Banque
❯
Détection de fraude
❯Détection des fraudes basées sur des collusions
Grandes entreprises
Télécom - Détection de fraude
Pour:
Opérateurs télécoms.
But:
Détecter les stratagèmes de télécommunications frauduleux à l'aide de l'apprentissage automatique pour réduire le temps de détection des pertes et identifier de nouveaux stratagèmes.
Objectif:
Anticiper les risques
Leapfrogging Fraud Detection in Banking : Transition d'une approche basée sur des règles à une approche basée sur l'IA
Pour:
- Prestataires de services bancaires et financiers - Commissaires aux comptes
Objectif:
Anticiper les risques
Détection des fraudes basées sur des collusions
Pour:
Régulateur du marché boursier, commerçants en bourse, investisseurs en bourse
But:
La validation de l'ensemble de collusion prévu demande beaucoup d'efforts et une expertise en matière d'enquête et juridique est nécessaire
Objectif:
Automatiser un processus métier
Détection des fraudes basées sur des collusions
Pour:
Régulateur du marché boursier, commerçants en bourse, investisseurs en bourseObjectif:
Automatiser un processus métierProblème adressé
Détection automatique non supervisée des fraudes basées sur des collusions
But du cas d'usage
La validation de l'ensemble de collusion prévu demande beaucoup d'efforts et une expertise en matière d'enquête et juridique est nécessaire
Description
Les fraudes sont répandues dans toutes les industries; et ils sont particulièrement graves dans les environnements professionnels actuels informatisés, connectés au Web, accessibles aux mobiles et compatibles avec le cloud. Un rapport du Federal Bureau of Investigation (FBI) indique que l'industrie de l'assurance aux États-Unis, qui se compose de plus de sept mille entreprises et collecte plus d'un billion de dollars de primes, perd environ quarante milliards de dollars par an en fraudes dans le seul secteur de l'assurance non médicale. . La taille globale des 52 bourses réglementées à travers le monde (capitalisation boursière totale) était de 55 000 milliards de dollars en décembre 2012. Compte tenu de l'argent en jeu, il n'est pas surprenant que le marché boursier soit la cible de fraudes. De nombreuses pratiques frauduleuses dans les transactions boursières, par exemple les transactions circulaires et la manipulation des prix, utilisent le modus operandi de la collusion. De manière informelle, un ensemble de commerçants est un ensemble de candidats à la collusion lorsqu'ils ont des échanges importants entre eux, par rapport à leurs échanges avec d'autres. Nous formalisons le problème de détection des ensembles de collusion, s'il y en a, dans une base de données de trading donnée. Nous montrons que les approches naïves sont inefficaces pour les situations réelles. Nous adaptons et appliquons deux algorithmes de clustering de graphes bien connus pour ce problème. Nous proposons également un nouvel algorithme de regroupement de graphes, spécialement conçu pour détecter les ensembles de collusion ; de plus, nous établissons un ensemble combiné de collusion. En traitant les expériences individuelles comme des preuves, cette approche nous permet de quantifier la confiance (ou la croyance) dans les ensembles de collusion candidats. Nous avons réalisé des expériences de simulation détaillées pour démontrer l'efficacité des algorithmes proposés. Le système est également opérationnel dans une organisation gouvernementale. Notez que tous nos algorithmes de détection de collusion sont totalement non supervisés et ne nécessitent aucune donnée d'apprentissage.
Apprentissage automatique
IA: Comprendre