La Banque Scotia mise de plus en plus sur l’intelligence artificielle avancée et à l’apprentissage automatique pour détecter les flux financiers illicites et aider les organismes gouvernementaux comme le Centre d’analyse des opérations et déclarations financières du Canada (CANAFE) – ainsi que les forces de l’ordre à combattre certains des crimes les plus graves au monde, notamment l’exploitation sexuelle des enfants
Grâce à une série de partenariats entre les secteurs public et privé, la Banque applique des techniques analytiques de pointe à de vastes volumes de données financières afin de repérer des schémas suspects que les systèmes de surveillance traditionnels ne parviennent pas toujours à détecter.
L’initiative du projet Shadow est consacrée à la lutte contre l’exploitation sexuelle des enfants.
Selon Duncan Smith-Halverson, premier directeur, Recherche et projets spéciaux IA pour les modèles et l’analytique de lutte contre le blanchiment d’argent et le financement du terrorisme à la Banque Scotia, l’IA ne vient pas s’ajouter à ces efforts, elle en est le fondement.
« C’est absolument essentiel, affirme-t-il. Je ne pense pas que nous serions capables d’en détecter autant sans l’IA. »
Trouver une aiguille dans une botte de foin
Pour repérer efficacement les comportements suspects, la Banque Scotia a dû mettre en place un système capable de gérer d’énormes quantités de données détaillées, mais aussi d’y trouver des anomalies, ce qui revient à chercher une aiguille dans une botte de foin.
Au Canada seulement, la clientèle de la Banque Scotia se compte en millions. Un client peut effectuer de quelques dizaines à des milliers d’opérations par mois.
Ces ensembles de données sont si vastes qu’ils ne peuvent pas être traités par une seule machine. Des infrastructures informatiques haute performance sont donc nécessaires pour analyser les données et permettre aux modèles de repérer des tendances statistiques significatives susceptibles de révéler des activités criminelles. La Banque Scotia s’est dotée d’une grappe de processeurs graphiques de pointe, consacrée aux modèles d’apprentissage profond servant à la lutte contre le blanchiment d’argent et le financement du terrorisme, précise M. Smith-Halverson. Cette grappe fonctionne à la façon d’un seul système puissant, capable d’effectuer des tâches à grande échelle beaucoup plus rapidement qu’un seul ordinateur.
Le travail de l’équipe repose en grande partie sur la capacité des systèmes à « tout analyser en même temps », une condition essentielle pour détecter des comportements complexes impliquant plusieurs parties, qui passeraient autrement inaperçus.
L’IA réduit les risques
La Banque Scotia, comme les autres institutions financières, est tenue par la réglementation de signaler les opérations suspectes au Centre d’analyse des opérations et déclarations financières du Canada (CANAFE), informations qui sont également utilisées par les forces de l’ordre. Des partenariats public-privé permettent à la Banque de collaborer de manière plus étroite et efficace avec ces intervenants.
Dans le cadre du projet Shadow de lutte contre l’exploitation sexuelle des enfants, l’IA permet à la Banque de pousser plus loin l’analyse que celle des systèmes fondés sur des règles prédéfinies. La surveillance classique repose sur un nombre limité d’indicateurs, explique M. Smith-Halverson, alors que l’apprentissage automatique permet de détecter des combinaisons de comportements beaucoup plus subtiles, susceptibles de signaler un risque.
« Ces modèles nous permettent de cerner les risques qui nous échappent encore », précise-t-il, ajoutant que l’équipe de modélisation identifie des tendances statistiques, tandis que les équipes d’enquête évaluent s’il convient de signaler l’activité aux autorités.
La Banque Scotia est à la tête du projet Shadow pour le secteur, avec le soutien du Centre canadien de protection de l’enfance. Elle collabore avec le CANAFE, qui transmet ensuite les informations aux forces de l’ordre, notamment la GRC, la Police provinciale de l’Ontario, des services policiers locaux ainsi que des partenaires internationaux en Australie, au Royaume-Uni et en Nouvelle-Zélande.
M. Smith-Halverson souligne que le projet génère des renseignements exploitables de façon constante. Bien que l’issue des dossiers relève du CANAFE et des forces de l’ordre, le projet a considérablement amélioré la capacité de la Banque à repérer des tendances qui auraient échappé aux technologies et approches traditionnelles.
Ce travail réunit la compétence technique et l’aspect humain, en alliant des analyses sophistiquées à l’expertise en enquête pour lutter contre un crime souvent caché, sous-déclaré et profondément dévastateur.
Allier expertise humaine et analytique avancée
Outre le projet Shadow la Banque Scotia cherche à développer un modèle d’IA pour chacun des partenariats du CANAFE, dont le projet Guardian (fentanyl et opioïdes synthétiques) et le projet Protect (traite de personnes à des fins d’exploitation sexuelle au Canada). Dans cette optique, la Banque expérimente des techniques de profilage comportemental pour repérer des individus présentant des comportements problématiques similaires.
Contrairement à certains modèles de projets internationaux, le projet Protect vise principalement les activités au Canada, ce qui exige une bonne compréhension du fonctionnement des réseaux de traite dans les systèmes financiers et sociaux canadiens.
M. Smith-Halverson explique que cette initiative a été l’un des premiers projets de collaboration public-privé de l’équipe, et qu’elle a bénéficié d’une étroite collaboration avec les enquêteurs de la Banque, qui apportent une expertise de terrain essentielle à la modélisation.
Cette expertise humaine est déterminante pour la réussite du projet.
L’un des enquêteurs travaillant étroitement avec l’équipe a dirigé auparavant une unité spécialisée en traite de personnes dans un service de police canadien, apportant des connaissances pratiques sur les méthodes des trafiquants et les indices financiers révélateurs.
Bien que la plupart des modèles d’IA progressent encore, M. Smith-Halverson indique que le projet Protect est arrivé à maturité. Il permet de fournir régulièrement des renseignements utiles aux forces de l’ordre par l’intermédiaire du CANAFE, ce qui illustre la complémentarité entre l’apprentissage automatique et le jugement humain.
Malgré les avancées technologiques, il insiste sur le rôle essentiel du jugement humain : les enquêteurs enrichissent continuellement les modèles grâce à leur expertise, tandis que les systèmes d’IA contribuent à rendre les résultats complexes plus compréhensibles et exploitables.
« Montrer des chiffres pour expliquer un réseau neuronal profond à un enquêteur ne fonctionne pas, dit-il. Transformer ces résultats en information pertinente est une priorité pour nous. »
Pour M. Smith-Halverson et son équipe, ce travail a un sens.
« Il y a des emplois de toutes sortes, conclut-il. Certains d’entre eux permettent d’avoir une réelle incidence sur la société. Et je me considère très chanceux d’être dans ce cas-là.
