American Express
detection de fraude en temps reel par apprentissage profond
American Express score chaque transaction en millisecondes sur environ 1 200 milliards de dollars de depenses annuelles ; le passage au deep learning sur GPU a ameliore la precision de detection de fraude de 6%, et le reseau revendique le taux de fraude le plus bas du secteur pendant 14 annees consecutives (Nilson, 2021).
Objectif
Detecter la fraude sur chaque transaction en millisecondes pour limiter les pertes et proteger la relation client, tout en gardant le taux de faux refus assez bas pour ne pas bloquer des achats legitimes.
Le déploiement
American Express fait tourner des modeles de machine learning qui evaluent chaque transaction au moment de l'autorisation, partout dans le monde, et rendent une decision de fraude en millisecondes. Les modeles apprennent des habitudes de depenses du titulaire et du comportement d'achat chez les commercants. American Express surveille de l'ordre de 1 200 milliards de dollars de depenses annuelles et evalue plusieurs milliards de transactions par an. En passant a des modeles de deep learning servis sur GPU (via NVIDIA TensorRT et Triton), la precision de detection de fraude a progresse de 6%. L'entreprise revendique le taux de fraude le plus bas parmi les grands reseaux de cartes pendant 14 annees consecutives, selon le Nilson Report de fevrier 2021.
Résultats Preuve C
Chiffres documentes par le blog technique de NVIDIA (partenaire d'infrastructure, source interessee) pour le +6%, et par une analyse specialisee (Emerj) qui reprend les depenses surveillees et la revendication de taux de fraude la plus basse (issue du Nilson Report cite par American Express). Pas de resultat financier isolant l'effet de l'IA.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- outil Modeles de deep learning anti-fraude (AmEx AI Labs) Modeles maison entraines sur les habitudes de depenses des titulaires et le contexte commercant ; decision de fraude rendue en millisecondes sur chaque autorisation.
- infra NVIDIA TensorRT Optimisation de l'inference des modeles de deep learning sur GPU, associee au gain de precision de 6% documente.
- infra NVIDIA Triton Inference Server Serving des modeles en production a faible latence sur le flux d'autorisation mondial.
Comment ça tourne, concrètement
Pour les équipes ops-
1Passage de la transaction site_app / reseau
Une transaction arrive en autorisation sur le reseau American Express.
-
2Scoring en millisecondes IA
Les modeles de deep learning comparent la transaction aux habitudes du titulaire et au contexte commercant et rendent un score.
-
3Decision IA / equipe risque
La transaction est approuvee, refusee ou mise en revue selon le score et les seuils.
-
4Boucle d'apprentissage equipe data
Les fraudes confirmees et contestations reviennent alimenter le reentrainement.
Les habitudes de depenses du titulaire et les labels de fraude confirmee. Si les labels arrivent trop tard ou sont bruites, le modele derive et laisse passer de la fraude ou multiplie les faux refus.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Flux de transactions en temps reel
- Historique de fraudes confirmees labellisees
- Profils de depenses par titulaire
Prérequis orga
- Equipe data science et risque
- Infrastructure d'inference a faible latence
- Gouvernance sur la decision automatisee
Stack possible
- Modele custom (voie American Express)
- moteurs anti-fraude tiers (Feedzai, Featurespace, SAS)
- inference GPU pour deep learning temps reel
Le plan, étape par étape
- Étape 1Consolider l'historique de transactions avec les labels de fraude confirmee et les profils de depenses par titulaire.Livrable : Jeu de donnees labellise, pret pour l'entrainement.
- Étape 2Entrainer un premier modele de scoring sur les transactions a plus fort risque et l'evaluer hors ligne contre les regles actuelles.Livrable : Modele evalue (precision, faux positifs) compare a la baseline.
- Étape 3Brancher le modele en shadow mode sur le flux d'autorisation, sans impact client, pour verifier latence et scores en conditions reelles.Livrable : Rapport de shadow mode : scores en production vs decisions actuelles.
- Étape 4Passer le modele en decision sur un segment limite, avec seuils, revue humaine des cas ambigus et procedure de contestation.Livrable : Modele en production sur un perimetre, gouvernance de la decision automatisee en place.
- Étape 5Monter la boucle de reentrainement sur les fraudes confirmees et contestations, avec suivi de la derive du modele.Livrable : Pipeline de reentrainement et tableau de bord fraude / faux refus.
Première étape : Constituer un jeu de fraudes confirmees labellisees et entrainer un premier modele de scoring sur les transactions a plus fort risque.
Le même pattern, prouvé dans d'autres industries
Sources
- S1 How Is AI Used in Fraud Detection? (NVIDIA) Officiel intéressé archive à générer
- S2 Artificial Intelligence at American Express - Two Current Use Cases (Emerj) Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.