Résumé
La fraude financière est devenue un défi majeur à l’ère numérique moderne, posant des menaces à la stabilité économique, à la confiance des clients et à l’intégrité des systèmes financiers. Les approches traditionnelles basées sur des règles et guidées par des experts pour la détection de la fraude ont montré des limites dans la résolution de la nature dynamique et évolutive des activités frauduleuses. Cette thèse présente une exploration approfondie d’un nouveau paradigme qui combine la puissance de l’Intelligence Artificielle (IA) basée sur la Connaissance et des techniques d’Apprentissage Automatique (ML) pour une détection efficace et robuste des fraudes financières.
L’objectif principal de cette recherche est double : d’une part, examiner la viabilité de l’utilisation des méthodes ML et DL pour détecter la fraude financière et d’autre part, évaluer l’efficacité d’une approche basée sur l’IA basée sur la Connaissance pour traiter les subtilités du paysage frauduleux en évolution. La recherche commence par proposer deux hypothèses : premièrement, que les méthodes ML et DL peuvent identifier efficacement les schémas frauduleux et deuxièmement, qu’une approche basée sur l’IA basée sur la Connaissance offre un cadre flexible pour intégrer des connaissances spécifiques au domaine pour améliorer la détection de la fraude.
Pour tester ces hypothèses, un cadre expérimental approfondi est utilisé, impliquant divers algorithmes ML tels que XGBoost, Random Forest, les réseaux neuronaux, et plus encore. Un ensemble de données de fraude financière soigneusement sélectionné forme la base de ces expériences. Chaque algorithme subit un prétraitement rigoureux, un réglage des hyperparamètres, une formation et une évaluation, fournissant des informations précieuses sur leurs forces et leurs limites.
Parallèlement, une approche novatrice basée sur l’IA basée sur la Connaissance est développée. Cette approche tire parti d’un cadre basé sur une ontologie qui capture des connaissances spécifiques au domaine sur la fraude financière. L’ontologie est enrichie de règles et de relations qui permettent le raisonnement et la prise de décision. Cette approche basée sur la connaissance vise à combler le fossé entre les connaissances guidées par des experts et la détection automatisée, offrant ainsi une transparence et une interprétabilité dans les décisions de détection de la fraude.
Les résultats des deux approches, ML et IA basée sur la Connaissance, sont analysés de manière critique. Les forces et les faiblesses de chaque approche sont disséquées en termes d’exactitude, d’interprétabilité, de scalabilité et d’adaptabilité. Une comparaison entre les deux paradigmes est établie, mettant en évidence leurs avantages distincts et leur potentiel d’hybridation.
En fin de compte, cette thèse contribue à l’avancement de la détection de la fraude financière en mettant en lumière la synergie entre les méthodes ML et l’IA basée sur la Connaissance. Elle présente une enquête approfondie sur les capacités de chaque approche, offrant ainsi une feuille de route pour la création d’un système hybride qui exploite les points forts des deux paradigmes. Les conclusions de cette recherche fournissent des informations précieuses aux chercheurs, aux praticiens et aux décideurs souhaitant construire des systèmes efficaces et résilients de détection de la fraude financière dans une ère de menaces en constante évolution.
Source: http://www.theses.fr/s244717
.
