Élaboration d'une technique d'apprentissage automatique pour la détection de fraudes par carte de crédit : Application sur les données massives déséquilibrées

Abstract

À l’ère numérique d’aujourd’hui, les cartes de crédit sont utilisées dans pratiquement toutes les transactions. La facilité des paiements en ligne au cours de la dernière décennie a ouvert de nouvelles perspectives, favorisé le développement des entreprises et réduit les frontières géographiques, mais elle a également entraîné une augmentation des transactions frauduleuses.

Alors que le commerce électronique ne cesse d’atteindre de nouveaux sommets chaque année, il est également devenu un terrain propice aux fraudeurs, qui exploitent largement les possibilités offertes par les méthodes de paiement en ligne et les transactions par carte de crédit. Par conséquent, la détection de la fraude constitue un aspect essentiel, qui consiste à repérer les anomalies dans les transactions. En général, la détection des anomalies consiste à distinguer les observations normales, caractérisées par des motifs ou des signatures bien définis, de celles qui ne sont pas conformes aux profils attendus. Ainsi, les comportements frauduleux peuvent se manifester par des modèles inhabituels dans les transactions financières.

Les progrès récents des approches fondées sur l’intelligence artificielle, notamment l’apprentissage automatique, ont permis des avancées importantes dans ce domaine grâce à leur capacité de traitement en temps réel, à leur rapidité et à leur efficacité. Autrefois, la détection de la fraude nécessitait un travail manuel considérable. Aujourd’hui, elle compte parmi les nombreux domaines qui ont bénéficié des progrès réalisés grâce aux algorithmes d’apprentissage automatique. Néanmoins, la conception d’algorithmes de détection de la fraude reste confrontée à divers problèmes qui ont une incidence considérable sur la précision de la détection.

Le travail de recherche présenté dans cette thèse porte sur l’élaboration d’une approche fondée sur l’apprentissage automatique pour la détection de la fraude. Nous abordons un problème majeur rencontré par les méthodes d’apprentissage automatique : le déséquilibre des classes. Celui-ci se produit lorsqu’une classe, appelée classe minoritaire, est fortement sous-représentée par rapport à une autre classe, appelée classe majoritaire. Cette situation est particulièrement fréquente dans le domaine de la détection de la fraude.

En effet, les opérations frauduleuses sont rares par rapport au volume des transactions légitimes. Leur proportion est habituellement de l’ordre d’une transaction frauduleuse pour mille transactions, ce qui perturbe le fonctionnement des algorithmes d’apprentissage automatique. Ces derniers peuvent présenter une grande précision dans la classification des transactions normales, mais une faible capacité à détecter les transactions frauduleuses. Ce problème devient encore plus complexe dans le contexte des données massives.

Afin d’apporter des éléments de réponse à cette problématique, nous proposons différentes contributions. Notre première contribution consiste en une étude expérimentale de l’influence du déséquilibre des classes sur les performances de prédiction des algorithmes d’apprentissage automatique, afin d’en comprendre les principales limites. Nous avons ainsi mis en évidence l’impact du déséquilibre des données sur les performances de ces approches. Dans une seconde contribution, nous avons proposé une méthode appelée « Réduction unilatérale du bruit comportemental » (One-Side Behavioral Noise Reduction, OSBNR), qui agit au niveau des données d’apprentissage afin de traiter le problème du déséquilibre des classes en présence d’un certain degré de bruit comportemental.

La méthode OSBNR comprend deux étapes principales. Tout d’abord, une analyse par regroupement est appliquée aux observations de la classe minoritaire, qui contient les transactions frauduleuses, afin de constituer plusieurs groupes d’observations présentant des comportements similaires. Ensuite, nous sélectionnons et éliminons les observations de la classe majoritaire, qui contient les transactions normales, considérées comme du bruit comportemental et présentant un chevauchement avec les groupes comportementaux de la classe minoritaire.

Enfin, nous avons proposé une méthodologie générale fondée sur la formalisation, la mise en œuvre et la conception technique d’une plateforme de détection de la fraude capable de répondre aux exigences des conditions de fonctionnement en situation réelle.

La partie consacrée à la formalisation se compose de quatre couches : le stockage distribué, le traitement des données, la construction du modèle et, enfin, l’évaluation du modèle. La mise en œuvre repose sur le système de traitement distribué des données Apache Spark. Plus particulièrement, nous nous sommes appuyés sur sa bibliothèque dédiée à l’apprentissage automatique, appelée MLlib. La conception technique de la plateforme s’appuie sur des solutions libres et ouvertes issues du domaine des données massives, telles qu’Apache Spark, Hadoop et YARN.