Machine Learning Applied to Bank Fraud Detection
Apprentissage machine appliqué à la détection de fraudes bancaires
Résumé
Online payment fraud has been steadily increasing in recent years. Our focus is on installment payments for e-commerce, which pose a significant risk of customers failing to repay the full amount owed. To manage this risk, BNP Paribas Personal Finance has developed a system that combines graph databases and artificial intelligence, achieving a 20% reduction in fraud. In this article, we propose an extension of this system using a graph neural network (GraphSAGE) combined with an ensemble method (such as Random Forest or XGBoost). We demonstrate the performance improvements of this combined approach over the initial system using a real anonymized dataset made available to the community.
La fraude aux paiements en ligne est en augmentation continue ces dernières années. Nous nous intéressons aux paiements fractionnés pour le e-commerce dont le principal risque est le non-remboursement de l'intégralité de la somme due par le client. Pour contrôler ce risque, BNP Paribas Personal Finance a développé un système combinant les bases de données graphe et l'IA qui permet de réduire la fraude de 20%. Dans cet article, nous proposons une extension de ce système avec un réseau de neurones de graphe (GraphSAGE) couplé à une méthode ensembliste (Forêt Aléatoire ou XGBoost). Nous illustrons les gains de ce couplage comparé au système initial sur un jeu de données réel anonymisé mis à disposition de la communauté. Dans la suite de cet article, nous utilisons systématiquement les sigles anglo-saxons car ils sont communs.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |