Détection fraude par IA

Un modèle de fraude compare un paiement à la normale pour ce client, cet appareil et ce commerçant: montant, heure, lieu et bénéficiaire. Les modèles supervisés apprennent à partir de fraudes passées confirmées, et les modèles non supervisés signalent des comportements inhabituels sans ces étiquettes. La présentation de Coursera ajoute les réseaux de neurones sur graphes, qui examinent les liens entre comptes, et la vision par ordinateur pour les faux documents. Dans l'enquête Alloy de 2025 qu'elle cite, 59 pour cent des entreprises utilisaient du machine learning supervisé en parallèle de leurs règles.

Les exigences de vitesse influencent la conception des modèles: NVIDIA cite American Express, dont les modèles contrôlent chaque transaction par carte dans le monde en temps réel, soit plus de 1 200 milliards d'USD de dépenses annuelles, et décident en millisecondes. NVIDIA décrit aussi un problème d'entraînement pour la détection de fraude: les cas confirmés sont rares, donc les étiquettes d'entraînement sont peu nombreuses, et un modèle trop sensible submerge les analystes de faux positifs.

Le rapport conjoint de l'ABE et de la BCE évalue la fraude aux paiements dans l'EEE à 4,2 milliards d'EUR en 2024, contre 3,5 milliards un an plus tôt. Pour les virements, les clients ont supporté environ 85 pour cent des pertes, principalement parce que des escrocs les ont poussés à envoyer eux-mêmes l'argent. La fraude par carte était environ 17 fois plus élevée lorsque le bénéficiaire était hors de l'EEE.

Le passage aux escroqueries change les signaux recherchés par un modèle. Une carte volée se repère dans des données inhabituelles d'appareil et de localisation. Un client qui envoie de l'argent après un faux appel bancaire utilise son propre téléphone et ses identifiants, donc le signal réside dans le paiement: nouveau bénéficiaire, montant inhabituel, session précipitée. La fraude au virement autorisé et les mules financières décrivent les deux extrémités de cette escroquerie, et la vérification du bénéficiaire explique le contrôle du nom avant un virement.

L'AI Act de l'UE classe l'évaluation de la solvabilité des personnes physiques parmi les usages à haut risque, mais l'annexe III, point 5 b) exclut de cette catégorie les systèmes d'IA de détection de fraude financière. Un modèle de fraude n'est donc pas un système à haut risque pour cette seule raison. Il reste soumis aux règles de risque informatique et de modèle de la banque, et la BaFin traite les systèmes d'IA comme des TIC sous DORA.

L'authentification forte du client et les règles des services de paiement encadrent les conséquences d'un score de fraude: blocage, second facteur ou appel au client. La prévention de la fraude en Allemagne détaille la responsabilité selon le Code civil allemand et le rôle de la SCA.

Les deux coexistent dans la majorité des banques, où les règles repèrent des schémas connus et s'expliquent facilement à un auditeur. Les modèles repèrent des combinaisons sans aucune règle écrite par une personne. L'enquête Alloy citée par Coursera révèle que 99 pour cent des répondants utilisaient l'IA pour prévenir la fraude, généralement avec un moteur de règles.

Oui, les voix, visages et documents générés rendent les faux appels bancaires et les fausses identités plus convaincants. Les attaques par deepfake à l'entrée en relation traitent de l'identité, où une vidéo injectée tente de passer une identification vidéo. Les assureurs voient des images de dommages générées dans les déclarations de sinistre, comme décrit dans l'IA dans l'assurance.