Déjà, il faut savoir que pour développer une IA de ce type, il va d'abord vous falloir lui donner un minimum d'informations à mémoriser afin que votre IA comprenne la structure des numéros de CB. Vous aurez alors là un premier élément d'analyse qui émettra à votre IA de savoir si elle a affaire à un numéro de CB falsifié. Le numéro de CB indique, par exemple, la banque (La Banque Postale, BNP, etc), le type de carte (Classic, Premier, etc) et il se terminé par une clé de vérification à l'algorithme très simple. Par la suite, vous découvriez que la partie "aléatoire" du numéro de CB (c'est à dire la partie centrale, celle qui correspond au numéro du compte) est en réalité très courte. Une fois que la structure de la carte sera confirmée, une simple demande d'authentification auprès de Visa/Mastercard, vous permettra de compléter ces informations en vérifiant, par exemple, le nom du porteur de la carte (information souvent ignorée par les banques, voire même par Visa/Mastercard, etc). Le refus d'authentification, et le code de retour indiqué par par le serveur, est aussi un très bon moyen de savoir si le compte est bien approvisionné, la carte n'est pas plafonnée, ou tout simplement si son porteur n'est pas interdit bancaire. A partir de ces premières informations, on peut alors construire un début d'IA susceptible de se substituer à une personne en charge des vérifications de base.
1869
Quelles approches possibles pour développer une IA de détection des fraudes à partir des données issues d'un service de paiement en ligne ?
il y a 7 ans
par
BenjaminEtard
Quels jeux de données utiliser ?
Quels réseaux de neurones pour un apprentissage non-supervisé ?
Quelles compétences pour développer l'IA ?
3 réponses
Pour de la détection de fraude non supervisée, on utilse de la détection d'anomalie (en.wikipedia.org/wiki/Anomaly_detection) donc pas besoin de réseau de neurone (qui sont en général plus appropriés pour les apprentissages supervisés).
Pour le jeu de donnée, en général on va utiliser un historique des transactions par émetteur, et éventuellement par destinataire si on est une banque ou un autre type d'intermédiaire. On va regarder des paramètres comme le montant et la fréquence des transactions.
Pour développer le modèle, il faut des compétences en matière de fraude bancaire (profil sécurité informatique) et des compétences de machine learning (profil data scientist).
