L'intelligence artificielle dans la détection de fraude désigne l'application des technologies d'intelligence artificielle, notamment l'apprentissage automatique, l'apprentissage profond et les systèmes experts, pour identifier et prévenir les activités frauduleuses dans les opérations financières et commerciales. Elle est largement utilisée dans le secteur financier, en particulier par les cabinets d'audit, pour aider à détecter la fraude et améliorer la précision des audits. Le passage du travail en présentiel au travail à distance a accru l'accès aux données, augmentant le besoin de systèmes automatisés capables d'analyser de grands volumes de transactions et de signaler des schémas suspects.
En 2022, PricewaterhouseCoopers a rapporté que la fraude a touché 46 % de toutes les entreprises dans le monde. Selon une étude de la Federal Trade Commission de 2022, les consommateurs ont signalé des fraudes d'environ 5,8 milliards de dollars en 2021, soit une augmentation de 70 % par rapport à l'année précédente, les escroqueries par usurpation d'identité et les fraudes en ligne étant majoritaires. L'intelligence artificielle joue un rôle crucial dans le développement d'algorithmes avancés et de modèles d'apprentissage automatique qui améliorent les systèmes de détection de fraude, permettant aux entreprises de rester en avance sur les tactiques frauduleuses en évolution dans un paysage de plus en plus numérique.
Systèmes experts
Les systèmes experts ont été conçus pour la première fois dans les années 1970 comme une extension des technologies d'intelligence artificielle. Leur conception repose sur le principe de réduire les erreurs potentielles des utilisateurs dans la prise de décision et d'imiter le raisonnement mental utilisé par les experts dans un domaine particulier. Ils se distinguent des modèles de raisonnement linéaires traditionnels en séparant les points identifiés dans les données et en les traitant individuellement en même temps. Cependant, ces systèmes ne reposent pas uniquement sur l'intelligence apprise par machine.
Des informations concernant les règles, les pratiques et les procédures sous forme de déclarations « si-alors » sont implémentées dans la programmation du système. Les utilisateurs interagissent avec le système en fournissant des informations soit par saisie directe, soit par importation de données externes. Un système d'inférence compare les informations fournies par l'utilisateur avec les règles correspondantes censées s'appliquer spécifiquement à la situation. En utilisant ces informations et les règles correspondantes, le système crée une solution à la requête de l'utilisateur. Les systèmes experts ne fonctionnent généralement pas correctement lorsque les procédures courantes pour une situation spécifiée sont ambiguës en raison de la nécessité de règles bien définies.
L'implémentation de systèmes experts dans les procédures comptables est faisable dans les domaines où un jugement professionnel est requis. Les situations où les systèmes experts sont applicables incluent les enquêtes sur des transactions impliquant des écritures potentiellement frauduleuses, les cas de continuité d'exploitation et l'évaluation du risque dans les phases de planification d'un audit.
Audit continu
L'audit continu est un ensemble de processus qui évaluent divers aspects des informations recueillies lors d'un audit pour classer les zones de risque et les faiblesses potentielles des contrôles internes financiers à une fréquence plus élevée que les méthodes traditionnelles. Au lieu d'analyser périodiquement les transactions enregistrées et les écritures de journal, l'audit continu se concentre sur l'interprétation plus fréquente du caractère de ces actions. La fréquence de ces processus et la mise en évidence des zones d'importance sont à la discrétion de l'implémenteur, qui prend généralement ces décisions en fonction du niveau de risque dans les comptes évalués et des objectifs de mise en œuvre du système. L'exécution de ces processus peut se produire aussi fréquemment que de manière quasi instantanée avec la publication d'une écriture.
Les processus impliqués dans l'analyse des données financières dans l'audit continu peuvent inclure la création de feuilles de calcul pour permettre une collecte d'informations interactive, le calcul de ratios financiers pour comparaison avec des modèles précédemment créés et la détection d'erreurs dans les chiffres saisis. Un objectif principal de cette pratique est de permettre une détection plus rapide et plus facile des cas de contrôles défaillants, d'erreurs et de fraudes.
Apprentissage automatique et apprentissage profond
La capacité de l'apprentissage automatique et de l'apprentissage profond à trier rapidement et efficacement de vastes volumes de données sous forme de divers documents pertinents pour les entreprises et les documents audités les rend applicables aux domaines de l'audit et de la détection de fraude. Des exemples incluent la reconnaissance du langage clé dans les contrats, l'identification des niveaux de risque de fraude dans les transactions et l'évaluation des écritures de journal pour détecter des inexactitudes.
Les modèles d'apprentissage automatique, tels que les réseaux de neurones, sont entraînés sur des données historiques pour identifier des schémas indicatifs de fraude. L'apprentissage profond, un sous-ensemble de l'apprentissage automatique, utilise des réseaux de neurones multicouches pour extraire automatiquement des caractéristiques des données brutes, améliorant ainsi la précision de la détection. Ces technologies permettent aux systèmes de s'adapter à de nouvelles tactiques frauduleuses au fil du temps, car ils peuvent être réentraînés avec des données mises à jour.
Applications dans les cabinets comptables du Big 4
Deloitte a créé un système de revue de documents activé par l'IA en 2014. Le système automatise la méthode de revue et d'extraction d'informations pertinentes à partir de différents documents commerciaux. Deloitte affirme que cette innovation a réduit le temps passé à examiner les contrats juridiques, les factures, les états financiers et les procès-verbaux de conseil jusqu'à 50 %. Travaillant avec IBM Watson, Deloitte développe des arrangements commerciaux améliorés par la technologie cognitive pour ses clients. LeasePoint est alimenté par IBM TRIRIGA (qui a évolué en IBM Maximo Real Estate and Facilities) et utilise les données industrielles de Deloitte pour créer un portefeuille de leasing de bout en bout. L'évaluation automatisée des ressources cognitives utilise l'innovation Maximo d'IBM pour améliorer la compétence de l'inspection des actifs.
Ernst and Young (EY) a connecté l'IA à l'examen des contrats de location. EY (Australie) a également reçu une technologie d'audit activée par l'IA. En collaboration avec H2O.ai, PwC a développé un cadre activé par l'IA (GL.ai) capable d'analyser des rapports et de préparer des rapports. PwC affirme avoir réalisé un investissement significatif dans le traitement du langage naturel (NLP), une innovation activée par l'IA pour traiter efficacement les informations non structurées. KPMG a construit un portefeuille d'outils d'IA, appelé KPMG Ignite, pour améliorer les décisions et les processus commerciaux. Travaillant avec Microsoft et IBM Watson, KPMG crée des instruments pour intégrer l'IA, l'analyse de données, les technologies cognitives et l'automatisation robotisée des processus (RPA).
Avantages : Efficacité
Le processus d'audit d'une entité pour détecter une activité frauduleuse nécessite de répéter des processus d'investigation jusqu'à ce qu'une erreur ou une inexactitude soit identifiée. Selon les méthodes traditionnelles, ces processus sont effectués par un être humain. Les partisans de l'intelligence artificielle dans la détection de fraude affirment que ces méthodes traditionnelles sont inefficaces et peuvent être accomplies plus rapidement avec l'aide d'un système informatique intelligent. Une enquête menée par KPMG en 2016 auprès de 400 directeurs généraux a révélé qu'environ 58 % pensaient que l'intelligence artificielle jouerait un rôle clé dans l'amélioration de l'efficacité des audits à l'avenir.
Les systèmes d'IA peuvent traiter de grands ensembles de données en une fraction du temps requis par les humains, réduisant ainsi le temps et le coût des audits. Par exemple, les grands modèles de langage peuvent analyser du texte non structuré dans les contrats et les courriels pour identifier des indicateurs potentiels de fraude, tandis que des outils automatisés peuvent signaler des anomalies en temps réel.
Avantages : Interprétation des données
Des niveaux plus élevés de détection de fraude impliquent l'utilisation du jugement professionnel pour interpréter les données. Les partisans de l'intelligence artificielle dans les audits financiers affirment que les risques accrus liés à des cas d'interprétation de données plus élevée peuvent être minimisés grâce à ces technologies. Un élément nécessaire d'un audit des états financiers qui requiert un jugement professionnel est la mise en œuvre de seuils de matérialité. La matérialité implique la distinction entre les erreurs et les transactions dans les états financiers qui auraient un impact sur les décisions prises par les utilisateurs de ces états financiers.
L'IA peut aider à définir les seuils de matérialité en analysant les données historiques et les références sectorielles, réduisant ainsi le risque de biais humain. De plus, les modèles d'apprentissage automatique peuvent identifier des schémas subtils dans les données qui pourraient être négligés par les auditeurs humains, améliorant ainsi l'efficacité globale de la détection de fraude.
Défis et limites
Malgré les avantages, l'utilisation de l'intelligence artificielle dans la détection de fraude fait face à plusieurs défis. Les systèmes experts nécessitent des règles bien définies, ce qui les rend moins efficaces dans des situations ambiguës. Les modèles d'apprentissage automatique peuvent être sensibles aux biais si les données d'entraînement ne sont pas représentatives, et ils peuvent produire des faux positifs ou des faux négatifs. De plus, la complexité des modèles d'apprentissage profond peut les rendre difficiles à interpréter, ce qui est problématique dans les contextes d'audit où des explications sont requises.
La confidentialité et la sécurité des données sont également des préoccupations, car les systèmes d'IA nécessitent souvent un accès à des informations financières sensibles. Les cadres réglementaires peuvent ne pas suivre le rythme des avancées technologiques, créant une incertitude pour les organisations qui adoptent ces outils. Au début des années 2020, de nombreuses entreprises en sont encore aux premiers stades de l'intégration de l'IA dans leurs processus d'audit, et l'impact complet sur la détection de fraude reste à réaliser.
Orientations futures
L'avenir de l'intelligence artificielle dans la détection de fraude impliquera probablement une plus grande intégration de l'IA générative et des modèles basés sur les transformeurs, qui peuvent générer des données synthétiques pour l'entraînement et améliorer la détection d'anomalies. La collaboration entre les entreprises technologiques et les cabinets comptables devrait croître, avec des plateformes cloud comme Amazon Web Services, Azure et Google Cloud offrant des services d'IA évolutifs. Des institutions de recherche telles que MIT CSAIL et Stanford AI Lab explorent de nouveaux algorithmes pour la détection de fraude, tandis que des leaders de l'industrie comme OpenAI et Google DeepMind font progresser les capacités des systèmes d'IA.
À mesure que l'IA devient plus sophistiquée, elle jouera probablement un rôle encore plus important dans la détection et la prévention de la fraude, aidant les entreprises à se protéger dans une économie de plus en plus numérique.