ISTQB® Certified Tester – Generative AI (CT-GenAI) – Examen

Étude de cas — 5 scénarios inclus

Détection de fraude bancaire : biais, métriques et tests adversariaux

FinSecure est une banque retail européenne qui déploie un nouveau système ML de détection de fraudes sur les transactions par carte bancaire. Le modèle, basé sur un réseau de neurones profond, a été entraîné sur 3 ans de données historiques de transactions. L'équipe qualité est chargée de valider le système avant sa mise en production prévue dans 6 semaines. Le responsable de la conformité a exprimé des inquiétudes concernant des biais potentiels liés à la géographie des clients et à leur catégorie socio-professionnelle, car les données historiques reflètent une période de forte fraude concentrée dans certaines régions. Le système doit prendre des décisions automatiques pour bloquer ou autoriser les transactions en temps réel. En cas de faux positif (transaction légitime bloquée), le client est immédiatement contacté pour vérification. En cas de faux négatif (fraude non détectée), la banque supporte le remboursement intégral. La direction a clairement indiqué que la priorité absolue est de minimiser les faux négatifs, tout en maintenant un taux de faux positifs acceptable pour ne pas surcharger le service client. L'équipe de test dispose d'un accès complet aux données d'entraînement, aux logs du modèle et à sa documentation technique. Elle doit également préparer le système à résister à des tentatives de contournement, notamment des attaques où des fraudeurs modifieraient légèrement les caractéristiques de leurs transactions pour éviter la détection.