evidoria

← Retour à la liste

Bonne pratique Importée

FAIS — le système d'IA pionnier du FinCEN pour détecter des pistes de blanchiment d'argent à partir des déclarations de transactions en espèces

États-Unis d'Amérique · Vienna · Voir le profil de États-Unis d'Amérique · Voir le profil de Vienna

Preuves: Observationnel / avant-après Top 66% 53/100 · Demandez à Evidence Copilot à propos de cette pratique

En service au FinCEN depuis mars 1993, le système FAIS, fondé sur des règles, reliait les déclarations de transactions en espèces pour repérer des pistes de blanchiment : plus de 400 rapports d'aide à l'enquête couvrant plus d'un milliard de dollars de fonds suspectés d'être blanchis, documentés dans une étude de cas de l'AAAI évaluée par des pairs.

200,000 transactions/week
Transactions traitées par semaine (1993–1995)
400+ reports
Rapports d'appui à des enquêtes générés (1993–1995)
1 billion+ USD
Fonds potentiellement blanchis identifiés (1993–1995)

Détails

Promoteur
Financial Crimes Enforcement Network (FinCEN), U.S. Department of the Treasury
Période
1993–1995
Mots-clés
financial crime, anti-money laundering, financial intelligence

Contexte

La loi américaine sur le secret bancaire (Bank Secrecy Act) exige des banques qu'elles déposent un rapport de transaction en espèces (CTR) pour toute transaction en espèces supérieure à 10 000 dollars, générant un volume de documents qu'aucune équipe d'analystes humains ne pourrait examiner manuellement. Le réseau de lutte contre la criminalité financière (FinCEN) a construit FAIS, un système d'intelligence artificielle combinant un raisonnement fondé sur des règles avec une base de données partagée en « tableau noir » (« blackboard »), pour relier les CTR, les entreprises et les particuliers et signaler des schémas correspondant à du fractionnement (« structuring ») ou à de la superposition de couches (« layering »).

Activités

FAIS est entré en service en mars 1993. Un groupe dédié d'analystes l'a utilisé pour traiter environ 200 000 transactions par semaine.

Résultats

Au moment d'une étude de cas évaluée par des pairs publiée dans AI Magazine en 1995, le système avait généré plus de 400 rapports d'appui à des enquêtes, correspondant à plus d'un milliard de dollars de fonds potentiellement blanchis — des pistes transmises aux organismes chargés de l'application de la loi pour des investigations complémentaires. Un examen contemporain mené par l'Office of Technology Assessment du Congrès américain a corroboré le statut opérationnel du système et son rôle dans l'identification de pistes qui ne seraient pas autrement apparues à partir des déclarations brutes.

Conclusions

Les preuves documentées remontent au début/milieu des années 1990 et décrivent un outil interne des forces de l'ordre : les sources examinées ne comportent pas d'évaluation indépendante plus récente, ni de mécanisme public de transparence ou d'audit. FAIS précède les méthodes modernes d'apprentissage automatique, s'appuyant plutôt sur des règles expertes — un exemple précoce mais rigoureusement documenté d'IA appliquée à une fonction de conformité du secteur public.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€)
Délai jusqu’aux résultats
Court (< 1 an) — FAIS went live in March 1993; a peer-reviewed case study documenting its output was published in AI Magazine in 1995, roughly two years after launch.
Personnel et compétences
Financial Crimes Enforcement Network (FinCEN), U.S. Department of the Treasury, with a dedicated group of analysts operating the system

Conditions de réussite

  • Shared "blackboard" database architecture linking CTRs, businesses and individuals across records
  • Rule-based reasoning tuned to patterns consistent with structuring or layering

Modes d’échec courants

  • No independent evaluation more recent than the 1990s and no public transparency or audit mechanism documented in the sources reviewed

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles