Détection de la fraude dans les transactions bancaires par l'intelligence artificielle

Abstract

Le secteur bancaire connaît ces dernières années une augmentation importante des risques de fraude en raison du développement continu des services bancaires numériques et de la hausse du volume des transactions électroniques. Dans ce contexte, ce mémoire vise à étudier et à développer un système intelligent de détection de fraude dans les transactions bancaires en utilisant les techniques de l’intelligence artificielle et de l’apprentissage automatique, avec un intérêt particulier pour l’algorithme AdaBoost. La partie théorique présente le concept de la fraude bancaire, ses principaux types et les méthodes de lutte contre ce phénomène, tout en mettant en évidence le rôle des techniques d’apprentissage automatique dans l’amélioration des systèmes de détection des opérations suspectes. Dans la partie pratique, le jeu de données Credit Card Fraud Detection a été utilisé. Les données ont subi plusieurs étapes de prétraitement, notamment le nettoyage, la normalisation et le rééquilibrage des classes à l’aide des techniques SMOTE et Random Under Sampling afin de résoudre le problème du déséquilibre des données. Ensuite, le modèle AdaBoost a été entraîné, ses paramètres ont été optimisés et ses performances ont été évaluées à l’aide de plusieurs mesures statistiques, notamment Accuracy, Precision , Recall , F1-Score et ROC-AUC. Les résultats obtenus ont montré de très bonnes performances et une capacité efficace à distinguer les transactions légitimes des transactions frauduleuses, ce qui confirme l’importance des techniques d’intelligence artificielle dans le renforcement de la sécurité des transactions bancaires et dans le développement de systèmes de détection de fraude plus efficaces et plus fiables.