Résumé
Cette thèse aborde la problématique de la fraude aux cartes de crédit et les méthodes pour y remédier. Elle explore l’utilisation de frameworks auto-adaptatifs pour intégrer l’adaptabilité dans les systèmes de traitement des transactions bancaires. Trois objectifs sont visés : 1) évaluer l’utilisation de frameworks auto-adaptatifs pour la détection des fraudes, 2) développer une méthode de détection des fraudes en temps réel, 3) créer un framework générique permettant d’ajouter de l’adaptabilité à toute application orientée objet. Le Wise Object Framework (WOF) est un framework conçu pour ajouter des mécanismes d’adaptabilité à n’importe quelle application orientée objet. Il s’appuie sur des entités autonomes, décentralisées et égocentriques, appelées Wise Objects (WO). Le framework associe automatiquement un WO à chaque objet logiciel instancié dans l’application métier, lui permettant ainsi de contrôler cet objet et d’y ajouter des fonctionnalités adaptatives. Néanmoins, le WOF présente certaines limitations lorsqu’il est appliqué au domaine de la détection de fraudes aux cartes de crédit, en particulier concernant la structure de la connaissance générée par les objets. Pour surmonter ces limitations, je propose une nouvelle structure de la connaissance, inspirée d’un principe clé du développement logiciel: la séparation des préoccupations. J’introduis également une organisation holonique à trois niveaux pour les WO, permettant de centraliser la connaissance produite par les objets métiers instanciés depuis une même classe. Cette centralisation est essentielle pour utiliser des méthodes de traitement de données nécessitant une diversité de sources, comme dans la détection de fraudes, où il est crucial d’avoir le contexte de la transaction et le profil utilisateur pour caractériser efficacement une fraude. La thèse présente une méthode de génération de données à partir de scénarios réels de fraude pour entraîner des algorithmes de classification. La détection repose sur l’analyse discriminante quadratique (QDA), mais rencontre des obstacles liés à la structure des données. Des stratégies comme l’analyse en composantes principales (PCA) et le Variational Auto-Encoder (VAE) sont explorées pour utiliser la QDA, surpassant les méthodes classiques (arbre de décision, régression logistique, self-organizing map, gradient boosting). Ces techniques sont adaptées à une application en temps réel, comme l’exige un cadre auto-adaptatif. J’ai également évalué les performances du WOF en développant un système de détection de fraudes basé sur des analyses modulaires. Les méthodes mises en uvre visent à minimiser le taux de faux positifs, permettant ainsi une intervention immédiate lors de la demande d’autorisation. L’expérience montre que le système est capable de bloquer certaines transactions frauduleuses, bien que les performances ne soient pas encore au niveau des résultats obtenus dans l’expérimentation dédiée entièrement à la détection de fraudes. Cette analyse met également en évidence qu’avec une évaluation appropriée, les performances temporelles du système adaptatif se révèlent adéquates pour une utilisation dans un contexte réel. Par ailleurs, ce développement a permis d’apprécier la généricité du framework, avec des résultats particulièrement encourageants. L’implémentation de cette application a nécessité très peu de développement spécifique à l’adaptation, la majorité des efforts ayant été consacrés au traitement des données métier. Cela illustre bien la généricité du framework et ouvre des perspectives prometteuses pour son application dans d’autres domaines.
Composition du jury:
M.Flavien Vernier Professeur Université Savoie Mont Blanc, Directeur de thèse
M.Sébastien MONNET Professeur Université Savoie Mont Blanc Co-directeur de thèse
M. Jean Yves Ramel Professeur Université Savoie Mont Blanc, Président
Flavien Vernier, Amal El fallah, Eddy Caron, Raphaël Couturier, Mireille Blay-fornarino Examinateurs / Examinatrices
Raphaël Couturier, Mireille Blay-fornarino Rapporteurs / Rapporteuses