Chef du projet: Professeur Djeffal Abdelhamid
|
Titre du projet |
Machine learning pour la détection de la fraude |
|
Acronyme du projet |
MLDF |
|
Intitulé du thème |
Informatique |
|
Intitulé de l’axe |
Apprentissage et machine learning |
|
Intitulé du domaine |
MATHEMATIQUES ET INFORMATIQUE - رياضيات وإعلام آلي |
|
Mots-clés |
Détection de la fraude, falsification des documents, le comportement des utilisateurs, machine learning, deep learning. |
|
Durée estimée du projet |
4 Ans |
|
Chef du projet |
Djeffal Abdelhamid Professeur |
|
Chercheurs impliqués dans le projet |
Tibermacine Ahmed MCB Meadi Mohamed Nadjib MCB Mohemedi Amira MAA Lamamra Ahmed Doctorant Benhamza Hiba Doctorant |
|
le partenaire socio-économique du projet |
|
Les objectifs
- Dans ce projet, on vise à l'analyse et la proposition des solutions intélligentes pour deux types de fraude :
la fraude à base de documents administratifs falsifiés et la fraude dans les réseaux de distribution.
On vise dans le premier type de fraude à analyser les documents scannés falsifiés pour comprendre leurs
structures et les caractéristiques des informations falsifiées.
-L'altération des images scannées des documents en utilisant les outils puissants d'édition d'images, modifie
la structure de l'image et atteint à l'homogeiniété de ses pixels. L'objectif du travail dans ce contexte est de
définir les caractéristiques des changements apportés à une image falsifiée et de développer les méthodes
adéquates de leur extraction et leur utilisation pour la détection de la fraude.
-L'utilisation des méthodes de machine learning et de Deep learning peuvent profiter des documents falsifiés
existant pour construire des modèles de décision pour la détection de la falsification des documents administratifs.
L'application visée par ce travail est la vérification des documents administratifs arabes scannés dans l'administration algérienne.
-Dans le deuxième type de fraude, c-à-d la fraude dans les réseaux de distribution, notre objectif est l'analyse
le comportement des consommateurs en analysant l'historique de leurs consommations pour extraire
les caractéristiques du comportement des fraudeurs et son utilisation pour détecter la future fraude.
Les solutions qu'on vise à développer dans ce contexte se basent sur l'analyse des séquences de données
des consommateurs en utilisant les méthodes d'apprentissage automatiques dites d'analyse des données séquentielles.
L'application visée par ce travail est le cas de la détection de consommation frauduleuse d'énergie électrique en Algérie.