machine learning et paiements

La semaine dernière Dennis Moser, sur PaymentsViews, a lancé le débat sur le machine learning et les paiements "Machine Learning: A Road to Smarter Payments". C'est l'occasion d'en savoir plus sur ce concept. Voici un interview d'Emmanuel Ferret, avec lequel j'ai eu le privilège de travailler au sein d'une banque au début de sa carrière. 

1) Quelle est la différence entre l'Intelligence Artificielle et l'analyse prédictive/machine learning ?
L'analyse prédictive est plutôt une manière d’utiliser certaines techniques de machine learning.
Les techniques de machine learning constituent une partie des techniques de l’intelligence artificielle.
L’intelligence artificielle en utilise plein d’autres, comme les techniques pour jouer, pour modéliser les connaissances, pour représenter les raisonnements.
Ce qui est intéressant est de remarquer que en 1980 on parlait de systèmes qui pouvaient remplacer des experts, en 2013 les ambitions sont beaucoup plus modestes, mais plus réalistes. On a compris les limites actuelles des techniques informatiques, en 2013 on a mieux compris les limites et les apports possibles des machines.
2) Quels sont les plus qu’elle peut apporter dans le domaine bancaire ?
Le plus important est une meilleure compréhension des comportements clients soit pour des usages  marketing soit pour de la détection de fraude soit pour de l'analyse de risques.
3) Dans le domaine des paiements ? Des exemples de réussites ?
Le cas le plus intéressant dont j'ai entendu parler est la détection de demandes de fraudes dans les paiements avec les cartes bancaires. Une société travaille depuis quelques années sur le sujet, et ils sont arrivés à des taux de détection de paiements frauduleux avant que le client s'en aperçoive, avec un taux de prédiction de plus de 70%, cela permet à l'attaché de clientèle d’appeler le client et de lui demander si il a bien fait cet achat. Dans 70% des appels, c'est une fraude, cela permet donc de détecter précocement la fraude et d'agir plus vite et cela donne une très bonne image à la banque.
Ce cas a été présenté par  Françoise Soulié Fogelman de la société Kxen ( http://lipn.univ-paris13.fr/A3/AAFD12/slides/AAFD12_FogelmanSoulie.pdf) dans le cadre d’un colloque de statisticiens spécialistes des techniques de fouilles de données (data-mining).
4) Est-ce compliqué à mettre en place ?
Le cas dont je viens de parler est plutôt très compliqué. Il repose sur l'analyse d'un grand nombre de facteurs. Plus le nombre de facteurs analysés est grand plus la prédiction est juste. Ce qui fait la complexité c'est aussi que la pertinence de chacun des facteurs d'analyse change avec le temps et il faut constamment rechercher les facteurs les plus prépondérants.
Il faut aussi penser qu'il y a des cas très simples à mettre en place et que plus on dispose de données plus les analyses prédictives peuvent être pertinentes.
Ce qui rendait le cas précédant compliqué était le taux de prédiction recherché qui était assez élevé. Il me semble que l’on peut se contenter d’un taux plus bas. Imaginer par exemple que lorsque que l’on suspecte un paiement frauduleux la banque peut se contenter d’envoyer un sms au client le prévenant de la transaction suspecte. Ce sms peut être envoyé de manière automatique et le client est probablement content même si la prédiction n’est juste qu’une fois sur cinq par exemple. Ce cas là est beaucoup plus simple à mettre en place et peut s’avérer intéressant pour les clients et pour la banque.
5) Y-a-t'il des erreurs à éviter ?
Sûrement. Les erreurs les plus fréquentes sont liées à des ambitions trop fortes. On se remémorera les fortes ambitions liés aux systèmes experts où l'informatique devait remplacer les experts humains.
L'informatique d'aujourd'hui fait des merveilles sur des cas assez spécifiques  et est assez perdu sur les cas inattendues.
L’autre erreur assez classique est de faire de la techno, pour la techno sans avoir suffisament étudié le besoin métier. Dans bien des cas, les nouvelles technos donnent des nouvelles idées d’usage qui mettent en  évidence des améliorations des processus métier avec ou sans l’aide de la nouvelle techno.
6) Est ce une activité liée au Big Data ?
Oui sûrement.  Le terme Big Data provient du fait que l'on est aujourd'hui en capacité de traiter plus facilement des grands volumes de données. Parce que le nombre de données captées a explosé, parce que les coûts de stockage ont fortement diminués ainsi d'ailleurs que les coûts de traitement. On a d'autre beaucoup de capacité à effectuer des traitements en parralèle. Le nouvel attrait pour les analyses prédictives provient sans doute de toutes ces évolutions.
Emmanuel Ferret est consultant informatiqe chez Valtech. Sa spécialité est la transformation des SI à l’aide de nouvelles technologies. Il a trente ans d’expérience dans ce domaine.