Contexte & objectifs

Une banque belge était confrontée à une hausse des documents falsifiés et des demandes de prêts hypothécaires frauduleuses, entraînant l’octroi de crédits à des clients incapables de les rembourser (ou réticents à le faire).

Le processus de détection de fraude de la banque reposait sur des agences individuelles vérifiant manuellement chaque document. Lorsqu’un agent repérait un document suspect, il le transmettait à une équipe d’experts pour examen. Malheureusement, ce processus lent et fastidieux était sujet aux erreurs humaines, et certains documents frauduleux passaient entre les mailles du filet.

La banque a demandé à Agilytic de développer un proof of concept (PoC) pour un système automatisé de détection des fraudes, avec deux objectifs principaux :

• gagner du temps en éliminant les vérifications manuelles des documents ;

• améliorer la précision du processus de détection des fraudes.

Approche

Nous avons adopté des approches complémentaires pour développer notre système automatisé de détection de fraude.

1. Reconnaissance optique de caractères (OCR)

Nous avons utilisé des méthodes traditionnelles basées sur la reconnaissance optique de caractères (OCR) pour détecter les altérations dans les documents textuels. Ces méthodes comparent les incohérences de valeur et de format dans les documents, comme les espaces entre les lettres.

L’avantage principal de l’OCR est qu’il ne nécessite pas de grandes quantités de données d’entraînement, à condition que les documents suivent un modèle spécifique que le système peut analyser.

2. Détection stéganographique

De l’autre, nous avons adopté une approche innovante de détection stéganographique pour repérer les manipulations dans les documents image.

Cette technique d’inspection graphique permet de détecter la fraude même dans les cas les plus subtils, allant au-delà de ce que l’œil humain peut percevoir, jusqu’au niveau des pixels des documents image. Nous avons testé cet algorithme sur des milliers de bulletins de salaire et identifié correctement 70 % des documents falsifiés.

En combinant ces approches, nous avons considérablement amélioré la capacité du système à détecter la fraude avec précision. L’OCR offre rapidité et simplicité, tandis que la stéganographie garantit une haute précision dans les cas où la fraude pourrait autrement passer inaperçue.

Résultats

Nous avons conçu le système pour aider les agences à vérifier rapidement et facilement les documents suspects. Il détecte directement la fraude ou signale les éléments douteux pour examen par les agents. Grâce aux indications du système, les équipes peuvent évaluer les documents beaucoup plus rapidement, simplifiant ainsi l’ensemble du processus.

Un point clé à retenir lors de l’automatisation de processus autrefois fortement manuels est que l’automatisation à 100 % n’est pas toujours réaliste. Cependant, automatiser même une petite partie des tâches volumineuses et sujettes aux erreurs peut apporter des bénéfices significatifs à une organisation.

Étant donné le coût élevé de la détection de fraude pour les banques, l’automatisation représente un investissement extrêmement rentable : au-delà du gain de temps et de l’amélioration de la précision, la détection automatisée de fraude aide les banques à mieux gérer les risques en identifiant et en traitant les activités frauduleuses avant qu’elles ne s’aggravent.