Détection de fraude en temps réel par transaction utilisant l'apprentissage par ensemble et les réseaux de neurones graphiques

Key Points

• Développer un système efficace et interprétable pour la détection de fraude financière en temps réel utilisant des techniques avancées d'apprentissage automatique.
• Intégration d'Isolation Forest, XGBoost et des réseaux de neurones graphiques dans un cadre d'ensemble pondéré.
• Mise en œuvre d'explications basées sur SHAP pour interpréter les résultats du modèle.
• Introduction d'un mécanisme de surveillance du dérive conceptuelle pour s'adapter aux stratégies de fraude évolutives.
• Réalisation d'évaluations expérimentales pour évaluer les indicateurs de performance.
• Obtention d'un score ROC-AUC de 0,94 indiquant une haute précision de détection.
• Maintien d'une latence d'inférence inférieure à 250 millisecondes pour une opération en temps réel.
• Démontré la capacité d'identifier à la fois des anomalies comportementales et des modèles de fraude relationnelle.