Détecter les cas de fraude est un défi de première importance pour le secteur financier. Un algorithme basé sur l’apprentissage automatisé est utilisé dans le système de traitement des paiements pour faire la distinction entre les transactions autorisées et les transactions frauduleuses. L’utilisation d’algorithmes d’apprentissage automatisé assiste les systèmes de paiement, de sorte qu’ils « savent » quand une transaction est authentique et autorisée. Tout contrôle de comportement impliquant une surcharge de travail pour les êtres aide les algorithmes d’apprentissage automatisé à suivre les actions frauduleuses.

En ce sens, Kount est un exemple clair de la façon dont la plate-forme fonctionne pour détecter et prévenir la fraude. Le logiciel collecte des données à partir de milliards de transactions et les analyse à l’aide de l’IA pour contrecarrer les activités malveillantes. Autrement, la fraude est une question très épineuse pour les compagnies d’assurance, car elles doivent éviter de faire des paiements liés à des comportements frauduleux. Les solutions avancées basées sur l’intelligence artificielle, telles que SAS Fraud Framework, utilisent des analyses approfondies pour contrôler les abus potentiels.

Il y a aussi tout l’aspect du spam qui tombe dans cette catégorie. Pour obtenir une mise à jour continue des filtres antispam, les entreprises ont commencé à s’appuyer sur l’apprentissage automatisé. Le filtrage des spams basé sur des règles échoue souvent lors de l’évaluation des astuces adoptées par les spammeurs. Les techniques de filtrage de spam, améliorées par l’apprentissage automatisé de type Perceptron multicouche et d’induction de l’arbre de décision, sont de plus en plus efficaces et permettent de déjouer plusieurs astuces mises en oeuvre par les spammeurs.

Juste pour donner une idée de l’ampleur du phénomène qu’est le spam, plus de 325 000 éléments malveillants sont détectés chaque jour par les systèmes d’apprentissage automatisés. Et comme le code des spammeurs ont des patterns relativement similaires, les programmes de sécurité basés sur l’apprentissage automatisé peuvent détecter les variations dans le code dans une fourchette variant actuellement entre 2 à 10%, ce qui nous protègent toujours plus efficacement de telles intrusions.

D’un autre côté, le rôle des FAI (fournisseurs d’accès Internet) est fondamental lorsqu’il s’agit d’améliorer la sécurité de l’Internet des objets. Ce processus commence tout d’abord par bloquer le trafic malveillant exécuté par le logiciel malveillant à partir de patterns déjà connus. Actuellement, certains FAI utilisent le concept du BCP38 pour minimiser l’usurpation, technique utilisée par les pirates informatiques pour introduire des paquets réseau avec de fausses adresses d’expéditeurs. Deuxièmement, les FAI peuvent informer les clients si un appareil envoie ou reçoit du trafic malveillant sur leurs réseaux ou non.

Au total, l’apprentissage automatisé est un élément essentiel d’un système d’Internet des objets ​​conçu pour fournir une analyse prédictive efficace, mais il ne peut pas «faire de la magie». Dans le cadre d’un système d’Internet des objets, l’apprentissage automatisé offre de nouvelles opportunités pertinentes et importantes. Cependant, les organisations doivent intégrer ces idées dans des scénarios opérationnels en temps réel, afin de tirer pleinement parti de leur valeur commerciale.

► Articles traitant de : Apprentissage automatisé et Internet des objets

© Prospective|Société, 2018