Mastercard utilise l’IA générative pour détecter les fraudes financières

Technologie : Le modèle comprend un réseau neuronal et un système « Decision Intelligence Pro » conçu par l’équipe de Mastercard. Le système est capable de déterminer en temps réel si une transaction suspecte sur le réseau est légitime ou non

Mastercard lance un modèle d’intelligence artificielle (IA) générative capable de détecter les fraudes financières en temps réel. Mastercard a déclaré avoir investi environ 7 milliards de dollars au cours des cinq dernières années pour développer l’IA.

Le modèle comprend un réseau neuronal et un système « Decision Intelligence Pro » conçu par l’équipe de Mastercard chargée de la cybersécurité et de la prévention des fraudes. Le système est capable de déterminer en temps réel si une transaction suspecte sur le réseau est légitime ou non.

Le modèle a été formé à partir de données provenant d’environ 126 milliards de transactions effectuées chaque année sur les réseaux de cartes de l’entreprise.

Visualiser en temps réel les données des transactions

Il peut visualiser en temps réel toutes les données relatives aux transactions qui entrent dans le système financier. Il identifie les transactions pertinentes principalement grâce à l’historique des visites du titulaire de la carte chez le commerçant. Les données sensibles, telles que les informations personnelles, sont masquées.

Le modèle de Mastercard donne un score pour la probabilité d’une transaction frauduleuse. Plus le score est élevé, plus le titulaire de la carte suit le modèle de comportement attendu. Cela signifie que vous avez moins de chances d’être victime d’une fraude financière. Plus le score est bas, plus vous avez de chances d’être victime d’une fraude financière. Le modèle peut analyser cela en 0,05 seconde.

« Lors de tests internes, le modèle a augmenté les taux de détection des fraudes pour les institutions financières de 20 % en moyenne », a déclaré Ajay Bhalla, président de la division Cyber and Intelligence de Mastercard « et dans certaines situations, le taux de détection était 300 % plus élevé qu’auparavant ».

« Une fois que ce modèle sera commercialisé, nous serons en mesure de prédire les futurs types de fraude qui sont actuellement inconnus dans l’écosystème financier, a déclaré M. Bala, ce qui nous permettra de vraiment comprendre les schémas de fraude dans l’écosystème mondial ».

Source

Mots-clés : cybersécurité, sécurité informatique, protection des données, menaces cybernétiques, veille cyber, analyse de vulnérabilités, sécurité des réseaux, cyberattaques, conformité RGPD, NIS2, DORA, PCIDSS, DEVSECOPS, eSANTE, intelligence artificielle, IA en cybersécurité, apprentissage automatique, deep learning, algorithmes de sécurité, détection des anomalies, systèmes intelligents, automatisation de la sécurité, IA pour la prévention des cyberattaques.