L'apprentissage automatique transforme la prévention de la fraude

L'apprentissage machine, en tant que domaine de l'intelligence artificielle (IA), devrait devenir la norme dans les services financiers au cours des cinq prochaines années. Au fur et à mesure que les preuves de concept et les cas d'utilisation seront mis en évidence, une myriade d'utilisations du ML auront un impact sur différentes fonctions commerciales.

La prévention de la fraude, les services de robotique, le respect de la réglementation et l'évaluation du crédit créeront d'énormes possibilités de croissance pour l'utilisation du blanchiment d'argent par les entreprises de services financiers.

Études de cas

La dernière étude de Frost & Sullivan, "Disruption in Global Financial Services, 2017-Machine Learning is imperative", donne un aperçu de la dynamique du marché de l'apprentissage machine et couvre les tendances et les moteurs technologiques, ainsi que les obstacles à l'adoption par le marché. Il fournit également des études de cas et des profils de certains acteurs clés du marché, dont Google, IBM, Orange, Swisscom, Onfido, Darktrace, Klarna, Infosys, SAP et Rasa.ai.

"Le plus grand avantage des solutions de ML est leur capacité à tirer des enseignements de chaque transaction et de chaque cas. Aujourd'hui, les entreprises et les consommateurs ont plus de facilité à traiter les services hybrides. Cependant, le fait que les machines évoluent très rapidement, qu'elles apprennent en permanence et que ces connaissances peuvent être utilisées pour améliorer la satisfaction et l'expérience des clients - c'est ce qui différencie le plus les deux entreprises", explique Deepali Sathe, analyste principal de l'industrie de la transformation numérique.

"Le blanchiment d'argent permet la rapidité et la précision, et ce sont des critères essentiels pour les entreprises du secteur des services financiers qui sont confrontées à des défis croissants en termes d'efficacité et de coût".

Les besoins stratégiques pour le succès et la croissance comprennent :

• divers acteurs du secteur, tels que les autorités de régulation, les entreprises en place et les start-ups, travaillent ensemble pour construire un écosystème solide où le potentiel du ML peut être pleinement réalisé ;
• Fournir un accès sécurisé aux données afin d'aider les systèmes de ML à détecter les comportements normaux et incorrects ;
• Facilité d'utilisation et sécurité des données et des transactions lors de l'utilisation de services robotiques ;
• la capacité de saisir des données structurées et non structurées pour permettre au blanchiment d'argent de maîtriser les compétences cognitives et de repérer les comportements qui révèlent un stratagème de fraude
• des algorithmes d'arrière-plan solides pour offrir des résultats pertinents pour des services tels que la notation du crédit et l'inclusion financière.

"Un manque de professionnels ayant des connaissances et des compétences liées au ML et un manque de possibilités de formation empêchent le ML de se propager rapidement", a déclaré M. Sathe. "D'autre part, l'éducation sur le marché est essentielle. Les sociétés financières ne sont pas encore pleinement conscientes des possibilités offertes par le blanchiment d'argent et des avantages et implications qui en découlent pour leurs propres activités. Si l'on combine ces aspects avec les coûts et dépenses associés, en termes de maintenance des infrastructures existantes, alors le ML n'a besoin que de trois ou quatre années supplémentaires pour devenir la norme dans ce secteur".

D'autres informations gratuites en langue anglaise sur cette étude sont disponibles à l'adresse ici 

L'étude, intitulée "Disruption in Global Financial Services, 2017-Machine Learning is imperative", fait partie du programme "Digital Identification Growth Partnership Service" de Frost & Sullivan.