Leapfrogging Fraud Detection in Banking : Transition d'une approche basée sur des règles à une approche basée sur l'IA

Traditionnellement, les moteurs de détection de fraude sont basés sur des règles et rendent difficile la codification immédiate de nouvelles règles. En plus de cela, il a également un faible niveau de précision de détection des fraudes. Cela se traduit par un nombre limité de types de fraude pouvant être détectés, affectant la réputation de l'entreprise et réduisant l'efficacité opérationnelle. À son tour, cela a un impact négatif sur la satisfaction des clients et fait subir à la banque des pertes frauduleuses.

Pour surmonter cela, KewMann a créé une approche d'IA complète pour assurer une détection de fraude de haute précision en appliquant des méthodes éprouvées d'apprentissage automatique en temps quasi réel. Au lieu d'utiliser l'approche basée sur des règles uniques, l'approche de l'IA permet plusieurs modèles, qui incluent des modèles supervisés basés sur des règles, des modèles non supervisés et des méthodologies liées/relationnelles. Ils ont également utilisé un graphe de connaissances avec analyse de réseau pour obtenir des informations exploitables permettant de découvrir plus rapidement les fraudeurs. Résultat : KewMann a réduit les fausses alarmes de 50 % pour augmenter la précision et a obtenu une détection en temps quasi réel avec des données rapides et 30 % de types de fraudes supplémentaires détectés.