DanemarkFinance et assurance2017–2018Danske Bank
Détection de la fraude par apprentissage automatique
Danske Bank a remplacé ses alertes de fraude fondées sur des règles par de l’apprentissage automatique et réduit les faux positifs
Problématique
La détection de la fraude de Danske Bank reposait surtout sur des règles écrites à la main. Ces règles produisaient un nombre record de fausses alertes, avec par moments un taux de faux positifs de 99,5 %, et la nombreuse équipe antifraude passait une grande partie de son temps à enquêter sur des paiements légitimes.
Approche
Avec Think Big Analytics, la branche de conseil de Teradata, la banque a bâti, en sprints de 12 semaines, des modèles d’apprentissage automatique qui surveillent en temps réel les paiements bancaires et mobiles pour détecter la fraude. Elle a mis en production l’ensemble de modèles d’apprentissage automatique tout en testant en parallèle des modèles d’apprentissage profond. Le projet a été présenté publiquement en octobre 2017.
Chiffres clés
Enseignement
La banque a réduit les enquêtes inutiles et détecté davantage de fraudes, mais les chiffres variaient selon la source et l’étape. L’éditeur a fait état, avant la mise en production, d’une baisse de 50 % des faux positifs et d’une hausse de 60 % de la détection ; un rapport d’analyste publié quelques mois plus tard chiffre à 20 à 30 % la baisse des faux positifs des modèles en production.
Catégories
- Taille
- Grande entreprise
- Secteur
- Finance et assurance
- Fonction de l’entreprise
- Finance, risques et juridique
- Type d’innovation
- Innovation de procédé
- Technologie d’IA
- Analyse prédictive et apprentissage automatique
- Mode d’adoption
- Codéveloppement avec un partenaire
- Type de preuve
- Déclaration de l’entreprise
Sources
Résumés des sources
Teradata indique que Danske Bank a travaillé avec ses consultants de Think Big Analytics pour mettre en production une détection de la fraude par apprentissage automatique tout en développant des modèles d’apprentissage profond. Nadeem Gulzar, responsable de l’analytique avancée de la banque, a déclaré que les tests avant production avaient réduit de 50 % les faux positifs, ce qui permettait à la moitié de l’unité antifraude de passer à des tâches à plus forte valeur. Teradata fait aussi état d’une hausse du taux de détection d’environ 60 % lors des tests avant production et indique que les faux positifs sous les anciennes règles atteignaient par moments 99,5 %.
L’analyste Doug Henschen rapporte que la hausse de la fraude à partir de 2016 a conduit Danske Bank à bâtir des modèles d’apprentissage automatique avec Think Big Analytics de Teradata, en sprints de développement de 12 semaines. Selon lui, l’ensemble de modèles d’apprentissage automatique a réduit les faux positifs de 20 à 30 %, et les modèles d’apprentissage profond bâtis sur TensorFlow ont montré des gains de détection à deux chiffres lors des tests mais n’étaient pas encore en production.
Les informations complètes figurent dans les sources d’origine.
