#fraud-detection
Détection d'écritures anormales ou frauduleuses dans les données financières
La taxonomie NAACL 2025 tient, mais la couverture tabulaire est absente. Les équipes d'IA financière doivent adapter elles-mêmes les méthodes des modèles de vision.
AD-LLM constate que GPT-4o atteint 0,93 à 0,99 d'AUROC en zero-shot pour les anomalies textuelles, mais le choix du modèle LLM reste peu fiable en audit financier.
CausalTAD réordonne les colonnes d'une table selon leur dépendance causale avant la sérialisation LLM, faisant passer l'AUC-ROC moyenne de 0,803 à 0,834 face à AnoLLM.
AnoLLM (ICLR 2025) reformule la détection d'anomalies tabulaires comme une estimation de densité par LLM — un fine-tuning sur des lignes normales et un score par vraisemblance logarithmique négative (NLL). Il surpasse les méthodes classiques sur des ensembles de données de fraude à types mixtes, mais n'offre aucun avantage sur les données purement numériques, avec des implications concrètes pour la détection d'anomalies dans les écritures comptables Beancount.
GPT-4 atteint 74,1 d'AUROC moyen sur ODDS en zero-shot, près de la référence ECOD à 75,5, mais échoue sur les données à forte variance. L'audit de grand livre reste ouvert.
AuditCopilot réduit les faux positifs de fraude sur écritures de 942 à 12, mais l'ablation montre que le LLM synthétise surtout les scores d'Isolation Forest.
Le prompting par chaîne de pensée accroît la précision mais peut réduire le rappel sur les événements financiers rares : les agents antifraude peuvent manquer des anomalies.
