Etudiant : RAJI SOUMIA

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. EL BOURAKADI DOUNIA

Annèe : 2026

Résumé : La fraude bancaire représente aujourd'hui l'un des défis les plus critiques auxquels font face les établissements financiers à l'échelle mondiale. Face à la digitalisation croissante des services bancaires et à la sophistication croissante des techniques frauduleuses, les approches traditionnelles basées sur des règles statiques montrent rapidement leurs limites. Ce projet de fin d'études, réalisé au sein d'Al Barid Bank, vise à concevoir et à déployer un système intelligent de détection de fraude bancaire en temps réel, reposant sur une architecture moderne orientée MLOps. Le système développé s'articule autour de cinq couches fonctionnelles complémentaires. La première est une couche d'ingestion basée sur Apache Kafka, assurant la collecte et le transport en temps réel des flux de transactions bancaires à un débit de 50 transactions par seconde. La deuxième est une couche de traitement analytique reposant sur Apache Spark Structured Streaming, qui consomme les flux par micro-batchs de 5 secondes et soumet chaque transaction au modèle de scoring. La troisième est une couche de décision automatisée à trois niveaux, déclenchant le blocage immédiat du compte, le gel temporaire de la carte avec confirmation client par SMS, ou la validation directe selon le score obtenu. La quatrième est une couche de stockage centralisée sous PostgreSQL assurant la traçabilité complète de toutes les opérations. La cinquième est une couche de visualisation et d'interaction permettant le monitoring en temps réel via Grafana et la notification instantanée des clients via l'API Twilio. L'ensemble des services est exposé via une API REST développée avec FastAPI, sécurisée par un mécanisme d'authentification basé sur les JSON Web Tokens (JWT) avec contrôle d'accès par rôles (admin/analyst), garantissant que seuls les utilisateurs habilités peuvent interagir avec le pipeline de détection. Cinq algorithmes de machine learning ont été comparés dans des conditions d'évaluation strictement identiques : Random Forest, XGBoost, LightGBM, Isolation Forest et un Voting Ensemble. Le modèle XGBoost a été retenu comme modèle opérationnel, atteignant un Recall de 80%, une précision de 88,4%, un F1-score de 84% et une AUC-ROC de 0,970 sur l'ensemble de test. Le déséquilibre extrême des données, les fraudes représentant seulement 0,17% des transactions, a été traité par la technique SMOTE combinée à une pondération adaptative des classes. Ce projet démontre comment la combinaison d'une architecture de streaming temps réel, d'un pipeline MLOps industrialisé, d'une API sécurisée par JWT et d'un système d'alerte multicanal peut transformer la gestion de la fraude bancaire, en passant d'une logique réactive à une approche proactive capable de détecter et de bloquer les transactions frauduleuses en quelques secondes. Mots-clés : Détection de fraude, Machine Learning, XGBoost, MLOps, MLflow, Apache Kafka, Apache Spark Streaming, Temps réel, SMOTE, FastAPI, JWT, Twilio, Grafana, Docker, Al Barid Bank.