Avec la multiplication des paiements en ligne, il est de plus en plus difficile de détecter l’utilisation frauduleuse de cartes de crédit. Plus le nombre de transactions est élevé, plus grand est le volume de données que doivent analyser les logiciels de détection des fraudes. Leur tâche est de plus en plus complexe, puisqu’une seule activité illicite peut se cacher parmi des millions de transactions légitimes.
Heureusement pour nous et nos comptes bancaires, Bahar Emami Afshar, étudiante à la maîtrise en informatique, met au point des techniques d’apprentissage machine de pointe pour contrecarrer les tentatives d’escroquerie.
« La croissance rapide du commerce électronique et des transactions en ligne a exacerbé le problème de la fraude par carte de crédit, explique-t-elle. Nous devons y remédier de toute urgence, car ce type de fraude est souvent lié à d’autres activités illicites, comme le vol d’identité et le blanchiment d’argent. »
La détection d’anomalies dans d’énormes ensembles de données
Pour entraîner les outils de détection des fraudes, il faut généralement y introduire d’importants volumes de données étiquetées comprenant des exemples de fraudes afin d’apprendre à ces systèmes à repérer les activités suspectes. Or, l’étiquetage manuel de ces données exige beaucoup de temps, d’argent et d’expertise.
Pour son mémoire de maîtrise, Bahar Emami Afshar a mis au point une nouvelle méthode d’identification des transactions frauduleuses dans des ensembles de données non étiquetées, au moyen de techniques avancées d’apprentissage machine. Baptisé ITERADE (pour ITERative Anomaly Detection Ensemble, ensemble de détection itérative d’anomalies), son outil novateur, spécialement conçu pour le secteur financier, fonctionne sans supervision humaine.
« Nous travaillons avec une entreprise qui reçoit des données brutes de ses clients, souvent non étiquetées, parmi lesquelles il est très difficile de distinguer les cas d’escroquerie, poursuit-elle. ITERADE vise à prioriser les activités d’étiquetage de manière à optimiser la détection des fraudes. »
L’outil applique une approche itérative fondée sur plusieurs modèles pour repérer les anomalies. Il identifie les cas douteux – potentiellement frauduleux – et les transactions « sûres », qui correspondent à la normale. Cette double action procure une longueur d’avance aux spécialistes dans leur recherche de données et rend l’étiquetage plus efficace.
Un système amélioré de détection des fraudes
En comparaison avec les méthodes traditionnelles, ITERADE accroît considérablement les chances d’identifier les transactions illicites. Bahar Emami Afshar et son équipe sont parvenues à des taux de détection de 3 à 15 fois supérieurs à ceux obtenus par d’autres techniques.
L’algorithme de l’étudiante fait appel à l’intelligence artificielle pour améliorer l’efficacité de l’étiquetage. C’est un outil précieux pour l’analyse de vastes ensembles de données qui contiennent très peu de cas de fraude.
« L’outil facilite le travail des spécialistes en les aidant à étiqueter et à inspecter les cas douteux de manière stratégique », résume-t-elle.
Sa capacité d’identifier les transactions sûres, qui présentent peu de risques, éclaire également les chercheuses et chercheurs en leur donnant une sorte de portrait-robot d’une transaction « normale » qui les aide avec le temps à mieux faire la distinction entre un acte légitime et un acte illicite.
Un outil appelé à évoluer pour servir d’autres domaines
« Dans le milieu de la recherche, ITERADE représente une méthode innovante de détection autonome des anomalies qui redéfinit notre approche des ensembles de données fortement déséquilibrés, précise Bahar Emami Afshar. C’est un cadre flexible et abordable bien plus efficace que les autres méthodes de détection des fraudes, et il établit une nouvelle norme pour la résolution d’autres problèmes de même nature sans supervision humaine. »
L’équipe de recherche entend prochainement intégrer l’outil à un cadre d’apprentissage actif. Lorsqu’il disposera d’un plus grand volume de données étiquetées, le système pourra basculer d’une méthode autonome à une méthode supervisée pour améliorer encore plus sa performance.
Bahar Emami Afshar croit qu’à l’avenir, les systèmes fondés sur l’IA comme ITERADE seront utiles dans bien d’autres domaines que la finance, notamment dans les soins de santé, la cybersécurité et la surveillance des infrastructures, où les anomalies sont rares, mais doivent rapidement être détectées.
L’étudiante espère pouvoir un jour appliquer son expertise en IA et en apprentissage machine dans de nombreux secteurs. « Je rêve d’une carrière dans laquelle je mettrai à profit mes compétences en IA et en ingénierie pour résoudre des problèmes complexes bien réels, déclare-t-elle. Je veux contribuer au développement d’applications de l’IA à la fine pointe qui améliorent la prise de décisions, la sécurité et la qualité de vie dans toutes les sphères d’activité. »
La technologie au service de la transformation numérique : une priorité de la Faculté de génie
Bahar Emami Afshar a présenté son travail au Laboratoire uOttawa-IBM Cyber Range sous la direction de la professeure Paula Branco. Elle a également collaboré avec l’entreprise H3M Analytics Inc.
Elle a remporté la première place dans la catégorie Technologies pour la transformation numérique de la société lors de l’édition 2025 de la Compétition d’affiches des études supérieures en génie et en informatique, qui a eu lieu dans le cadre de la Journée de célébration de la recherche en génie, à la Faculté de génie.
À la Faculté de génie, la recherche sur les technologies pour la transformation numérique de la société se concentre sur la mise au point et l’application de technologies numériques comme l’IA, les outils de cybersécurité et les systèmes de données pour améliorer notre mode de vie, nos méthodes de travail et nos relations dans un monde de plus en plus connecté.
Découvrez les autres projets primés lors de la Compétition d’affiches des études supérieures.
