Au cours des dernières années, les éditeurs et les institutions financières ont commencé à tirer parti du Machine Learning et de l’Intelligence Artificielle (IA) pour améliorer tous les aspects analytiques et opérationnels possibles des logiciels dans de nombreuses industries, en particulier dans les secteurs relatifs à la conformité et la lutte contre la criminalité financière. Dans de nombreux domaines, l’exploitation de l’IA est un processus simple, tandis que dans d’autres, elle s’est révélée être plus complexe.

La lutte contre la criminalité financière et le blanchiment d’argent font partie des cas d’utilisation les plus complexes lorsqu’il s’agit de déployer des systèmes et des logiciels reposant sur l’IA. Pourtant, les nouvelles technologies ont un impact significatif et mesurable dans ces domaines. Notre objectif principal en déployant ces technologies modernes et automatisées est d’améliorer la précision et la performance de nos systèmes de surveillance. Le Machine Learning a été conçu pour résoudre ces problèmes, mais la principale difficulté réside dans l’identification exacte des bons processus permettant d’y parvenir.

Notre entreprise a fini par trouver une solution qui peut réellement aider notre clientèle en lui procurant les meilleurs résultats possibles.

Premiers essais
Le Machine Learning est parfois présenté comme « la » solution qui permettra de remplacer toute la logique métier de votre logiciel par une boîte noire (black box) qui donne à chaque fois la bonne réponse. Tout ce qu’il nous reste à faire, c’est d’alimenter cette boîte avec nos critères de réussite. Dans le cas d’une activité financière suspecte, cela impliquait que les transactions devaient être libellées en fonction des alertes précédentes.

En réalité, beaucoup de startups ont essayé de faire ainsi : s’engager à remplacer les « vieilles règles » par un algorithme prédictif. En ce qui nous concerne, nous n’étions pas convaincus de l’efficacité de cette approche. D’une part, aucun organisme de réglementation n’accepterait de passer à côté de l’identification d’une simple activité de blanchiment d’argent, en raison du manque d’informations alimentant l’algorithme statistique. D’autre part, beaucoup trop de résultats présentaient une logique circulaire hasardeuse. Par exemple, pour certains, le meilleur moyen de prédire si une transaction était suspecte, s’est révélé être lorsque la société présentait un risque élevé ou lorsqu’elle était déjà réputée suspecte par le passé. Cette approche semblait être excellente pendant l’apprentissage du modèle, mais dans la pratique, elle a fini par passer à côté de toute l’activité suspecte des nouvelles sociétés malveillantes. Le même problème s’est posé pour la détection d’anomalies : il était trop facile de confondre les écarts justifiés avec des anomalies suspectes.

Besoin opérationnel
En appliquant des approches modernes de Machine Learning, notre objectif était d’améliorer la précision et la performance. La première étape consistait donc à examiner ce que nos systèmes faisaient déjà, puis à trouver les points où nous pourrions apporter des améliorations. Cela s’applique aussi bien aux « vrais positifs » manqués qu’au nombre de faux positifs. Généralement, les deux étaient intimement liés : nous avons étendu notre champ d’actions pour attraper autant de vrais positifs que possible et de plus en plus de faux positifs. Si nous avons la possibilité de rendre la logique plus flexible,
nous pourrions être en mesure de répondre aux deux besoins. La capacité d’expliquer la logique de chaque changement aux fins de la gestion du risque lié au modèle, était toute aussi importante que la manière d’identifier les facteurs de réussite.

Le Machine Learning non supervisé
La première technologie vers laquelle nous nous sommes tournés était le Machine Learning non supervisé. Cette approche est très efficace pour savoir à quel point les choses se ressemblent et de regrouper les données ou d’organiser les éléments sous-jacents en groupes qui se comportent de la même manière. Mais qu’organisons-nous ? Des transactions ? Des comptes ? Et quelle mesure de similarité utilisons-nous ? Il existait des centaines de moyens différents permettant d’utiliser le Machine Learning pour le regroupement des données, mais la plupart de ces moyens n’ont pas porté leurs fruits. Il était clair qu’il manquait une étape.

Le Machine Learning supervisé
Nous avons également étudié le Machine Learning supervisé. En définissant une cible, il est possible de prédire dans quelle mesure chaque élément ressemble à la cible. Cette logique prédictive pourrait potentiellement remplacer une grande partie des décisions prises par l’Homme aujourd’hui. Mais comme l’approche précédente, il existait beaucoup de moyens possibles permettant de l’utiliser. Pour que
l’algorithme fonctionne, nous avions besoin d’un ensemble d’échantillons ou d’un ensemble d’apprentissages suffisamment grand. Nous avions également besoin que les résultats soient meilleurs que ceux obtenus par les systèmes existants. Encore une fois, pour choisir les options, nous devions examiner le problème de manière différente.

Connaissance du domaine
Lorsque nous avons examiné les données sous-jacentes, nous avons constaté l’existence d’un modèle de répétition. L’obtention de meilleurs résultats résidait dans le choix des entrées. En organisant et en préparant soigneusement les données que nous avions intégrées dans les algorithmes, nous avons obtenu des résultats qui avaient du sens. Dans presque tous les cas, notre préparation était très spécifique au domaine. Nous savions que nous ne pouvions pas simplement intégrer toutes les données brutes dans les algorithmes, puis espérer qu’une alchimie magique les fusionnerait pour donner de bons résultats. Nous sommes allés plus loin dans ce processus.

Ainsi, nos experts en criminalité financière ont participé à toutes les étapes du processus. Une partie du travail consistait à choisir les critères pertinents pour chaque scénario : types de comptes, catégories d’activités, etc. Une autre partie du processus, tout aussi importante, consistait à utiliser les informations antérieures agrégées dans le cadre des entrées, à savoir les volumes mensuels, les écarts antérieurs et les mesures similaires. En réalité, nous nous sommes rendu compte que bon nombre des règles existantes, qui étaient si méprisées, présentaient une valeur inestimable permettant d’obtenir de bons résultats à partir des algorithmes, lorsqu’elles sont utilisées comme entrées. Les mêmes signaux d’alarme, à qui on reprochait d’être responsable, pour la plupart, des faux positifs, pourraient aujourd’hui nous aider à trouver une aiguille dans une botte de foin.

Compiler le tout
Lorsque nous avons intégré les nouveaux mécanismes de Machine Learning dans notre logique de détection et d’optimisation, nous avons utilisé nos nouvelles connaissances. Aucun des problèmes auxquels nous nous sommes heurtés ne pouvaient être traités avec une approche universelle. Nous avons gardé notre logique existante en place et l’avons utilisé comme entrée dans les nouveaux algorithmes. Nous avons demandé à nos data scientists de travailler avec nosexperts en la matière et de trouver des moyens permettant d’identifier les indicateurs les plus importants pour chaque scénario. Désormais, nos processus analytiques comprennent des étapes de vérification au cours desquelles nous vérifions la performance des différentes approches et demandons à nos experts dans le domaine de choisir celles qui sont les plus pertinentes pour leurs activités.

Nos conclusions étant réunies, nous avons trouvé un autre avantage important : comme nos entrées s’appuient sur la logique métier, les explications de l’algorithme sont devenues beaucoup plus simples. En créant des modèles, nous sommes capables de générer des preuves entières permettant d’expliquer comment nous les avons trouvées et pourquoi le modèle prend des décisions spécifiques. Cela est extrêmement important pour les institutions financières et pour les organismes de réglementation.

En bref
Nous continuons à utiliser le Machine Learning de manière efficace dans toutes nos solutions de lutte contre la criminalité financière. Par ailleurs, des innovations continuent à être fréquemment annoncées. Mais je pense que nous avons déjà obtenu les résultats les plus significatifs. En trouvant un moyen d’intégrer la connaissance du domaine à chaque étape du processus, obtenir de bons résultats prendra désormais beaucoup moins de temps.

Alors que nous continuons à intégrer de nouvelles approches et de nouveaux algorithmes, nous sommes conscients qu’il faut continuer, en parallèle, de renforcer notre logique métier fondamentale. Ne pas supplanter la connaissance au profit de la technologie est, selon moi, la recette secrète qui permet d’utiliser le Machine Learning.

Ofir Reichenberg – NICE Actimize -Mai 2019
(Biographie : Directeur des produits pour les solutions AML chez NICE Actimize, Ofir Reichenberg s’occupe depuis 25 ans de produits qui mettent l’accent sur forte intensité d’information, la gestion des connaissances et l’analytics. Au cours des 15 dernières années, il a principalement œuvré dans le secteur financier, notamment dans la gestion de produits, le développement de logiciels et les services professionnels.)

Lisez gratuitement le quotidien Finyear & sa newsletter quotidienne.
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises en finance digitale, corporate finance & crypto finance.

Read for free The daily newspaper Finyear & its daily newsletter.
Receive the Finyear's newsletter every morning by email, a daily snapshot of the best news and expertise in digital finance, corporate finance & crypto finance.

----------------

Chaineum - Conseil haut de bilan & stratégie blockchain
Fondée en 2015, Chaineum est un cabinet de conseil en opérations de haut de bilan offrant une expertise de premier plan en matière d’ICOs et STOs, avec une vision stratégique orientée tant vers le métier de ses clients que sur la technologie blockchain. A ce titre, Chaineum a participé à la mise en œuvre de bonnes pratiques dans le secteur (ICO Charter, Security Token Network).
Besançon - Paris + réseau international de partenaires.

About Chaineum
Founded in 2015, Chaineum is a leading corporate finance advisory firm with a strong expertise in ICOs and STOs, and a strategic focus on both its clients' business and blockchain technology. As such, Chaineum paved the way in the implementation of certain best practices in this sector (ICO Charter, Security Token Network).
Chaineum Segment, Chaineum's blockchain services division, is developing Chaineum Segment technology, an object-oriented private blockchain.

https://www.chaineum.com

No Offer, Solicitation, Investment Advice, or Recommendations

This website is for informational purposes only and does not constitute an offer to sell, a solicitation to buy, or a recommendation for any security, nor does it constitute an offer to provide investment advisory or other services by FINYEAR.
No reference to any specific security constitutes a recommendation to buy, sell or hold that security or any other security.
Nothing on this website shall be considered a solicitation or offer to buy or sell any security, future, option or other financial instrument or to offer or provide any investment advice or service to any person in any jurisdiction.
Nothing contained on the website constitutes investment advice or offers any opinion with respect to the suitability of any security, and the views expressed on this website should not be taken as advice to buy, sell or hold any security. In preparing the information contained in this website, we have not taken into account the investment needs, objectives and financial circumstances of any particular investor.
This information has no regard to the specific investment objectives, financial situation and particular needs of any specific recipient of this information and investments discussed may not be suitable for all investors.
Any views expressed on this website by us were prepared based upon the information available to us at the time such views were written. Changed or additional information could cause such views to change.
All information is subject to possible correction. Information may quickly become unreliable for various reasons, including changes in market conditions or economic circumstances.