L'hygiène des faux positifs dans le filtrage des sanctions

Demandez à un analyste de conformité ce qui ne va pas avec son outil de filtrage, et la réponse est rarement « nous manquons des choses ». C'est presque toujours « nous recevons trop d'alertes, et la plupart ne sont rien ». Cette plainte ressemble à un problème d'efficacité. C'est en réalité un problème de risque : la responsabilité en matière de sanctions de l'OFAC est stricte — l'intention et la connaissance ne constituent pas une défense — et un programme générant des centaines d'alertes de faible qualité par jour entraîne ses propres analystes à écarter les choses rapidement, ce qui est exactement la condition dans laquelle une véritable correspondance se fait laisser passer. L'hygiène des faux positifs n'est pas un agrément d'expérience utilisateur. C'est un contrôle qui détermine si les vrais positifs dans le tas sont réellement détectés.

Pourquoi les faux positifs se produisent

La plupart des faux positifs remontent à un petit nombre de causes profondes, et elles s'accumulent :

• Noms courants. Des noms de la forme « Mohammed Ahmed » ou « John Smith » produisent des correspondances contre une fraction significative de toute base de clientèle, indépendamment de tout lien réel avec l'individu sanctionné.
• Variance de translittération. Les noms translittérés de l'arabe, du cyrillique ou du chinois vers les caractères latins ont plusieurs romanisations valides — « Gaddafi », « Qaddafi » et « Kadhafi » sont le même nom. Un algorithme de correspondance calibré pour les fautes de frappe en écriture latine gère cela différemment d'un algorithme construit pour la variance interscripturale, et le mauvais choix manque la véritable variante ou traite chaque choix de romanisation comme une quasi-correspondance avec tout.
• Identifiants secondaires faibles ou absents. Une correspondance basée sur le seul nom, sans date de naissance, nationalité ou numéro d'identité nationale pour restreindre le champ, ne peut pas distinguer l'individu sanctionné d'une personne non liée qui partage simplement ce nom.
• Prolifération d'alias sans signal de force. Les entités désignées portent fréquemment dix alias ou plus — des variantes de nom légal complet, des surnoms d'un seul mot, d'anciens noms de société. Traiter un AKA faible et d'un seul mot avec le même poids de correspondance qu'un alias fort et unique augmente les correspondances contre quiconque dont le nom contient par hasard ce fragment.

La tension, énoncée clairement

Chaque levier qui réduit les faux positifs a également la capacité de réduire les faux négatifs s'il est tiré trop loin. C'est toute la difficulté de ce problème : un seuil de correspondance floue resserré suffisamment pour arrêter de signaler « John Smith » contre chaque client nommé John Smith est aussi un seuil qui peut laisser passer sans signalement une véritable quasi-correspondance de translittération. Régler pour une file d'attente silencieuse et régler pour une couverture défendable ne sont pas le même objectif, et un programme qui ne mesure que la baisse des « alertes par jour » n'a aucun moyen de savoir lequel des deux il a réellement atteint. Tout effort de réduction des faux positifs doit énoncer, et être capable de démontrer, que le rappel sur les vraies correspondances n'a pas bougé.

Techniques concrètes

1. Faire correspondre sur davantage que le nom. Le changement le plus déterminant est d'utiliser chaque identifiant qu'une source publie réellement — date de naissance, lieu de naissance, nationalité, numéro de passeport ou d'identité nationale, et pour les navires, le numéro OMI, qui est bien plus discriminant qu'un nom de navire. Une correspondance basée sur le seul nom contre un nom courant est presque inutilisable ; le même nom plus une date de naissance restreint le champ de plusieurs ordres de grandeur, dans les deux sens — cela élimine les homonymes non liés et augmente la confiance sur une véritable correspondance. C'est pourquoi le catalogue de sources indique précisément quels identifiants chaque liste publie : deux sources avec la même couverture nominale peuvent avoir une capacité de correspondance très différente selon les champs que l'autorité émettrice divulgue réellement.

2. Traiter les alias comme ayant des forces différentes, pas comme une liste unique indifférenciée. Une orthographe alternative de nom légal complet et un surnom d'un seul mot ne sont pas également diagnostiques. Les programmes qui notent chaque AKA de manière identique héritent du taux de faux positifs de leur alias le plus faible. Là où une source distingue les alias forts et faibles, reportez cette distinction dans la logique de correspondance plutôt que de l'aplatir.

3. Utiliser un algorithme de correspondance adapté au script et à la langue, pas une fonction générique de distance d'édition. La variance de translittération cyrillique et arabe est un problème connu et borné — la correspondance phonétique et consciente de la translittération le gère nettement mieux que des seuils de distance d'édition de chaîne bruts calibrés pour les fautes de frappe en texte latin. Un seuil global unique, appliqué uniformément quelle que soit l'origine des noms, est une source commune et évitable des deux types d'erreur à la fois.

4. Suivre l'historique des dispositions — sans jamais suspendre le filtrage. Lorsqu'un analyste écarte une correspondance comme « examinée, pas une correspondance » pour un client spécifique, enregistrer cette détermination évite de rejuger l'alerte identique à faible valeur à chaque cycle de filtrage. La discipline qui compte ici : cela réduit le bruit répété sur une non-correspondance documentée, pas le filtrage sous-jacent. La liste est toujours vérifiée à chaque fois ; seul le coût de fatigue d'alerte d'une détermination déjà résolue diminue. Supprimer silencieusement un nom des filtrages futurs est une décision matériellement différente et bien plus risquée, et ne devrait jamais être un effet secondaire de la réduction du bruit.

5. Utiliser la traçabilité des sources pour aider les analystes à trier, pas seulement pour auditer après coup. Savoir de quelle autorité, quel programme et quelle liste provient une correspondance permet à un examinateur de vérifier rapidement la plausibilité — une correspondance contre un programme de sanctions de la République démocratique du Congo pour un client sans lien commercial africain porte des priors différents d'une correspondance contre une désignation du programme Russie de l'OFAC pour un client avec des contreparties russes. C'est un bénéfice direct et pratique de la même posture de transparence des sources qui sous-tend notre catalogue de données : la provenance n'est pas seulement pour la piste d'audit, c'est un signal de triage sur le moment.

Le contexte réglementaire

Le Framework for Compliance Commitments de l'OFAC lui-même traite la qualité du filtrage — couverture, fraîcheur, calibration de la correspondance floue, et résolution des chaînes de propriété de la règle des 50 % — comme un contrôle documenté que recherchent les examinateurs, pas comme un détail d'implémentation interne laissé à la discrétion du fournisseur. Un programme qui ne peut pas expliquer pourquoi ses seuils de correspondance sont fixés là où ils le sont, et qui ne peut pas montrer qu'un changement de réduction des faux positifs n'a pas coûté de rappel, n'a pas un contrôle défendable — il a une file d'attente qui se trouve être plus courte.

Où vérifier votre propre correspondance

Parcourez le catalogue de sources pour voir quels identifiants et structures d'alias chaque liste publie réellement, parcourez le corpus complet pour voir la densité réelle des alias et la couverture des identifiants enregistrement par enregistrement, et consultez nos guides de juridiction LCB-FT pour voir comment chaque régulateur formule les attentes en matière de qualité de filtrage dans son propre langage de supervision.