Le blanchiment d’argent (la dissimulation de l’origine d’argent acquis illégalement afin d’en obtenir la jouissance légale) est un défi majeur pour les institutions financières et les autorités de régulation. Chaque année, entre 2% et 5% du produit intérieur brut (PIB) mondial est blanchi. La détection de cette pratique avec des méthodes manuelles ou des outils de machine learning comporte des lacunes. Elle manque de réactivité et il est encore difficile d’analyser un volume suffisant de transaction. « Jusqu’à présent, les systèmes utilisés par les banques sont manuels et ne sont pas évolutifs » explique Grigorios Loukides, docteur et enseignant en informatique au King’s College London. « Les autres systèmes proposés par d’autres chercheurs n’offrent pas de garanties sur les résultats, ce qui est notre cas. » Sa collègue la docteure Huiping Chen et lui entendent combler ces lacunes. Ils ont publié un article de recherche dans lequel ils indiquent avoir développé un algorithme capable d’analyser 50 millions de transactions en 50 secondes pour lutter contre le smurfing, une technique répandue dans le blanchiment d’argent.
Nous ne faisons pas d’apprentissage automatique, nous modélisons les données sous forme de graphes et identifions les parties les plus suspectes
Lutte anti-smurfing
La technologie proposée par les chercheurs répond à la lutte contre le blanchiment par fractionnement des dépôts (smurfing), qui suppose qu’un criminel cherche par exemple à blanchir une importante somme d’argent en fractionnant cette somme et en la déposant sur des comptes peu ou pas actifs. De précédentes recherches ont permis d’établir que généralement, les personnes qui cherchent à blanchir de l’argent versent presque la totalité de leur argent. Le comportement analysé est notamment celui des détenteurs des comptes dans lesquels l’argent est versé, puisque celui-ci sera in fine reversé aux criminels. La méthode mise au point par les chercheurs serait 3,2 fois plus efficace que celles connues sur le marché.
« Nous ne faisons pas d’apprentissage automatique, nous modélisons les données sous forme de graphes et identifions les parties les plus suspectes », explique le chercheur. « Nous pouvons ainsi détecter des risques sans avoir besoin d’entraîner un modèle, ce qui est difficile pour des ensembles de données très bruyants. » La modélisation par graphe offre la possibilité de représenter les données des comptes bancaires sous forme de nœuds, et les transactions sont représentées comme des arêtes dans un réseau complexe.
Des applications dans le marketing
En plus de la détection du blanchiment d’argent, cette technologie présente un potentiel d’application dans d’autres domaines. Par exemple, elle pourrait être utilisée pour optimiser les campagnes marketing en aidant les détaillants à sélectionner les bundles de produits les plus rentables. Grigorios Loukides explique : « Nous avons testé l’outil avec des données de clients et de comptabilité de distributeurs, démontrant son efficacité dans l’optimisation de la sélection de produits rentables. » L’analyse via des systèmes de graphes permet en effet de savoir quels produits vendus ensemble offrent le potentiel de rentabilité le plus important aux distributeurs.
Nous les citons
Grigorios Loukides
Grigorios Loukides est maître de conférences au département d’informatique du King’s College de Londres. Auparavant, il a été chercheur à la Royal Academy of Engineering à l’université de Cardiff et chercheur postdoctoral à l’université de Vanderbilt, aux États-Unis. Ses recherches sont principalement axées sur l’exploration de données, où il étudie les aspects théoriques et pratiques du sujet, y compris la conception et l’optimisation d’algorithmes dans le domaine des soins de santé et des affaires.
Huiping Chen
Huiping Chen est professeure adjointe à l’école d’informatique de l’université de Birmingham. Avant de rejoindre l’université de Birmingham, elle était associée de recherche postdoctorale au département d’informatique du King’s College de Londres, où elle a obtenu son doctorat. Ses recherches sont consacrées à l’exploration des dimensions théoriques et pratiques de l’exploration des données et sur la conception et l’optimisation des algorithmes.
En savoir plus
What is smurfing in money laundering? Smurfing technique, risks, and protective measures (en anglais)
