Le Bureau de l'intégrité des paiements (OPI) du Trésor américain utilise l'apprentissage automatique pour filtrer les décaissements fédéraux. En AF2024, les processus pilotés par ML ont permis de prévenir ou de récupérer 4,059 milliards de dollars — une multiplication par 6 par rapport aux 652,7 millions de l'AF2023 — en signalant des transactions à haut risque et en accélérant la détection de fraude aux chèques du Trésor.
4.059 USD billion
Fraude/paiements indus prévenus ou récupérés (FY2024)
652.7 USD million
Fraude/paiements indus prévenus ou récupérés (FY2023)
6x
Augmentation d'une année sur l'autre (FY2023 to FY2024)
Détails
Maturité
Scaling
Promoteur
Office of Payment Integrity, Bureau of the Fiscal Service, US Department of the Treasury
Période
2023–present
Mots-clés
government, financial integrity, fraud detection, machine learning, federal payments
Contexte
Le Bureau de l'intégrité des paiements (OPI), au sein du Bureau of the Fiscal Service, du Département du Trésor des États-Unis, applique des modèles d'apprentissage automatique pour examiner les décaissements fédéraux en temps réel et signaler les transactions à haut risque avant leur règlement. Les outils de l'OPI sont mis à la disposition d'autres agences fédérales et de programmes d'État financés au niveau fédéral.
Objectifs
Prévenir et récupérer la fraude aux paiements fédéraux et les paiements indus grâce à un contrôle basé sur l'apprentissage automatique et à une détection accélérée de la fraude aux chèques du Trésor.
Activités
Des modèles d'apprentissage automatique contrôlent les décaissements en temps réel ; les résultats ont été officiellement annoncés par le Trésor américain en octobre 2024, avec une ventilation détaillée par méthode d'apprentissage automatique.
Résultats
Au cours de l'exercice 2024, la prévention de la fraude basée sur l'apprentissage automatique et la détection accélérée de la fraude aux chèques ont permis de prévenir ou de récupérer 4,059 milliards d'USD — soit une multiplication par six par rapport aux 652,7 millions d'USD de l'exercice 2023.
Conclusions
Le programme démontre comment l'apprentissage automatique appliqué aux données de paiement gouvernementales à grande échelle peut produire des résultats budgétaires mesurables et rapportés de manière indépendante, avec une trajectoire de performance claire d'une année sur l'autre.
Mise en œuvre
Les détails de mise en œuvre (coût, calendrier, personnel, conditions de réussite) ne sont pas encore disponibles pour cette pratique.
Sources de données
D'où proviennent les informations de cette pratique, et quand.