L’expression « Big Data » traduit le phénomène d’explosion du volume de données numérique. Ce phénomène se caractérise par le volume de donnée, la vitesse de leur traitement et la diversité des sources, formats, et structure des données. En effet, la numérisation et la dématérialisation a entraîné une augmentation massive du nombre d’informations à collecter, stocker et traiter de manière numérique. Le Big Data est particulièrement important car ces réservoirs permettent aux algorithmes d’intelligence artificielle de se développer.
Ainsi, Le Big Data offre de nouvelles possibilités d’analyse d’un volume particulièrement important de données. De manière évidente, le secteur bancaire s’est penché sur ce phénomène, en particulier pour permettre une détection plus fine des infractions fiscales telles que la fraude fiscale, la lutte contre le blanchiment et la lutte contre le financement du terrorisme.
En effet, la lutte contre la fraude fiscale nécessite d’examiner et de comparer un nombre important de données afin de mettre en lumière des irrégularités. Autant de tâches qui entrent tout à fait dans le champ d’action des logiciels.
Le secteur banquier a donc mis en place un système de détection des fraudes qui examine les comportements des clients, établit des profils, fait des rapprochements statistiques, identifie les potentielles « relations cachées » afin de déceler des anomalies ou des « patterns » problématiques ou établir « un score de risque » entre 0 et 100 de la probabilité de fraude selon Wavestone. Le but est de pouvoir analyser les comportements afin de distinguer les « signaux faibles » le plus rapidement possible. Plusieurs solutions sont disponibles adaptées aux besoins des acteurs, de la simple aide à la décision à la prédiction.
Un exemple du succès de ces méthodes est le poids grandissant de l’analyse des données par Tracfin. Ainsi, le directeur de Tracfin explique le rôle des Data Science dans la lutte contre le financement du terrorisme : l’association entre les analystes de métier et l’algorithme de la plateforme française Dataiku a permis d’identifier les collecteurs de daesh, sans le signalement de faux positifs, en analysant les données relatives aux transferts de fonds et en révélant des liens entre les personnes.
Cependant, Sunil Mathew, responsable de l’unité dédiée aux crimes financiers et à la conformité de l’OFS, explique à Zdnet que ces algorithmes qui, en l’espèce, se base tout d’abord sur les règles financières, peut donner lieu à des faux positifs. Les ordinateurs doivent donc être épaulés par des professionnels qui vérifieront les alertes et faire évoluer l’algorithme. De plus, Sunil Mathew explique que l’algorithme doit être explicable dans la mesure où « la lutte contre le blanchiment d’argent doit également se conformer à un certain nombre de directives, garantissant par exemple ce qu’il y aucune discrimination à l’encontre de certains groupes de la population. A ce sujet, la société Quantmétry, une société spécialisée dans la transformation Data des sociétés s’intéressant en particulier à l’intelligence artificielle, explique que la tentation de développer une intelligence artificielle afin d’analyser de manière encore plus performante les comportements est grande. Cependant, la question du type d’apprentissage est particulièrement importante. En effet, les décisions prises par l’intelligence artificielle aura un impact particulièrement important sur la vie des clients. C’est pourquoi, il convient de mettre en place un algorithme qui saura s’adapter à l’inventivité des criminels tout en limitant au maximum le nombre de faux positifs et en respectant les garde-fous mis en place par le législation, en particulier les régulations autour de la protection des données
Arielle Chemla
M2 Cyberjustice – Promotion 2019-2020
Sources :
https://www.wavestone.com/app/uploads/2017/03/lutte-fraude-bancaire-en-ligne-nouvelles-methodes.pdf
