De l’idée à la production.

Sur une plateforme livrant des biens numériques en quelques secondes, chaque carte volée entraînait la perte du produit et des frais de chargeback. La fraude pouvait être découverte jusqu’à trois mois après l’achat. Le moteur de règles initial laissait passer la plupart des fraudes.

Évaluer le risque de chaque commande lors du paiement, avant et après la transaction, sur des données extrêmement déséquilibrées dont le label réel peut arriver avec 3 mois de délai. Limiter les revues manuelles sans dégrader la conversion.

Cinq ans d’itérations en production : près de 200 features en temps réel (taux de fraude glissants, fenêtres temporelles comportementales, statistiques circulaires) ; des modèles passés d’une forêt aléatoire à un MLP, puis à XGBoost avec service de deux modèles ; réentraînement automatisé soumis à des contrôles de qualité, dont un plafond de revues manuelles avant déploiement ; remplacement à chaud des modèles via pub/sub.

Un marchand en ligne de biens numériques recevait une partie de ses stocks sous forme de planches scannées regroupant de nombreuses clés d’activation. Les clés étaient découpées manuellement, plusieurs minutes par image.

Détecter toutes les clés dans des images fournisseurs présentant des rotations, du bruit et du texte parasite, sans jeu de données existant, puis intégrer l’outil au back-office pour des équipes non techniques.

Un jeu de données de plus de 20 000 clés annotées de manière semi-automatique ; un détecteur Faster R-CNN entraîné sur mesure, puis migré vers YOLOv5 ; un post-traitement calibré sur le nombre attendu de clés ; une interface de validation humaine qui réintègre chaque correction vérifiée aux données d’entraînement.