C’est un sujet qui anime beaucoup de conversations de place, pour lequel notamment les cabinets sont sollicités et les éditeurs challengés ! Mais que pouvons-nous en dire concrètement pour le moment.
Un constat principal :
Les dispositifs LCB-FT traditionnels reposent encore majoritairement sur des moteurs de règles fixes, avec un taux de faux positifs pouvant atteindre 95 % dans certaines grandes banques, et peinent face aux schémas complexes.
Alors quelles sont les grandes tendances d’utilisation de l’IA et pour quels objectifs ?
1. Renforcer l’efficacité de la détection
Détection proactive des comportements suspects, analyse comportementale avancée notamment via le clustering, réduction des faux positifs…
2. Automatiser et accélérer les traitements
Traitement automatique des cas simples (alertes à faible risque ou répétitives), classification et priorisation intelligente des alertes, automatisation des contrôles de conformité… tout ça afin de gagner de la bande passante pour les équipes de conformité, qui peuvent se concentrer sur l’analyse à forte valeur ajoutée.
3. Améliorer la qualité des investigations
Analyse croisée de multiples sources de données (y compris non structurées), visualisation intelligente des relations entre clients, comptes et transactions via des graphes de liens, identification de typologies émergentes…
Cependant, comme pour toute nouvelle utilisation technologique, les établissements se confrontent à quelques limites ou défis :
– Auditabilité des modèles (traçabilité des décisions algorithmiques) ;
– Justification réglementaire vis-à-vis des autorités ;
Éthique et biais algorithmiques (éviter le profiling discriminant ou le surfiltrage géographique)…
Intéressant également, des initiatives sont lancées à l’échelle européenne pour travailler sur ces sujets, notamment en début d’année avec le projet XAI4AML, soutenu par l’ANR, pour développer des IA explicables dédiées à la LCB-FT.
