Apprentissage automatique opérationnel pour détecter le blanchiment d’argent mobile au Rwanda

Résumé

Cet article développe un cadre de surveillance des transactions visant à détecter le blanchiment via l’argent mobile au Rwanda. Il traite le fort déséquilibre des classes, les étiquettes rares et tardives, ainsi que les capacités limitées d’enquête. À partir d’un jeu de données synthétique de plus de neuf millions de transactions couvrant 17 typologies de blanchiment, il construit des caractéristiques comportementales au niveau des comptes, telles que la vitesse des transactions, le sens des flux, la diversité des contreparties et les pics d’activité. Il évalue des classificateurs supervisés, des détecteurs d’anomalies, un autoencodeur et un modèle combinant les prédictions.

L’évaluation porte sur l’utilité opérationnelle : aire précision-rappel, rappel à un niveau de précision cible, rappel dans une limite de volume d’alertes et taux d’alertes. Sur une période de test chronologique, un modèle de fusion dépasse légèrement LightGBM en PR-AUC et atteint une précision d’environ 91%, en identifiant 59 cas ; LightGBM en identifie 64 avec une précision d’environ 89%. Les auteurs relient les tranches de scores aux processus d’examen et d’escalade par les analystes, et proposent de valider l’approche sur des données réelles. Les résultats reposent sur des données synthétiques ; les performances en surveillance réelle ne sont donc pas vérifiées. La contribution est un cadre d’évaluation et de gouvernance, et non un nouvel algorithme de détection.

Idées clés

• Le cadre est conçu pour gérer un déséquilibre extrême des classes, des étiquettes rares et des capacités d’enquête limitées.
• Les caractéristiques au niveau des comptes résument le rythme des transactions, le sens des flux, les contreparties et les pics d’activité.
• Plusieurs méthodes supervisées et de détection d’anomalies sont évaluées avec un modèle de fusion des prédictions.
• Les métriques opérationnelles mesurent la qualité de détection sous des contraintes de précision et de volume d’alertes.
• Les résultats rapportés reposent sur des données synthétiques et doivent être validés sur des transactions réelles.

Étiquettes

# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework


# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework









Mobile money has widened financial access across Sub-Saharan Africa and enlarged the surface for money-laundering and terrorism-financing (ML/TF) activity in ecosystems dominated by high-volume, low-value transactions. Rwanda is a case in point: several million active mobile-money users, telecom-led wallets on the MTN and Airtel networks, and a Financial Intelligence Centre (FIC) supervising transaction streams whose scale exceeds static rule-based monitoring. This paper develops and evaluates a transaction-monitoring framework aligned to the Rwandan AML/CFT regime under (i) extreme class imbalance (~0.1% prevalence), (ii) scarce and delayed labels, and (iii) bounded investigator capacity. Using SAML-D, a synthetic dataset of 9,504,852 transactions with 17 laundering typologies, we engineer account-centric behavioural features (rolling velocity, net-flow directionality, counterparty diversity, burstiness) and benchmark supervised classifiers (Logistic Regression, Random Forest, LightGBM), unsupervised anomaly detectors (Isolation Forest, Local Outlier Factor), a dense autoencoder, and a late-fusion meta-learner. Evaluation is operational: PR-AUC, recall at a calibrated ~90%-precision point, recall at top-K%, and alerts per 10,000. On the chronologically held-out test period, LightGBM attains PR-AUC = 0.0469, capturing 64 laundering cases at precision ~0.89 with 0.51 alerts per 10,000; the fusion stacker reaches PR-AUC = 0.0477 at precision ~0.91 and 0.46 alerts per 10,000, recovering 59 true positives. We map score bands to Rwanda-relevant analyst workflows and STR/SAR escalation, and outline a staged path from synthetic prototyping to real-data validation with the National Bank of Rwanda and FIC. The contribution is operational: a governance-aware pipeline and evaluation protocol calibrated to the constraints of an African mobile-money regulator, not a new algorithm.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.