Selon le rapport annuel de l’observatoire de la sécurité des moyens de paiement (OSMP) de la Banque de France, la fraude en ligne a représenté 1,19 milliard d’euros de préjudice en 2022. Afin d’aider leurs utilisateurs à la détecter, Graphcore et PyTorch Geometric s’associent pour leur permettre de créer et exécuter des réseaux de neurones graphiques (Graph Neural Networks ou GNN) sur IPU.
Créée en 2016, Graphcore, société britannique de semi-conducteurs a mis au point l’Intelligence Processing Unit, ou IPU, un microprocesseur que l’on retrouve sur les systèmes de calcul IPU-POD pour datacenter de Graphcore. Spécialement conçu afin de répondre aux besoins spécifiques de l’IA et de l’apprentissage automatique, il se caractérise, entre autres, par un parallélisme granulaire, une arithmétique à simple précision et la prise en charge de la sparsité.
En 2022, Graphcore a démontré les excellentes performances des IUP pour exécuter des réseaux de neurones graphiques. En avril dernier, la société annonçait l’intégration de Pytorch Geometric, une bibliothèque construite sur PyTorch, facilitant l’écriture et l’entraînement des GNN.
Les GNN, conçus pour traiter des données structurées sous forme de graphes, ont de nombreuses applications : ils peuvent, par exemple, être utilisés en chimie pour prédire les propriétés des molécules, les relations entre les utilisateurs ou recommander du contenu en fonction de leurs interactions mais ils peuvent l’être aussi pour la détection de fraudes.
Des GNN sur IPU Graphcore
Les GNN permettent de trier, traiter et analyser tous les points de données impliqués dans une transaction financière. Hors, ils sont nombreux et variés : numéro de carte de crédit, adresse de son propriétaire, adresse physique ou IP où la transaction est effectuée, d’autres cartes enregistrées aux adresses, la nature de la transaction, l’historique des activités avec un fournisseur.
Graphcore explique sur son blog :
“Jusqu’à récemment, les approches informatiques de détection de la fraude avaient tendance à impliquer la reconnaissance des formes ou des systèmes basés sur des règles. Cependant, les nombreux points de données et leur interdépendance complexe se prêtent naturellement à être décrits par une structure graphique, où les voisins d’un nœud particulier et ses voisins plus larges peuvent être un indicateur important d’activité frauduleuse”.
Grâce à la capacité d’apprentissage rapide et flexible des GNN, il est ainsi possible de repérer les anomalies et les comportements suspicieux qui pourraient passer inaperçus avec les méthodes traditionnelles de détection de fraudes.
