Blog Startup & Dev

ExpertConsutlingFeatured

Détection de fraude par apprentissage automatique supervisé

Selon une analyse discriminante factorielle empirique, un client a observé que certains états de paramètres d’une commande étaient fortement impliqués dans certaines tentatives de fraude. Par exemple, il s’est aperçu que certains produits bien précis ou certains points relais postaux possédaient un taux de fraude élevé selon son expertise constitué de sa propre expérience sur quelques milliers de commandes.

Un système rigide inadapté à une menace évolutive

Après investigations pour vérifier les observations de notre client, nous nous sommes aperçus que certains produits pouvaient effectivement avoir des taux de fraudes supérieurs à 80% : cela signifie que sur 10 commandes contenant ce produit, 8 ont été des tentatives de fraudes. L’observation sur les relais postaux a également été vérifié.
Il y avait un besoin d’identifier dynamiquement et quantifier la menace de ces états à risques selon les données collectées. En effet, nous possèdons des données sur plus de 180 000 commandes et cela constitue une base de connaissance importante sur laquelle il est possible de capitaliser, de tirer des enseignements et d’améliorer continuellement les performances des mécanismes de detection.
Nous sommes arrivés à la conclusion qu’il fallait que l’on implémente un mécanisme d’apprentissage automatique (aussi appelé « Machine Learning ») dans notre module de prévention de la fraude e-commerce NexuWeb Anti-Fraude E-commerce sur les produits et adresses de livraison utilisées.

Un système expert par apprentissage supervisé pour aider à la décisionmachine-learning

Un système expert est capable de reproduire les mécanismes cognitifs d’un expert selon une base de connaissance et un moteur d’inférence. Dans notre cas, notre base de connaissance est composée des 180 000 commandes étiquetées comme commandes légitimes ou fraudes. Le moteur d’inférence est un algorithme d’apprentissage supervisé de quantification du taux de fraude pour les deux propriétés concernées : les produits et adresses de livraison.

La fraude évolue, se transforme et s’adapte

Pour améliorer les performances de lutte contre la fraude, il est primordial de diminuer le plus possible l’expertise humaine afin de concentrer le travail de l’agent humain sur la prise de décision. Face à une très grande quantité d’informations comme nos 180 000 commandes, il devient compliqué de requérir une expertise humaine de précision pour faire face à une menace qui a évolué sur le temps de collecte des informations. Ainsi, l’intégration de systèmes experts sur certains contrôles de sécurité apportent une valeur ajoutée réelle afin de lutter face à une menace qui ne cesse d’évoluer.

Tags : , , , , ,

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Vous pouvez utiliser ces balises et attributs HTML : <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>