Deep learning pour la détection de la fraude dans le secteur fintech học sâu Để phát hiện gian lận trong lĩnh vực fintech

Trang 1

DJIMELI TIONA Dariste | INSTITUT FRANCOPHONE INTERNATIONAL-SIM P25

DEEP LEARNING POUR LA DÉTECTION DE LA

FRAUDE DANS LE SECTEUR FINTECH

Trang 2

Conclusion et perspectives

Evaluation des résultats Contribution et limites

Objectifs et résultats

Trang 3

Introduction

❖ Qu’est-ce que la détection de fraude dans la fintech ?

▪ La détection de fraude dans la fintech consiste à identifier et prévenir les activités financières

suspectes ou frauduleuses

❖ Importance croissante de la détection de fraude.

▪ Les systèmes financiers numériques sont exposés à des menaces accrues,

nécessitant des solutions avancées pour protéger les transactions et les

données sensibles

❖ Quelques statistiques

▪ 47 % des entreprises fintech utilisent des modèles basés sur l’IA pour

détecter les fraudes

▪ Les pertes dues à la fraude financière atteindront 41 milliards de

dollars en 2025 (source : Juniper Research, 2023)

Trang 4

Contexte et problématique

❖ Contexte

▪ Importance de la lutte contre la fraude dans la Fintech

▪ Augmentation des transactions numériques, multipliant les

risques de fraude

▪ Rôle crucial des méthodes avancées comme le Deep Learning

❖ Problématique

▪ Comment le Deep Learning peut-il améliorer la précision et

l'efficacité de la détection de fraude ?

▪ Quels modèles sont les plus adaptés à un environnement

complexe et dynamique ?

Trang 5

Objectifs et résultats

▪ Évaluer et comparer les performances des modèles de Deep Learning

▪ Développer une solution hybride

▪ Améliorer la détection des fraudes en réduisant les fausses alertes et en

détectant des activités frauduleuses inconnues

Trang 6

État de l'art

Techniques Explorées

▪ Autoencodeurs : Détection non supervisée basée sur l'erreur de reconstruction.

▪ CNN : Extraction automatique des motifs complexes dans les données

▪ Apprentissage par Renforcement : Modélisation dynamique du comportement

normal pour détecter les déviations.

Trang 7

État de l'art

Modèle Avantages Limites Applications spécifiques

Autoencodeurs Indépendance des données

étiquetées

Sensibles au bruit et à l'équilibre des classes

Surveillance des anomalies dans les transactions financières

CNN Extraction automatique des

- Classification des transactions

LSTM Analyse des séquences

temporelles Cỏt computationnel élevé

- Détection des fraudes via des évolutions temporelles dans les transactions

Réseaux Siamois Faible besoin en données

Apprentissage

Renforcement Adaptabilité dynamique Complexité d’entraỵnement

- Surveillance des portefeuilles financiers

- Optimisation des décisions de trading

Trang 8

Solution proposée

Synthetic Financial Datasets For

Trang 9

Solution proposée

❑ Nettoyage des données

❑ Transformation et harmonisation des variables

Trang 10

Solution proposée

Trang 11

CNN Capte des motifs complexes

dans les relations entre les variables

Adapté pour repérer les schémasfrauduleux complexes liés à des relations entre caractéristiques

Moyen

LSTM Capture les dépendances

temporelles et séquentielles à long terme

Très adapté pour analyser les séquences transactionnellesorganisées par étapes temporelles

Moyen

Trang 12

Solution proposée

Trang 13

Implémentation technique

Plateforme Google Colab

Processeur Intel Xeon

Trang 14

❖ Autoencodeur

Fig: Définition du modèle

Fig: Entraînement du modèle

Trang 15

Fig: Définition du modèle CNN

Fig: Définition du modèle LSTM

Trang 16

Fig: Extraction des caractéristiques du modèle LSTM

Fig: Classification avec l’arbre de décision

❖ Implémentation du Modèle Hybride

Trang 17

Evaluation des résultats

❖ Métriques Clés

▪ Précision, rappel, F1-score

▪ Analyse des courbes ROC et AUC pour comparer les performances des modèles

▪ Matrice de confusion

Trang 18

Trang 19

Trang 20

Modèle Précision Rappel AUC

Trang 22

Conclusion et perspectives

❖ Les modèles hybrides offrent une solution robuste et adaptée aux

systèmes financiers modernes

❖ Perspectives :

▪ Réduction des cỏts computationnels

▪ Application sur des données réelles pour valider les

performances

▪ Exploration de nouvelles architectures pour la détection de

fraude

Trang 23

Tiêu đề	Deep learning pour la détection de la fraude dans le secteur fintech
Tác giả	Djimeli Tiona Dariste
Người hướng dẫn	Dr. Ho Tuong Vinh, Professeur à l’IFI
Trường học	Institut Francophone International-SIM
Thể loại	Mémoire

Định dạng
Số trang	23
Dung lượng	1,47 MB