Quelle est la première chose qui te vient à l’esprit quand tu penses à une banque ? Du cash, des cartes… des braqueurs de banque !? Si tu as pensé à la dernière, réfléchis bien.

Blague à part, quand il s’agit de services bancaires, la sécurité est extrêmement importante. Avec le passage à l’argent digital et au mobile banking, certaines formes de criminalité ont disparu, mais la prévention de la fraude ressemble souvent à un jeu du chat et de la souris. En utilisant les dernières technologies, on simplifie ton expérience bancaire pour que tu puisses te concentrer sur ce qui compte vraiment. Que ce soit passer du temps en famille, voyager l’esprit léger ou développer ton business, on est toujours à la recherche de la prochaine innovation qui t’offre plus de liberté.

Quand on s’est lancé en 2015, notre objectif était de bousculer le statu quo de ce qu’une banque devrait être. Ça nous a conduit à des innovations précurseures comme les CVC dans l’app (au revoir le skimming de carte) et l’absence d’agences physiques (bonjour la rapidité et la praticité !). Aujourd’hui, on explore un avantage moins souvent mentionné du mobile banking : la détection et la prévention de la fraude.

Le défi, c’est de vérifier en temps réel des millions de transactions pour détecter les activités illégales et prévenir la fraude. Ça a l’air simple, non ? Ah, et il faut aussi s’assurer que tout ça n’impacte pas la super expérience utilisateur à laquelle tu es habitué.

Imagine un scénario où un compte commence à recevoir des paiements irréguliers en provenance de plusieurs Comptes bancaires inconnus, puis soudain tout l’argent est retiré. Tu penses que c’est :

a) Un cas de blanchiment d’argent ?

b) Des potes qui te remboursent les pizzas ?

c) Une session Marie Kondo à fond où tu vends tes vinyles sur eBay ?

Bonne question ! Pour y répondre, et pour s’assurer qu’on soit stricts avec les criminels et cool avec toi, on utilise le machine learning supervisé et le machine learning non supervisé.

Si tu parles avec notre équipe compliance, tu entendras des termes comme Prince nigérian, smurfing ou money-muling, qui montrent que beaucoup de types de fraude bancaire sont en fait bien connus. Pour détecter ces schémas, on utilise le machine learning supervisé. C’est un algorithme qui examine plus de 500 points de données par transaction et crée des centaines d’arbres de décision concurrents pour déterminer si une transaction est suspecte ou non. L’algorithme apprend à partir d’années de données de transaction étiquetées et est conçu pour te protéger à tout moment !

Ça fonctionne très bien pour repérer les schémas existants, mais qu’en est-il des nouveaux types de fraude complètement inconnus ? Dis bonjour au… machine learning non supervisé !

En faisant passer toutes les transactions non suspectes dans un modèle de deep learning de type auto-encoder, on trouve des schémas très complexes et inhabituels qui peuvent être liés à des fraudes encore inconnues. Si c’est confirmé, les données sont étiquetées et utilisées comme input par les modèles supervisés — et hop, encore une arnaque qui s’effondre !

Si tout ça te semble compliqué, tu te demandes peut-être : est-ce qu’il n’y a pas plus simple ?

Si, bien sûr ! Et ça s’appelle des règles. Jusqu’à récemment, la plupart des banques traditionnelles n’utilisaient pas le machine learning pour repérer les schémas frauduleux. Et même en 2020, elles s’appuyaient surtout sur des modèles simples basés sur des règles, ce qui signifie définir des schémas suspects puis vérifier manuellement chaque fois qu’ils se produisent.

Ces règles ne sont généralement pas aussi efficaces que le machine learning. Cependant, dans certains cas, elles peuvent être très puissantes, donc on les utilise de deux façons : quand un schéma est toujours frauduleux, et quand nos modèles supervisés sont encore en train d’apprendre à détecter un nouveau schéma en utilisant les données générées par la règle.

Voici pourquoi notre approche hybride te protège mieux :

1. On ne discrimine pas en fonction de la nationalité ou de l’apparence

Bien sûr, personne ne le fait volontairement — mais en se concentrant sur les schémas comportementaux plutôt que sur les stéréotypes et les biais, notre modèle est plus juste que des compliance officers humains.

2. On peut adapter l’expérience utilisateur pour qu’elle soit fluide pour toi et horrible pour les fraudeurs

Le machine learning permet de détecter plus rapidement les comportements frauduleux que les modèles basés sur des règles, et il est bien plus précis.

3. En restant toujours un pas en avance sur les criminels, on a plus de temps pour se concentrer sur ce qui compte vraiment : construire la meilleure banque pour toi

Voilà ! C’est l’une des façons dont on protège ton argent au quotidien, mais bien sûr, il se passe encore beaucoup de choses sous le capot.

Si tu veux en savoir plus sur la façon dont on prévient la fraude et dont on te protège, fais-le-nous savoir ici !

Diffuse l’amour, pas la fraude !