Détection de criminalité financière par réseaux de neurones

À propos

En association avec HSBC, j’ai étudié dans cette thèse l'application de méthodes d'intelligence artificielle pour la détection de criminalité financière. L'objectif principal de cette thèse est d'automatiser l'identification d’activités suspectes en réduisant le besoin d'intervention humaine, ainsi qu'en limitant le nombre de fausses alertes, à l'aide d'algorithmes de réseaux de neurones. La collaboration avec HSBC a imposé d’accorder une attention particulière aux contraintes de l'industrie financière, comme la capacité de gérer la volumétrie des données avec des traitements rapides en temps réel mais également d'explicabilité du système. Comme solution, j’ai implémenté un cadre de détection basé sur une combinaison de deux modèles non supervisés utilisés en mode d'apprentissage en ligne. Les deux algorithmes sont des réseaux concurrentiels qui ont la propriété d'être facilement évolutifs, rapides et peu coûteux lorsque la dimensionnalité des données est importante. Ils ont également des propriétés d'explicabilité, sont particulièrement adaptés à la détection de valeurs aberrantes et offrent même des moyens de visualisation. Trois expérimentations ont été étudiées : la détection d’usurpation d’identité, le profilage de comportement de blanchiment d’argent et enfin la prédiction de toute forme d’activité criminelle. J’ai observé des temps de réponses de mon système de quelques millisecondes. En comparant les performances de ma solution à d'autres modèles de Machine Learning, mon système a obtenu les meilleurs résultats sur un jeu de test, avec 79% de transactions correctement prédites comme frauduleuses et un taux de fausses alertes largement inférieur à 1%.

In association with HSBC, I studied in this research the application of artificial Intelligence (AI) methods to the detection of financial crime.Financial institutions use semi-automated systems based on predefined rules toidentify suspicious activities, but most alerts are false positives and critical partsof the monitoring process are still performed by human analysts.The main objective of this work is to automate the identification of suspiciousactivities by reducing the need for human intervention, as well as limiting the numberof false alarms, using neural network (NN) algorithms. The collaboration withHSBC required paying particular attention to the financial industry’s constraints,such as the ability to manage the volume of data with fast real-time processingbut also explicability of the system.As a solution, I implemented a detection framework based on a combination oftwo unsupervised NNs used in online learning mode. These two NNs were selectedbecause of their properties and their suitability to this project. The two algorithmsare competitive networks which have the property of being easily scalable, fastand powerful when the dimensionality of the data is important. They also haveexplanatory properties, are particularly suitable for detecting outliers and evenoffer means of visualization.Three experiments were studied : identity theft detection, the profiling of moneylaundering behavior in a context of environmental crime and finally the predictionof any form of criminal activity.I observed that my system was able to give response times in milliseconds andable to identify risky transactions that had not previously raised any alert withinthe financial institution. I also compared the performance of my solution againstother Machine Learning models and found that my system performed best on atest set, with almost 79% of fraudulent transactions correctly predicted and a falsealarm rate well below 1%.