Share
Embed
Pitch Adler - Défi EIG3
Pitch présenté lors de la session d'information du 3 octobre 2018, en présence de mentors et potentiels candidats à l'appel à candidatures.
Entrepreneurs d'intérêt général
October 05, 2018
Transcript
6 slides
-
ADLER Détection de comportements financiers illicites à l’aide d’un graphe
de connaissances Ministère de l’Action et des Comptes Publics Delphine Lê -
La fraude financière • Des enjeux qui se chiffrent en
milliards d’euros Par exemple, l’Union Européenne estime la fraude à la TVA à près de 150 milliards d’euros, dont 21 milliards en France • Le rapprochement de données et l’analyse des réseaux ouvrent de nouvelles possibilités dans la lutte contre la fraude Ainsi, la solution analytique de détection de fraude au "Carrousel TVA" mise en œuvre en Belgique en 2012 permet aujourd'hui de détecter 98% des fraudes de ce type ( > 1 milliard d'euros récupérés chaque année) -
Le défi • L’identification de liens de toute nature entre
entités (personnes, organisations, comptes bancaires, etc.) joue un rôle crucial dans la détection de réseaux de fraude. • D’où l’idée de stocker et analyser les données sous forme d’un « graphe de connaissance » ou knowledge graph, une représentation sémantiquement riche où les connexions sont aussi importantes que les entités. • Le défi consiste à construire, visualiser et analyser un tel graphe pour détecter des schémas de fraude (connus ou nouveaux) à partir de données hétérogènes (structurées et textuelles). -
Les EIG • Un data scientist chargé de mettre en
œuvre des méthodes d’apprentissage (supervisé et/ou non supervisé) pour la construction du graphe et pour son analyse Analyse de données textuelles et extraction d’information (entités, relations) Analyse de réseaux et détection de fraude • Un data engineer / développeur chargé de l’intégration des données et de la restitution des analyses Mise en correspondance de différentes sources de données Développement d’applications pour la visualisation des données et des graphes, ainsi que pour l’aide à la décision Langages / outils : . Python, Hive, Spark, ElasticSearch, JanusGraph . Dataiku Science Studio, machine/deep learning (scikit-learn, TensorFlow), traitement du langage naturel (nltk, gensim, spaCy) . Javascript : d3.js, jQuery, vue.js NB: Les candidats retenus feront l’objet d’une habilitation « Confidentiel Défense » -
Pourquoi nous rejoindre? • Un service pilote en termes de
data science, avec un environnement technologique à l’état de l’art • Un cadre opérationnel permettant un dialogue au quotidien avec des enquêteurs, selon une démarche agile • Un enjeu d’importance majeure