actions anté- rique (FATF, 2021). pervisé utilisées dans le cadre de
rieures.» (COM (2020)). la détection de fraude sont les
Quant aux techniques ML utili-
Le rapport publié par le GAFI en sées pour la détection de la arbres de décision, les réseaux de
juillet 2021 encourage également la fraude, les deux types les plus neurones, l'approche SVM (Support
possibilité d'exploiter ces nouvelles souvent considérés sont : les Vector Machines), etc. La variété
technologies et les solutions tech- méthodes d'apprentissage non des techniques utilisées aujour-
nologiques émergentes et exis- supervisé et supervisé. Les mé- d'hui par les fraudeurs néces-
tantes. D’après le GAFI, les insti- thodes d'apprentissage non super- site plutôt l’utilisation d’une
tutions utilisant des méthodes visé visent à trouver un comporte- combinaison d'approches pour
issues de l’IA peuvent donc ré- ment anormal, inhabituel, s'écar- une détection efficace. Une solu-
duire la dépendance vis-à-vis tant du comportement moyen ou tion serait d'utiliser des mé-
des ressources humaines pour de la norme (Bolton et Hand, 2002). thodes dites d'ensemble, basées
effectuer des tâches répétitives, Ces méthodes n’ont pas besoin sur l’estimation de plusieurs
diminuer le temps d’enquête, et que les cas de fraude soient éti- modèles analytiques au lieu
permettre donc au personnel de quetés. Dans ce cas, la détection d'un seul.
passer plus de temps à investi- de la fraude peut, par exemple, Baesens et al. (2015) montre que
guer les alertes les plus perti- être traitée comme un problème l’analyse des réseaux (sociaux)
nentes. Ces solutions pourraient d'anomalie, et donc une grande peut également être très utile
ainsi surveiller, traiter et analyser collection de données utilisée dans la détection des fraudes. À
automatiquement et en temps pour détecter un tout nouveau savoir que tout réseau intercon-
réel les transactions suspectes et comportement aberrant parmi necté via des relations amicales
les autres activités illicites, en ceux existants (Nian et al., 2016). ou professionnelles est une
les distinguant des activités En conséquence, un classement source d'informations extrême-
normales, et cela tout en rédui- des anomalies est fourni à la fin ment intéressante, et il est sou-
sant le besoin d'un examen hu- de l’analyse pour évaluer les tran- vent très utile d'analyser égale-
main initial. Cependant, les solu- sactions les plus suspectes. ment les relations entre les frau-
tions de l'IA/ML (machine lear- Compte tenu de ses caractéris- deurs parce que, plutôt qu'un
ning) varient considérablement tiques, l'apprentissage non super- phénomène autonome, la fraude
en termes de technologie et visé peut être très utile aux orga- est souvent soigneusement or-
d'utilisation, et peuvent présen- nisations qui commencent à dé- ganisée par plusieurs acteurs
ter des risques importants. Ce tecter la fraude, car aucune don- agissant de manière concertée. En
rapport se concentre également née historique étiquetée de la effet, les fraudeurs ont tendance
sur la manière dont les nou- fraude n'est requise. Cependant, à se regrouper pour échanger sur
velles technologies peuvent ai- l'utilisation de ce type d’outils la manière de commettre une

39
N 36– Janvier 2022
°