Qu'est-ce que le taux de rejet réel ?
Lorsqu'un système de vérification d'identité détecte un utilisateur frauduleux, un document falsifié ou toute autre donnée non valide, l'une de ses missions les plus importantes est simple : le rejeter. Le taux de rejet réel (TRR) mesure la fréquence à laquelle un système prend la bonne décision dans ce cas.
Le TRR est un indicateur important pour évaluer les systèmes de détection des fraudes, de vérification d’identité, d’authentification biométrique et autres, qui doivent faire la distinction entre les entrées légitimes et illégitimes. Un taux de rejet vrai élevé indique qu’un système identifie et rejette avec succès les tentatives non valides. Cependant, le TRR ne peut être évalué isolément. Les organisations doivent également comprendre comment les seuils de sécurité affectent les utilisateurs légitimes, les faux rejets, les taux de conversion et l'expérience client globale.
Alors que l'IA générative facilite la création à grande échelle de « deepfakes », d'identités synthétiques et de documents d'identité falsifiés, il devient de plus en plus important de bien comprendre ces relations. Les organisations ont besoin de systèmes de vérification capables de détecter les fraudes sophistiquées sans créer de difficultés inutiles pour les utilisateurs légitimes.
Comprendre le véritable taux de rejet
Le « taux de rejet réel » mesure la proportion de tentatives non valides ou non autorisées qu'un système rejette correctement. Dans le cadre de la vérification d'identité, par exemple, cela peut concerner un document d'identité frauduleux, un utilisateur non autorisé tentant d'accéder à un compte ou une identité ne répondant pas aux critères de vérification requis.
Le TRR s'applique également au-delà de l'identité et de la biométrie. Dans le secteur industriel, il peut décrire la capacité d'un système de contrôle qualité à rejeter correctement les produits défectueux. Dans la production pharmaceutique, il permet de vérifier si les produits qui ne répondent pas aux normes requises sont correctement identifiés et éliminés. Dans toutes ces applications, le principe sous-jacent reste le même : le TRR mesure la fiabilité avec laquelle un système reconnaît un élément qui ne devrait pas être accepté.
Un TRR élevé est généralement souhaitable, car il indique que les entrées non valides sont détectées avec succès. Cependant, chercher à maximiser le TRR sans tenir compte d'autres indicateurs peut poser des problèmes. Un système configuré pour rejeter la quasi-totalité des éléments suspects pourrait certes offrir une détection efficace de la fraude, mais risquerait en même temps de rejeter un grand nombre d'utilisateurs légitimes.
C'est pourquoi le TRR doit être pris en compte parallèlement à d'autres indicateurs tels que le taux de faux rejet (FRR), le taux de fausse acceptation (FAR) et le taux de véritable acceptation (TAR).
Rejet véritable vs faux rejet
Le taux de rejet vrai (TRV) et le taux de rejet faux (TRF) correspondent à deux résultats totalement différents. Un rejet vrai se produit lorsqu’un utilisateur non autorisé ou une entrée non valide est correctement rejeté. Un rejet faux se produit lorsqu’un utilisateur légitime ou une entrée valide est rejeté à tort.
En effet, le TAR et le FRR sont complémentaires d'un point de vue mathématique, tout comme le TRR et le FAR. Plus précisément :
- TAR = 1 – FRR
- TRR = 1 – FAR
En d'autres termes, si un système présente un taux de fausses acceptations de 2 %, son taux de rejets justifiés est de 98 %. De même, un taux de faux rejets de 5 % correspond à un taux d'acceptations justifiées de 95 %.
Cette relation illustre pourquoi les organisations ne devraient pas optimiser un système de vérification en se basant sur un seul chiffre. Le fait de relever le seuil de décision peut compliquer la tâche des utilisateurs malveillants, mais cela peut également rendre la vérification plus difficile pour les utilisateurs légitimes. L'objectif est de trouver le juste équilibre entre la lutte contre la fraude et la possibilité pour les utilisateurs légitimes de poursuivre leur démarche avec le moins de complications possible.
Comment calcule-t-on le taux de rejet réel ?
Le taux de rejet réel est calculé en divisant le nombre de tentatives non valides correctement rejetées par le nombre total de tentatives non valides :
TRR = Nombre de rejets justifiés / Nombre total de tentatives non valides
Par exemple, supposons qu’un système de vérification d’identité soit testé à l’aide de 1 000 tentatives connues pour être frauduleuses ou non valides. Si le système en rejette correctement 980 et en accepte à tort 20, son taux de rejet réel serait de :
980 / 1 000 = 98 % de TRR
Cela signifie également que le système présente un taux de fausses acceptations de 2 %.
La méthodologie de test revêt toutefois une grande importance. Un TRR calculé à partir d’un échantillon restreint ou non représentatif peut ne pas refléter fidèlement les performances d’un système en conditions réelles. Les tests doivent s’appuyer sur un ensemble de données suffisamment vaste et représentatif, comprenant les types de documents, d’appareils, d’utilisateurs, de méthodes d’attaque et de conditions environnementales auxquels le système est susceptible d’être confronté.
Les organisations devraient également évaluer les performances sur la durée plutôt que de considérer un test isolé comme une preuve définitive d'efficacité. Les techniques de fraude changent, le comportement des utilisateurs évolue, de nouveaux appareils font leur apparition sur le marché et les attaques générées par l'IA ne cessent de s'améliorer. Les performances en matière de vérification doivent donc être mesurées en permanence à l'aune des conditions changeantes du monde réel.
Applications du taux de rejet réel
La technologie TRR trouve des applications dans divers scénarios concrets, au-delà des domaines traditionnels de la sécurité et de la biométrie.
Sur les plateformes numériques, en particulier dans le secteur du commerce électronique, le rôle du TRR devient de plus en plus crucial. Face à la recrudescence de la fraude aux paiements en ligne, estimée à 41 milliards de dollars à l'échelle mondiale en 2022 et qui devrait atteindre 48 milliards de dollars d'ici 2023, le TRR est indispensable pour identifier avec précision et bloquer tout accès non autorisé aux comptes financiers ou aux données sensibles.
TRR veille à ce que seuls les produits répondant à des critères de qualité rigoureux soient mis sur le marché dans le secteur industriel. Cela revêt une importance particulière dans des secteurs tels que l'automobile ou l'électronique, où un seul composant défectueux peut avoir des conséquences considérables.
Applications du taux de rejet réel dans l'apprentissage automatique
Dans le domaine de l'apprentissage automatique, le TRR joue un rôle essentiel dans l'affinage des algorithmes et des modèles. Il permet à ces systèmes d'apprendre à identifier et à rejeter avec précision les valeurs aberrantes ou les données erronées, améliorant ainsi leurs capacités de prise de décision. Cette application est particulièrement cruciale dans les systèmes où la précision est primordiale, comme la détection des fraudes ou l'analyse prédictive.
Rôle du TRR dans la reconnaissance faciale
La technologie de reconnaissance faciale repose en grande partie sur le TRR pour garantir sa précision et sa fiabilité. Elle doit identifier correctement les utilisateurs autorisés et leur accorder l'accès, tout en assurant une protection solide contre les tentatives d'accès non autorisées.
Un TRR élevé dans ces systèmes signifie qu'ils sont capables de distinguer efficacement des traits faciaux similaires et d'éviter les cas d'erreur d'identification, ce qui est essentiel pour garantir la sécurité et préserver la confiance des utilisateurs.
Pourquoi le taux de faux refus est-il important pour la prévention de la fraude ?
Pour les équipes chargées de la lutte contre la fraude et de la gestion des risques, le TRR constitue un indicateur important de l'efficacité avec laquelle un système identifie les activités illégitimes. Un TRR faible signifie qu'un plus grand nombre de tentatives frauduleuses sont acceptées à tort, ce qui peut exposer une organisation à des risques de piratage de compte, de fraude aux paiements, d'usurpation d'identité, de non-conformité réglementaire et d'atteinte à sa réputation.
Cela revêt une importance particulière compte tenu de l'évolution de la fraude à l'identité. L'IA générative permet aux pirates de produire des documents d'identité falsifiés ou manipulés extrêmement convaincants, tandis que les « deepfakes » peuvent être utilisés pour usurper l'identité d'utilisateurs légitimes lors d'une vérification biométrique. Les fraudeurs peuvent également recourir à des attaques par présentation ou tenter d'injecter des images synthétiques directement dans une session de vérification, plutôt que de présenter une personne réelle devant une caméra physique.
Un système de vérification moderne doit donc aller au-delà de la simple évaluation du caractère convaincant d'une image ou d'un visage. L'authenticité des documents, la correspondance biométrique, la détection de la présence d'une personne vivante, la détection des attaques par injection, les informations sur l'appareil, les signaux comportementaux et d'autres indicateurs contextuels peuvent tous contribuer à déterminer si une interaction est fiable.
L'impact commercial des taux de rejet
Si le fait de ne pas détecter les fraudes entraîne des risques financiers et de sécurité évidents, le rejet d'utilisateurs légitimes a lui aussi un coût. Un taux de faux rejets élevé peut contraindre les clients de bonne foi à répéter la procédure de vérification, à fournir des informations supplémentaires, à contacter le service client ou à renoncer purement et simplement à leur inscription.
Pour les entreprises qui exploitent des processus d’intégration numérique ou de paiement, ces défaillances peuvent se traduire directement par une perte de conversion et de chiffre d’affaires. Un client potentiel qui rencontre des difficultés répétées pour fournir une pièce d’identité risque tout simplement de partir. Un titulaire de compte légitime empêché de mener à bien une transaction peut perdre confiance dans le service. À grande échelle, même une augmentation relativement faible du nombre de rejets injustifiés peut générer des milliers de demandes d’assistance ou de vérifications manuelles supplémentaires.
Le défi pour les équipes chargées de la gestion des risques ne consiste donc pas simplement à optimiser la détection des fraudes. Il s'agit de distinguer avec précision les utilisateurs légitimes des fraudeurs. Une vérification efficace doit créer des obstacles lorsque le risque le justifie, plutôt que d'appliquer le même niveau de contrôle à chaque interaction.
Quels sont les facteurs qui influencent le taux de rejet réel ?
Divers facteurs technologiques, environnementaux et liés à l'utilisateur peuvent influencer le TRR. La qualité de l'image et du capteur revêt une importance particulière dans les systèmes qui reposent sur la numérisation de documents ou la biométrie. Un mauvais éclairage, des reflets, un flou, des caméras à faible résolution ou des documents mal positionnés peuvent compliquer la tâche du système lorsqu'il s'agit de distinguer les données légitimes des données frauduleuses.
Les performances des algorithmes sont tout aussi importantes. Les modèles de vérification doivent être capables de détecter des indicateurs significatifs de fraude tout en tenant compte des variations naturelles qui existent parmi les utilisateurs légitimes et les documents d’identité. Cela devient de plus en plus difficile, car les fraudeurs utilisent l’IA générative pour produire des documents falsifiés plus réalistes et mener des attaques biométriques.
Le comportement des utilisateurs peut également influencer les résultats. Les utilisateurs peuvent tenir leurs documents sous différents angles, utiliser des smartphones plus anciens, prendre des photos dans des conditions d’éclairage médiocres ou interagir différemment avec les systèmes de vérification en raison de leur âge, d’un handicap ou d’autres circonstances. Les systèmes qui ne sont pas conçus pour s'adapter à des variations raisonnables risquent de rejeter de manière disproportionnée certains utilisateurs légitimes. Mesurer les taux de rejet parmi différentes populations d'utilisateurs, pour différents types de documents, appareils et environnements peut aider les organisations à identifier ces disparités.
Comment les organisations peuvent-elles réduire leurs taux d'erreur ?
Pour réduire les taux d'erreur, il faut tout d'abord reconnaître que la vérification d'identité repose rarement sur un seul critère. Un document qui semble suspect, par exemple, peut justifier une vérification complémentaire plutôt qu'un rejet immédiat. La combinaison de l'analyse documentaire avec la vérification biométrique, la détection de présence, l'intelligence des appareils, l'analyse comportementale et les indicateurs de risque contextuels peut offrir une vision plus complète d'une interaction.
Les organisations peuvent également recourir à des seuils basés sur les risques pour déterminer quand une vérification supplémentaire est nécessaire. Une interaction courante provenant d’un appareil connu peut ne nécessiter qu’une très légère mesure de sécurité supplémentaire, tandis qu’une transaction inhabituelle ou un changement significatif de comportement pourrait déclencher une vérification renforcée. Cela permet aux entreprises de concentrer les mesures de vérification les plus strictes là où le risque est le plus élevé.
Les procédures de secours revêtent une importance tout aussi grande. Lorsque des utilisateurs légitimes ne parviennent pas à mener à bien une méthode de vérification, leur proposer une alternative peut éviter qu’un résultat incertain ne se traduise par la perte d’un client. Les organisations doivent également évaluer en permanence les données de vérification afin d’identifier les sources récurrentes de faux rejets et d’ajuster en conséquence leurs modèles, leurs flux de travail et les instructions fournies aux utilisateurs.
Quel est un bon taux de rejet réel ?
Il n'existe pas de seuil de TRR universel applicable à toutes les organisations ou à tous les cas d'utilisation. Le seuil approprié dépend des conséquences liées à l'acceptation d'un utilisateur non valide par rapport à celles liées au rejet d'un utilisateur légitime.
Une transaction financière à haut niveau de sécurité, par exemple, peut justifier un seuil beaucoup plus strict qu'une interaction à faible risque. Les organisations évoluant dans des environnements fortement réglementés peuvent également avoir des tolérances au risque différentes de celles des entreprises où la commodité pour l'utilisateur prime davantage.
Plutôt que de viser un TRR théoriquement parfait, les organisations devraient définir des taux d'erreur acceptables en fonction de leur exposition spécifique à la fraude, des exigences réglementaires, de leurs objectifs en matière d'expérience client et de leurs capacités opérationnelles. Le TRR devrait ensuite être évalué parallèlement au FAR, au FRR, au TAR, aux taux de conversion, aux volumes d'examens manuels et à d'autres indicateurs qui mettent en évidence l'impact global des décisions de vérification.
Prendre des décisions plus précises en matière d’identité
Le « taux de rejet réel » reste un indicateur important permettant de mesurer l'efficacité avec laquelle un système identifie et rejette les données non valides. Mais cet indicateur prend toute sa valeur lorsqu'il est replacé dans un contexte plus large.
En matière de vérification d'identité, l'objectif n'est pas simplement de bloquer le plus grand nombre possible d'activités suspectes. Il s'agit de distinguer la fraude des comportements légitimes avec suffisamment de précision pour que les organisations puissent renforcer leur sécurité sans perturber inutilement les utilisateurs légitimes. Cela nécessite d'évaluer en permanence de multiples signaux, de surveiller les performances et d'ajuster les décisions de vérification à mesure que le comportement des utilisateurs et les techniques de fraude évoluent.
À mesure que les deepfakes, les identités synthétiques, la falsification de documents et autres attaques basées sur l'IA gagnent en sophistication, cet équilibre ne fera que gagner en importance. Les organisations qui comprennent non seulement leur « taux de rejet réel », mais aussi les raisons pour lesquelles des utilisateurs légitimes ou frauduleux sont acceptés ou rejetés, seront mieux à même de réduire la fraude tout en préservant l'expérience fluide à laquelle s'attendent leurs clients.
Si vous souhaitez en savoir plus sur la manière dont Microblink peut vous aider à gérer le TRR, demandez dès aujourd’hui une démonstration pour tous vos besoins en matière de vérification.
