Lutter contre la fraude à l'identité synthétique grâce aux réseaux neuronaux graphiques

La fraude à l'identité synthétique (FIS) est un problème en escalade rapide dans le secteur financier, et elle coûterait plus de 20 milliards de dollars par an aux institutions. Contrairement au vol d'identité traditionnel, la FIS implique la création de nouvelles identités à partir d'une combinaison d'informations personnelles identifiables (PII) réelles et fabriquées. À mesure que les fraudeurs deviennent plus sophistiqués, les systèmes basés sur des règles traditionnelles et même les modèles d'apprentissage automatique de base ont du mal à suivre le rythme. C'est là que les réseaux neuronaux graphiques (GNN) offrent une nouvelle approche puissante pour lutter contre ce type de fraude complexe.

Point essentiel 1 : La fraude à l'identité synthétique est une forme de fraude unique qui nécessite des méthodes de détection avancées au-delà des systèmes basés sur des règles traditionnelles.

Point essentiel 2 : Les réseaux neuronaux graphiques (GNN) excellent dans l'identification de relations complexes au sein des données, ce qui les rend idéaux pour détecter les schémas subtils indicatifs des identités synthétiques.

Point essentiel 3 : La combinaison de GNN avec d'autres techniques de détection de la fraude, telles que l'analyse comportementale et l'empreinte digitale des appareils, offre les niveaux de précision les plus élevés.

Point essentiel 4 : La surveillance proactive et l'évaluation des risques en temps réel alimentées par les GNN sont essentielles pour minimiser les pertes dues à la fraude à l'identité synthétique.

Comprendre la fraude à l'identité synthétique

La fraude à l'identité synthétique se produit lorsque des criminels combinent des PII légitimes et fabriquées – comme un nom réel avec un faux numéro de sécurité sociale – pour créer une nouvelle identité entièrement artificielle. Cette identité « synthétique » est ensuite utilisée pour ouvrir des comptes frauduleux, obtenir du crédit et commettre d'autres crimes financiers. L'ampleur du problème est importante. Une étude de LexisNexis Risk Solutions en 2022 a révélé que la FIS représentait plus de 50 % de toutes les pertes liées à la fraude à l'identité.

Les systèmes traditionnels de détection de la fraude ne parviennent souvent pas à identifier les identités synthétiques car ils reposent sur la correspondance des PII avec des bases de données existantes. Étant donné que les identités synthétiques sont nouvelles, elles n'ont pas d'antécédents de fraude. Cela permet aux fraudeurs d'opérer sans être détectés pendant de longues périodes, d'accumuler des dettes importantes et de causer des dommages financiers importants.

La puissance des réseaux neuronaux graphiques (GNN)

Les réseaux neuronaux graphiques (GNN) sont une classe de modèles d'apprentissage automatique conçus pour analyser des données représentées sous forme de graphes. Contrairement aux réseaux neuronaux traditionnels qui traitent les données de manière linéaire, les GNN peuvent capturer des relations et des dépendances complexes entre les points de données. Cette capacité les rend particulièrement adaptés à la détection de la fraude à l'identité synthétique.

Dans le contexte de la FIS, un graphe peut être construit où :

• Les nœuds représentent des entités telles que des individus, des adresses, des numéros de téléphone, des adresses e-mail et des adresses IP.
• Les arêtes représentent les relations entre ces entités – par exemple, une adresse associée à une personne particulière, ou un numéro de téléphone lié à plusieurs comptes.

Les GNN peuvent ensuite apprendre à identifier les schémas dans ce graphe qui sont indicatifs des identités synthétiques, tels que des connexions inhabituelles entre des entités apparemment sans lien, ou un degré élevé d'informations partagées entre plusieurs comptes. Ils recherchent des anomalies qui ne seraient pas apparentes pour les systèmes traditionnels de détection de la fraude.

Comment les GNN détectent les identités synthétiques : une analyse technique approfondie

La force principale des GNN réside dans leur capacité à effectuer un passage de messages. Chaque nœud du graphe agrège des informations de ses voisins, en affinant itérativement sa représentation en fonction du contexte du réseau environnant. Ce processus permet au GNN d'apprendre des plongements – des représentations vectorielles – pour chaque nœud qui capture sa position et ses relations au sein du graphe.

Plus précisément, les GNN peuvent identifier les identités synthétiques en :

• Détection d'anomalies : Identification des nœuds (entités) présentant des schémas de connexion ou des représentations de plongement inhabituels.
• Détection de communautés : Découverte de clusters d'entités interconnectées qui sont susceptibles d'être associés à des activités frauduleuses.
• Prédiction de liens : Prédiction des relations manquantes entre les entités, ce qui peut révéler des connexions cachées entre les identités synthétiques.

Par exemple, un GNN pourrait identifier une identité synthétique comme un nœud avec peu de connexions aux entités légitimes, mais une forte connexion à d'autres nœuds suspects. Ou, il pourrait détecter un schéma où une seule adresse est utilisée pour enregistrer un grand nombre de comptes avec différents noms et numéros de sécurité sociale – une tactique couramment employée par les fraudeurs.

L'approche de Didit pour la détection de la fraude à l'identité synthétique

Didit exploite la puissance des GNN, combinée à d'autres techniques avancées de détection de la fraude, pour fournir une solution complète pour lutter contre la fraude à l'identité synthétique. Notre plateforme construit un graphe de connaissances dynamique des données d'identité, intégrant :

• Les données de vérification d'identité : Résultats des vérifications de documents d'identité, de la détection de la vie et de l'authentification biométrique.
• Les résultats du dépistage AML : Informations provenant des listes de sanctions, des bases de données PEP et des rapports sur les médias négatifs.
• L'empreinte digitale des appareils : Données sur l'appareil de l'utilisateur, y compris le système d'exploitation, le navigateur et l'adresse IP.
• L'analyse comportementale : Schémas de comportement de l'utilisateur, tels que la vitesse de frappe, les mouvements de la souris et les schémas de navigation.

En intégrant ces diverses sources de données dans un seul graphe, les GNN de Didit peuvent identifier des schémas subtils qui seraient manqués par les systèmes traditionnels de détection de la fraude. Le système peut également apprendre et s'adapter continuellement aux nouvelles tactiques de fraude, garantissant que nos capacités de détection restent à la pointe du progrès. Nous avons constaté une amélioration de 30 % de l'identification des identités synthétiques par rapport aux méthodes traditionnelles.

Prêt à démarrer ?

Ne laissez pas la fraude à l'identité synthétique compromettre votre entreprise. La plateforme avancée de détection de la fraude de Didit, alimentée par des réseaux neuronaux graphiques, peut vous aider à protéger votre organisation et vos clients.

Demandez une démo dès aujourd'hui : https://demos.didit.me

En savoir plus sur nos prix : https://didit.me/pricing

FAQ

Quelle est la différence entre le vol d'identité et la fraude à l'identité synthétique ?

Le vol d'identité implique le vol d'une identité existante et légitime. La fraude à l'identité synthétique implique la création d'une nouvelle identité fabriquée en utilisant une combinaison de PII réelles et fausses. La FIS est souvent plus difficile à détecter car l'identité n'existe pas dans les bases de données existantes.

Dans quelle mesure les réseaux neuronaux graphiques sont-ils efficaces pour détecter la fraude à l'identité synthétique ?

Les GNN ont démontré une précision nettement plus élevée dans la détection de la FIS par rapport aux méthodes traditionnelles. Ils peuvent découvrir des relations et des anomalies cachées qui sont indicatives d'une activité frauduleuse, ce qui conduit à une réduction significative des faux positifs et des faux négatifs.

Quelles données sont nécessaires pour construire un graphe pour la détection de la fraude à l'identité synthétique ?

Un graphe complet doit inclure des données sur les individus, les adresses, les numéros de téléphone, les adresses e-mail, les adresses IP et les données transactionnelles. L'intégration de données provenant de la vérification d'identité, du dépistage AML, de l'empreinte digitale des appareils et de l'analyse comportementale est essentielle pour des performances optimales.

Les GNN peuvent-ils s'adapter à de nouvelles tactiques de fraude ?

Oui, les GNN sont des modèles d'apprentissage automatique qui peuvent apprendre et s'adapter continuellement à de nouveaux schémas et tendances. En réentraînant le modèle avec de nouvelles données, vous pouvez vous assurer qu'il reste efficace pour détecter les nouveaux stratagèmes de fraude.