Jean Rohmer Big data & risque de fraude

Big Data et Détection des Fraudes

Jean Rohmer

ESILV

Cherche l’Aiguille dans la Botte de Foin … … ou fabriquer la Botte de Foin Frauduleux ?

• Types d’informations: • Structurées

• Non Structurées

• Multicanal / Hétérogènes

• Types de traitements: • Statistiques

• Analytiques

• Manuels

• S’apparente aux activités de • Renseignement Militaire ou de Sûreté Nationale

• Détection des signaux faibles

statistiques analytiques humaines

str

uctu

rees

no

n s

tru

ctu

rées

mu

ltic

an

al

GOOGLE !!!

BI, DATA

MINING EXCEL !!!

TEXT & OPINION

MINING

FUSION

D’INFORMATIONS COURRIEL !!!

Des fraudes un peu partout

Clustering

non supervisé

Qui se ressemble s’assemble:

Fraudes roses, fraudes vertes …

Clustering

supervisé

Exemples de

Fraudes roses

(fournis par des

experts)

Apprentissage

automatique de

« l’équation fraude

rose »

Résultat de

l’application de

l’équation « fraude

rose » à analyser

par des experts

STATISTIQUES

ANALYTIQUE

Comprendre finement (via des experts) le contexte

et les articulations des fraudes roses

L’exprimer sous forme de graphe sémantique

Rechercher toutes les parties du graphe qui

correspondent

: Outil SVIVOT Contextor

1

2

3 Interpretation of Semantic Networks by:

•Ad Hoc Graphical representation

•Human Inference (training)

•Automatic Inference (rules)

•Graph Clustering (not illustrated here)

0

4

REFERENCES:

-- Une liste d’outils:

http://www.kdnuggets.com/solutions/fraud-detection.html

-- sur les signaux faibles :

http://www.res-systemica.org/afscet/resSystemica/Paris05/rohmer.pdf

-- IDELIANCE (Outil sémantique open source de l’ESILV)

-- Mon blog: http://plexus-logos-calx.blogspot.fr/