Pour servir leur clientèle composée de millions de personnes, les banques ont mis en place des systèmes automatisés de suivi des transactions. Traditionnellement, ces systèmes sont fondés sur un nombre limité de scénarios prédéfinis, capables de détecter le blanchiment d'argent et appelés « règles » ou « conditions ». Si un titulaire de compte viole l'une de ces règles, une alerte est lancée.

Mais cette situation est loin d'être parfaite. Premièrement, les systèmes fondés sur des règles sont généralement basés sur des modèles observés précédemment.  Ainsi, de nombreuses banques ne peuvent détecter que les cas de blanchiment d'argent similaires à ceux déjà observés dans le passé.

Deuxièmement, la plupart des systèmes de suivi des transactions existants produisent un très grand nombre d'alertes qui doivent être examinées manuellement par les analystes LBA (lutte contre le blanchiment d'argent). Il semblerait qu'environ 95 % des alarmes déclenchées par les systèmes actuels soient de fausses alarmes, comme l'a signalé Reuters. Cependant, notre expérience montre que dans certaines banques, plus de 99% des alertes ne sont pas pertinentes. Qu'est-ce que cela signifie concrètement ? Cela veut dire que les analystes LBA consacrent presque tout leur temps et leurs efforts à des alertes qui n'auraient jamais dû être créées.

Que pouvons-nous faire ?

Nous estimons que l'Intelligence Artificielle (IA) est l'avenir des systèmes de lutte contre le blanchiment d'argent. Nous avons démontré que les algorithmes d'Apprentissage Automatique peuvent être utilisés pour améliorer l'efficacité du processus global de lutte contre le blanchiment d'argent. La figure ci-dessous illustre le processus LBA amélioré par l'IA, avec les alertes classées par ordre d'importance :

Pour chaque cas ou client alerté, nous estimons le risque de blanchiment à l'aide des algorithmes de classification les plus puissants. Ils incluent (mais ne sont pas limités à) des forêts aléatoires, des méthodes de gradient boosting (XGBoost, LightGBM, CatGBM) et des réseaux neuronaux profonds.

En nous basant sur les alertes classées, nous sommes en mesure d'établir des priorités. En dessous d'un certain seuil de risque, nous pouvons couper ou hiberner les alertes, car leurs risques sont négligeables. Nous avons ainsi permis une baisse de 60 % de la charge de travail des analystes dans une grande banque.

A la recherche du « pourquoi »

Alors que de plus en plus d'algorithmes d'Apprentissage Automatique étaient proposés, les praticiens de l'IA ont observé qu'il existait des obstacles importants à l'utilisation de certains d'entre eux dans le monde réel. Les algorithmes plus avancés et plus précis sont généralement plus complexes et moins transparents. Lorsque l'on utilise des méthodes d'ensemble ou des réseaux de neurones, connus pour leur grande puissance prédictive, on ne peut pas clarifier le raisonnement qui sous-tend chaque prévision particulière. Les résultats sont plus difficiles à interpréter. Il devient difficile d'expliquer pourquoi un système d'IA prétend qu'un cas est très suspect et qu'un autre ne l'est pas du tout.

Les établissements bancaires sont tenus de détecter et de déclarer les clients qui se livrent au blanchiment d'argent et au financement du terrorisme, mais ce n'est pas tout ! Les régulateurs exigent une documentation transparente et détaillée, qui doit inclure − entre autres − une appréciation argumentée chaque fois que le département de conformité clôt un dossier et le marque comme « non suspect » (ce qui est le cas dans environ 95% du temps).

Comprendre, et pas seulement analyser

Pour toutes ces raisons, nous nous sommes tournés vers une approche différente, en profitant de nouvelles techniques connues collectivement sous le nom d'Intelligence Artificielle Expliquable (XAI). Comment ces techniques fonctionnent-elles et en quoi sont-elles différentes des systèmes traditionnels basés sur l'IA ?

Traditionnellement basé sur des données déterminées, un modèle d'Apprentissage Automatique traitant d'une tâche spécifique est construit. Ce modèle est évalué et optimisé. Dans de nombreux cas, on se retrouve avec un modèle type « boîte noire » qui résout très bien le problème, mais même les créateurs du modèle ne peuvent pas vraiment inspecter comment le modèle analyse, ni ce qu'il accomplit. Notre approche consiste alors à considérer d'autres modèles dits de « boîte en verre ». Dans ce genre de modèles, nous n'utilisons pas seulement de puissants algorithmes d'IA, nous utilisons également des méthodes de XAI. En utilisant une telle approche, nous comprenons pourquoi le système a produit une prédiction particulière, pourquoi il a erré, et comment agir pour l'améliorer.

Non, le blanchiment d'argent ne disparaîtra pas du jour au lendemain... Mais oui, avec le temps, l'IA pourrait devenir une incroyable solution.

Obtenir des explications

L'une des méthodes XAI les plus simples est appelée « permutation feature importance » et permet de mesurer l'importance des variables. La permutation d'une séquence est une façon de réarranger ses éléments. En bref, la méthode utilise différentes permutations de valeurs de caractéristiques pour estimer son importance.

Disons que vous voulez prédire combien de vélos seront loués le jour X. Les permutation feature importances peuvent vous dévoiler que la température extérieure ce jour-là devra être prise en compte, tandis que d'autres variables moins importantes (jour férié ou jour ouvrable) seront ignorées.

Auteurs : Magdalena Bogdańska, PhD, Data Scientist | Applied mathematician & Paweł Kryszkiewicz, Product Manager, Comarch